بهینه سازی فرآیند جداسازی گازی با استفاده از غشا پلیمری اصلاح شده بر پایه الگوریتم ژنتیک و شبکه عصبی

افزودن نانوذرات به ماتریس پلیمری منجر به افزایش عملکرد غشا در فرایند جداسازی گازی می‌شود. در تحقیق جاری، هدف یافتن نقطه بهینه عملیاتی جداسازی گازی برای غشای پلیمری اصلاح شده با نانوذرات می باشد. متغیرهای عملیاتی مورد بررسی نوع نانوذره، غلظت نانوذره اضافه شده و اختلاف فشار عملیاتی در دوسوی غشا می‌باشد. نانوذرات al2o3 ،zno و tio2 در این تحقیق مورد استفاده قرار گرفتند. همچنین غلظت نانوذره و اختلاف فشار عملیاتی به ترتیب در محدوده 2.5 تا 15% و 2 تا bar 25 مورد بررسی قرار گرفتند. یکی از الزامات  بهینه‌سازی فرایند، توسعه یک مدل قوی و کارآمد است. بدین منظور ابتدا یک مدل قدرتمند با استفاده از شبکه عصبی مصنوعی توسعه پیدا کرد که قادر به پیش‌بینی میزان تراوش‌پذیری گازهای اکسیژن، نیتروژن، متان و دی اکسید کربن می باشد. مدل‌هایی براساس انواع شبکه های عصبی پیشخور توسعه داده شدند که r^2 بزرگتر از 0.9 داشتند. سپس با استفاده از الگوریتم ژنتیک شرایط بهینه عملیاتی برای هر یک از گازهای مورد بررسی با در نظر گرفتن چهار هدف و راهبرد استخراج شدند. نتایج بهینه‌سازی نشان دادند که مقدار تراوش‌پذیری بیشینه برای گازهای اکسیژن، نیتروژن، متان و دی اکسید کربن به ترتیب برابر با 334.7، 779.9، 902.7 و 270.4 می‌باشد.

Geneticneural Network Based Optimization of Gas Separation Process Using Modified Polymeric Membrane

Addition of nanoparticles to a polymeric matrix leads to enhance the performance of membrane gas separation. In this study, the aim is to find the optimum operative point of polymeric membrane modified by adding nanoparticles in gas separation. The assessed factors are type of nanoparticle, percentage of added nanoparticle, and cross membrane pressure.  Nanoparticles of AL2O3, ZnO, and TiO2 were used. Further, the ranges of nanoparticle concentration and operative cross membrane pressure were 2.5 to 15% and 2 to 25 bar respectively. To optimize a process, developing a robust model is necessary. Therefore, first, a powerful model based on artificial neural network was developed, which it was able to predict the values of permeability of oxygen, nitrogen, methane, and carbon dioxide. Neural network models were developed that had R2 greater than 0.9. Next, the optimum operative conditions for assessed gases were found using methodology based on genetic algorithm and considering four strategies. The results of optimization show that the maximum values of permeability for oxygen, nitrogen, methane, and carbon dioxide are 334.7, 779.9, 902.7, and 270.4 respectively.