پیش‌بینی توزیع فرآورده‌های سنتز فیشر- تروپش در حضور کاتالیست ni/hzsm-5 با شبکه عصبی-فازی برپایه الگوریتم ژنتیک و اجتماع ذرات

در این پژوهش، کاتالیست‌های نانوساختار ni/hzsm-5 با روش ریزنامیزه معکوس تهیه شدند. از مزیت‌های قابل توجه این روش، می‌توان به پراکندگی مناسب ذرات، سطح ویژه و کاهش بالاتر نمونه اشاره کرد. آزمایش‌های سنتز فیشر- تروپش در حضور کاتالیست ni/hzsm-5 در گستره شرایط عملیاتی شامل دمای 220 تاc°240، فشار 15 تا 25 بار و سرعت فضایی گاز 900 تا 1/ 2300h انجام شد. هدف از آموزش شبکه عصبی-فازی تطبیقی، یافتن اندازه وزن‌ها و بایاس‌ها به نحوی است که خطای داده‌های آموزش را به حداقل برساند. بنابراین، آموزش شبکه‌های عصبی فازی تطبیقی را می‌توان دربردارنده یک مسئله بهینه‌سازی دانست که هدف آن بهینه‌سازی شرایط وزنی و بایاس‌ها برای دستیابی به حداقل خطای آموزش است. بدین‌منظور برای بهینه‌سازی مدل عصبی فازی، از الگوریتم ژنتیک و الگوریتم اجتماع ذرات استفاده شد که منجر به پیش‌بینی توزیع فراورده‌های سنتز فیشر تروپش با شبکه‌های anfis، ga_anfis و pso_anfis شد. برای مدل‌سازی فرایند از 17 داده آزمایشگاهی استفاده شد که از این 17 داده، 80 درصد برای آموزش و بقیه برای تعیین اعتبار مدل استفاده شد. همه مدل‌های آورده شده دارای ضریب همبستگی بالاتر از 0/97 بودند که نشان‌دهنده دقت مدل‌سازی است. و با توجه به ضریب همبستگی و خطاهای are، aare و sd بهترین شبکه مورد نظر برای مدل‌سازی فرایند مورد نظر، pso_anfis است.