پیش بینی قطر متوسط قطرات ( قطر ساتر) در برج های استخراج ضربانی با سینی های غربالی، با استفاده از شبکه عصبی مصنوعی

قطر متوسط قطرات، پارامتری اساسی برای محاسبات هیدرودینامیکی برج های استخراج است و پارامترهای مهم دیگری از جمله: حداکثر بار برج، نقطه طغیان و مقدار انتقال جرم را تعییین می کند. روابط تجربی ارائه شده، در بردارنده تمامی متغیرهای تاثیرگذار بر این پارامتر نیست. به همین دلیل، نتایج حاصل از این روابط خطای زیادی دارد. از سوی دیگر شبکه عصبی در حل مسائلی که به دلیل در دسترس نبودن اطلاعات مربوط به تمامی عوامل تاثیرگذار و یا وجود رابطه ای بسیار پیچیده بین داده ها، مدل سازی ریاضی در مورد آنها ممکن و یا عملی نیست، توانایی بالایی دارد. در این تحقیق، قطر متوسط ( قطر ساتر) در برج های ضربانی با سینی های غربالی با استفاده از شبکه عصبی مصنوعی پیش بینی شد. برای مدل سازی از شبکه پرسپترون چند لایه با الگوریتم آموزش لونبرگ – مارکوآرت استفاده گردید. تعداد بهینه لایه ها و نرون-های لایه مخفی با حدس و خطا تعیین و نتایج مدل سازی با نتایج مدل تجربی و مقادیر آزمایشگاهی مقایسه شد. نتایج، معرف تطابق عالی بین مقادیر آزمایشگاهی و نتایج پیش بینی شده شبکه عصبی با ضریب همبستگی (9963/0r2=) و خطای بسیار پایین بود. بنابراین می توان بیان نمود که شبکه عصبی مصنوعی یک روش قوی برای پیش بینی قطر ساتر در برج های استخراج ضربانی با سینی های غربالی با دقت بالا است.

Prediction of the average diameter of drops (Sauter diameter) in pulsating extraction towers with sieve trays, using artificial neural network

The average droplet diameter is a basic parameter for hydrodynamic calculations of extraction towers and determines other important parameters such as: the maximum load of the tower, the overflow point and the amount of mass transfer. The presented empirical relationships do not include all variables affecting this parameter. For this reason, the results of these relationships have a lot of errors. On the other hand, the neural network has a high ability in solving problems that mathematical modeling is not possible or practical due to the unavailability of information related to all the influencing factors or the existence of a very complex relationship between the data. In this research, the average diameter (Sauter diameter) in pulsating towers with sieve trays was predicted using artificial neural network. Multi-layer perceptron network with Levenberg-Marquardt training algorithm was used for modeling. The optimal number of layers and neurons of the hidden layer was determined by guess and error, and the modeling results were compared with the results of the empirical model and experimental values. The results showed an excellent agreement between the experimental values and the predicted results of the neural network with a correlation coefficient (R2=0.9963) and a very low error. Therefore, it can be stated that the artificial neural network is a powerful method for predicting the sauter diameter in pulsating extraction towers with high precision.