بررسی جذب گازهای خالص متان، کربن دی اکسید و نیتروژن برروی زئولیت 13x با استفاده از شبکه عصبی مصنوعی

یکی از راه‌های جلوگیری از گرم شدن کره زمین و افزایش ارزش حرارتی گاز طبیعی، جذب کربن دی اکسید و نیتروژن، با استفاده از زئولیت‌ها است. در این مطالعه، نتایج تجربی جذب سه گاز متان، کربن دی اکسید و نیتروژن توسط زئولیت 13x، با استفاده از شبکه عصبی مصنوعی مورد بررسی قرار گرفت. دما و فشار به‌عنوان ورودی‌های سیستم و ظرفیت جذب به‌عنوان خروجی در نظر گرفته شد. در همه مدل‌ها از الگوریتم پس انتشار لونبرگ مارکوآرت برای آموزش شبکه استفاده شد. جهت تعیین توابع انتقال بهینه در لایه‌های پنهان و خروجی و نرون بهینه از شاخص‌های ضریب تعیین، خطای میانگین مربعات، مجموع خطاهای مربع و خطای میانگین مربع ریشه استفاده شد. نرون بهینه برای متان، کربن دی اکسید و نیتروژن به‌ترتیب 10، 10 و 15 به‌دست آمد. همچنین بهترین نتایج برای توابع انتقال، logsig و tansig برای متان، logsig و purelin برای کربن دی اکسید و نیتروژن به‌ترتیب برای لایه پنهان و لایه خروجی به‌دست آمدند. ضریب تعیین در شرایط بهینه برای متان، کربن دی اکسید و نیتروژن به‌ترتیب 0.9970، 0.9842 و 0.9937 به‌دست آمد. در پایان درصد انحراف میانگین برای نتایج پیش‌بینی شده توسط شبکه عصبی با نتایج توسط مدل لانگمویر و مدل sips وابسته به دما مقایسه شد که نشان از دقت بالای شبکه عصبی مصنوعی نسبت به دو مدل است.

Investigation of Adsorption of Methane, Carbon Dioxide and N2 on Zeolite 13X Using Artificial Neural Network

One of the most important processes for avoiding global warming and increasing the heating value of natural gas is adsorption and separation of carbon dioxide and nitrogen using zeolite. In this study, experimental results of adsorption of methane, carbon dioxide and nitrogen by zeolite 13X was assessed using artificial neural network. The temperature and pressure was considered as inputs, and adsorption capacity was considered as the output of system. In all models, LevenbergMarquardt backpropogation was used for training of the network. To find the optimum transfer function in hidden and output layers and optimum number of neurons, coefficient of determination, sum of squared errors, mean square error were calculated. Optimized number of neurons for methane, carbon dioxide and nitrogen was obtained 10, 10, and 15 respectively. Moreover, the best transfer functions were Logsig and Tansig for methane, Logsing and Pureline for carbon dioxide and nitrogen for hidden and output layers. In the end, average deviation percentage for predicted results with neural network was compared with the results obtained by Langmuir and dependent on temperature sip models. It indicates that neural network has high accuracy in comparison with other two models.