مدل‌سازی هیبریدی شبکه عصبی– الگوریتم ژنتیک برای جداسازی پارافین‌های خطی و شاخه‌ای به‌وسیله فرایند جذب به‌منظور ارتقای عدد اکتان بنزین

نوع مقاله : مقاله ترویجی

نویسندگان

1 پژوهشکده توسعه فناوری‌های فراورش و انتقال گاز، پژوهشگاه صنعت نفت، تهران، ایران، کدپستی ۱۴۸۵۷۳۳۱۱۱

2 پژوهشکده محیط‌ زیست و بیوتکنولوژی، پژوهشگاه صنعت نفت، تهران، ایران

3 پژوهشکده توسعه فناوری‌های پالایش و فراورش نفت، پژوهشگاه صنعت نفت، تهران، ایران

چکیده

پس از شناخت تأثیرات سمی و سرطان‌زایی ترکیبات آلی سرب، تولید ترکیبات مانند متیل ترشری بوتیل اتر، به‌عنوان افزودنی برای بنزین‌های هیدروکربنی معمولی، مطرح گردید؛ در نتیجه، توسعه فرایندی جدید برای تولید بنزین با اکتان بالا از ترکیبات پیچیده مقطرهای سبک نفتی، به اجرا درآمد. این روش، مبتنی بر جداسازی آلکان‌های خطی و شاخه‌ای C5-C8 براساس خواص جذبی آنها، طول زنجیره و تعداد شاخه‌ها می‌باشد. در این پژوهش، مدل شبکه عصبی هیبریدی برمبنای داده‌های تجربی موجود در بانک اطلاعاتی، به‌عنوان مدلی جایگزین برای پیش‌بینی میزان جداسازی پارافین‌های خطی و شاخه‌ای توسط فرایند جذب استفاده شده است. دمای جذب، زمان جذب، عدد اکتان و چگالی هیدروکربن‌ها به‌عنوان چهار پارامتر ورودی و همچنین نسبت غلظت پارافین خطی به کل، به‌عنوان پارامتر خروجی شبکه عصبی در نظر گرفته شد. پایگاه داده آزمایشگاهی، مدل شبکه عصبی را با موفقیت تعلیم داد و سپس به کمک داده‌های تست، بررسی کرد. نتایج مدل‌سازی برای داده‌های تست، نشان از موفقیت‌آمیز بودن مدل شبکه‌های عصبی در پیش‌بینی میزان جداسازی پارافین‌های خطی از غیرخطی دارد؛ از این رو مدل شبکه عصبی مصنوعی توسعه داده شده می‌تواند برای تعیین مطمئن C/C0 در فرایند جذب به کار رود. طبق نتایج به‌دست‌آمده برای داده تست، کمترین خطای میانگین مربعات، برابر با ۰/۰۵۱۸ به‌دست آمد که این میزان، رضایت‌بخش است. داده‌های مد‌‌ل‌سازی با داده‌های تجربی مقایسه گردید و ضریب رگرسیون برابر ۰/۹۹ حاکی از تطابق خوب نتایج تجربی و مدل‌سازی می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Hybrid Neural Network-GA Modeling for Separation of Linear and Branched Paraffins by Adsorption Process for Gasoline Octane Number Improvement

نویسندگان [English]

  • Niloufar Fatourehchi 1
  • Zahra Mashayekhi 2
  • Saeed Sadeghpour Galooyak 2
  • Majid Masoumi 3

1 Gas Transportation and Processing Technology Development Division, Research Institute of Petroleum Industry, Tehran, Iran, P.O.Box: 1485733111

2 Environment and Biotechnology Division, Research Institute of Petroleum Industry, Tehran, Iran

3 Petroleum Refining and Processing Technology Development Division, Research Institute of Petroleum Industry, Tehran, Iran

چکیده [English]

After recognizing the toxic and carcinogenic effects of Lead organic compounds, production of compounds such as Methyl tertiary butyl ether as an additive to ordinary hydro carbonate gases was proposed. As a result, development of a new process for producing gas with high octane from complex compounds of light petroleum distillates was initiated. This method is based on separating C5-C8 linear and branched alkanes according to their absorption properties, chain length and the number of branches. In this study, the hybrid neural network model based on experimental data in the database has been used as an alternative model for predicting the separation rate of linear and branched paraffin through absorption process. Absorption temperature, absorption time, hydrocarbons' octane number, and hydrocarbon density are considered as four input parameters, and the ratio of linear paraffin concentration to total as the output parameter of neural network. The neural network model was successfully generalized by experimental database and then was investigated with the help of test data. The results of modeling for the test data indicated the success of neural network model in predicting the rate of linear paraffin separation from non-linear ones. Therefore, the developed neural network model can be used for determining the C/C0 with confidence in absorption process. According the obtained results for test data, the minimum mean squared error is 0/0518, which is a satisfactory measure. The model and experimental data were compared and regression coefficient 0.990 shows good matching between modeling results and experimental results.

کلیدواژه‌ها [English]

  • Gasoline
  • Octane Number
  • genetic algorithm
  • Neural network
  1. Bárcia PS, Silva JAC, Rodrigues AE. (2007), “Multicomponent sorption of hexane isomers in zeolite BETA” American Institute of Chemical Engineers, 53, 1970–1981.
  2. Laredo GC, Meneses E, Castillo J, Marroquín JO, Jiménez-Cruz FJ. (2008), “Adsorption equilibrium and kinetics of branched octane isomers on a polyvinylidene chloride-based carbon molecular sieve” Energy Fuels, 22, 2641–2648.
  3. Laredo GC, Castillo J, Marroquin JO. (2012), “Dual-site Langmuir modeling of the liquid phase adsorption of linear and branched paraffins onto a PVDC carbon molecular sieve” Fuel, 102, 404–413.
  4. Ye Y, Ahn CC, Witham C, Fultz B, Liu J, Rinzler AG, et al. (1999) Hydrogen adsorption and cohesive energy of single-walled carbon nanotubes. Applied Physics, 74, 2307.
  5. Ruthven DM. (1984) “Principles of adsorption and adsorption processes”. Wiley Interscience; USA.
  6. Speight JG. “The chemistry and technology of petroleum” (1991) Marcel Dekker Inc.; USA.
  7. Haykin S. (1999) “Neural networks”. Prentice Hall; USA.
  8. Demuth H, Beale M. (2007) “Neural network toolbox for Matlab, user’s guide” The MathWorks Inc, USA.
  9. Laredo GC, Cano JL, Castillo J, Hernández JA, Marroquín JO (2013) “Octane enhancement by the selective separation of branched and linear paraffins in naphthas using a PVDC-PVC carbon molecular sieve” Fuel, 117, 660–666.
  • تاریخ دریافت: 05 اردیبهشت 1401
  • تاریخ پذیرش: 05 اردیبهشت 1401
  • تاریخ اولین انتشار: 05 اردیبهشت 1401