مدل سازی هیبریدی شبکه عصبی – الگوریتم ژنتیک برای جداسازی پارافین های خطی و شاخه ای به وسیله فرآیند جذب به منظور ارتقای عدد اکتان بنزین

روند تغییرات تکنولوژیکی تولید سوخت در جهت جلوگیری از آلودگی های زیست محیطی در آب و خاک و هوا می باشد. پس از شناخت اثرات سمی و سرطان زائی ترکیبات آلی سرب، تولید ترکیبات مانند متیل ترشیاری بوتیل اتر به عنوان افزودنی برای بنزین های هیدروکربنی معمولی مطرح گردید. اینگونه ترکیبات (متیل ترشیاری بوتیل اتر) نیز به هر نحوی وارد محیط زیست انسان می گردند. در نتیجه توسعه فرآیندی جدید برای تولید بنزین با اکتان بالا از ترکیبات پیچیده مقطرهای سبک نفتی به اجرا در آمد. این روش مبتنی بر جداسازی آلکانهای خطی و شاخه ای c5-c8 بر اساس خواص جذبی آنها، طول زنجیره و تعداد شاخه ها می باشد. در این پژوهش مدل شبکه عصبی هیبریدی بر مبنای داده های تجربی موجود در بانک اطلاعاتی، به عنوان مدلی جایگزین برای پیش بینی میزان جداسازی پارافین های خطی و شاخه ای توسط فرآیند جذب استفاده شده است. دمای جذب، زمان جذب، عدد اکتان و چگالی هیدروکربن ها به عنوان چهار پارامتر ورودی و همچنین نسبت غلظت پارافین خطی به کل به عنوان پارامتر خروجی شبکه عصبی در نظر گرفته شد. مدل شبکه عصبی با موفقیت توسط پایگاه داده آزمایشگاهی تعلیم داده شد و سپس به کمک داده های تست مورد بررسی قرار گرفت. نتایج مدلسازی برای داده های تست نشان از موفقیت آمیز بودن مدل شبکه های عصبی در پیش بینی میزان جداسازی پارافین های خطی از غیر خطی دارد از این رو مدل شبکه عصبی مصنوعی توسعه داده شده می تواند برای تعیین مطمئن c/c0 در فرآیند جذب به کار رود. طبق نتایج به دست آمده برای داده تست، کمترین خطای میانگین مربعات، برابر با 0/0518 بدست آمد. که این میزان رضایت بخش است. داده های مدلسازی با داده های تجربی مقایسه گردید و ضریب رگرسیون برابر 0/99 حاکی از تطابق خوب نتایج تجربی و مدلسازی می باشد.