تخمین نفت زیستی حاصل از پیرولیز مواد زائد: رویکرد شبکه عصبی

هدف این مطالعه، تخمین نفت زیستی حاصل از فرایند پیرولیز مواد زائد بر حسب رطوبت، کربن ثابت، مواد فرار و خاکستر است. از نتایج آزمایشگاهی 41 مطالعه مختلف برای مدل سازی استفاده شد. از مدل شبکه عصبی به عنوان یک ابزار سیاستگذاری در ارزیابی و پیش بینی مقدار درصد نفت زیستی حاصل از مواد زائد طی فرایند پیرولیز استفاده شد. مقادیر بهینه پارامترهای شبکه عصبی به روش آماری تخمین زده شد. نتایج مقایسات در دو شبکه عصبی پرسپترون چند لایه و شبکه عصبی تابع شعاعی نشان داد که شبکه عصبی تابع شعاعی دارای توانایی بیشتری در تخمین نفت زیستی می باشد. مقدار ضریب تبیین بین درصد نفت زیستی برآورد شده توسط شبکه عصبی تابع شعاعی و مقدار آزمایشگاهی آنها برابر با 0.99 شد. نتایج ارزیابی شبکه عصبی نشان داد که آن را می توان به عنوان یک ابزار در برآورد درصد تولید نفت زیستی به کار برد و از آن در تصمیم گیری های مدیریتی تولید نفت زیستی بهره برد.

A Neural Network Model for Estimating the Bio-oil from the Pyrolysis of Waste

The purpose of this study is to estimate the biooil from the pyrolysis process of waste products in terms of moisture, constant carbon, volatile matter and ash. The results of 41 different studies were used to modeling. We use the neural network model as a policy tool in the evaluation and prediction biooil from the pyrolysis process of waste products. Statistical method was used to determine the optimal values of the neural network parameters. The results of comparisons between two Multi Layer Perceptron (MLP) and Radial Basis Function (RBF) neural networks showed that the RBF has a high ability to estimate the biooil. The value of correlation coefficient between experimental and predicted biooil by RBF was equal to 0.99. The neural network evaluation results showed that it can be used as a tool to estimate the production of biooil and it has been used in biooil production management decisions.