مدل‌سازی و بهینه‌سازی واحد تولید هیدروژن با شبکه‌ی‌ عصبی مصنوعی و الگوریتم ژنتیک

پژوهش های کاربردی در شیمی

مقاله 1، دوره 7، شماره 4، اسفند 1392، صفحه 5-15   

نوع مقاله: پژوهشی

نویسندگان

ایمان اکبری¹؛ سید محمد قریشی^{* 2}؛ نرجس السادات رضوی³؛ سید مهرداد قریشی⁴؛ مجید وفائی جهان⁵

¹دانشجوی دکترای مهندسی شیمی، دانشکده مهندسی شیمی، دانشگاه صنعتی اصفهان، اصفهان، ایران

²استاد مهندسی شیمی، دانشکده مهندسی شیمی، دانشگاه صنعتی اصفهان، اصفهان، ایران

³کارشناس ارشد مهندسی شیمی، دانشکده مهندسی شیمی، دانشگاه کاشان، کاشان، ایران

⁴دانشجوی کارشناسی ارشد مهندسی نرم افزار، دانشکده مهندسی کامپیوتر، دانشگاه امام رضا، مشهد، ایران

⁵استادیار مهندسی نرم افزار، دانشکده مهندسی کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

چکیده

هدف اصلی این پژوهش، مدل‌سازی واحد صنعتی تولید هیدروژن براساس تبدیل متان با بخار آب با کاربرد شبکه‌ی عصبی مصنوعی است. عامل‌های دبی فراورده و انرژی مصرفی به عنوان عامل‌های خروجی مدل در نظر گرفته شد و دو شبکه‌ی عصبی مجزا برای پیش‌بینی این دو عامل‌ مدنظر قرارگرفت. نتیجه‌های مدل‌سازی با دقت بسیار خوب، خطای متوسط مطلق، خطای متوسط نسبی و خطای احتمالی بین داده‌های واقعی کارخانه و مدل را به ترتیب برابر با 2/14، 1/21 و 2/9 برای شبکه‌ی اول و 0/37، 0/84 و 0/55 برای شبکه‌ی دوم پیش‌بینی کرد. بر اساس تجزیه حساسیت، دمای گاز سنتز خروجی از مبدل، بیشترین تأثیر را بر تولید هیدروژن و دبی جریان گاز اتلافی به عنوان تأثیرگذارترین عامل‌ بر میزان مصرف انرژی واحد شناخته شدند. پس از مدل‌سازی واحد، از الگوریتم ژنتیک به منظور یافتن شرایط عملیاتی بهینه استفاده شد. به این صورت که سود ناخالص به‌دست آمده از فرایند به عنوان تابع هدف مدنظر قرار گرفت و عامل‌های عملیاتی به منظور دست‌یابی به حداکثر سود با استفاده از الگوریتم ژنتیک بهینه شد. نتیجه‌های الگوریتم ژنتیک سود به‌دست آمده از فرایند را 42/56 دلار بر ساعت پیش‌بینی کرد که 25 درصد بیشتر از میانگین سود واحد در شرایط واقعی است.

کلیدواژه‌ها

هیدروژن؛ تبدیل متان با بخار آب؛ مدل‌سازی؛ شبکه‌ی عصبی مصنوعی؛ بهینه‌سازی؛ الگوریتم ژنتیک

مراجع

[1] Barigozzi, G.; Carrara, A.; Perdichizzi, A.; Int. J. Hydrogen Energ, 35, 3499–3508, 2010.
[2] Gambini, M.; Vellini, M.; Int. J. Hydrogen Energ, 30, 593–604, 2005.
[3] Akamatsu, K., Murakami T., Sugawara, T., Kikuchi R., NakaoShlub Sh.; AIChE Journal,57, 1882-1888, 2011.
[4] Eduardo L.G., Oliveira, C.A., Grande A.E,; The Canadian Journal of Chemical Engineering, 87, 945-956, 2009.
[5] Rakass, S.; Oudghiri-Hassani, H.; Rowntree, P.; Abatzoglou, N.; J. Power Sources; 158, 485–96, 2006.
[6] Seo, Y-S.; Shirley, A.; Kolaczkowski, S.T.; J. Power Sources, 108, 213–25, 2002.
[7] Tong, J.; Matsumura, Y.; Catal Today, 111, 147–52, 2006.
[8] Twigg, M.V., Catalyst handbook. Manson, London/PA, 201-218, 1996.
[9] Barigozzi, G.; Carrara, A.; Perdichizzi, A.; Int. J. Hydrogen Energ, 36, 5311–5320, 2011.
[10] McCulloch, W.S; B. Math. BioPhysics, 5, 115-133, 1943.
[11] Rutkowska, D.; Pilinski, M., Rutkowski, L.; Neural networks, genetic algorithms and fuzzy systems, PWN, Warsaw, 67-76, 1996.
[12] Lennoxa1, B.; Rutherforda, P.; Montaguea, G.A.; Haughina, C.; Compt. Chem. Eng. 22, 1573-1579, 1998.
[13] Nascimento, O.; Augusto, C.; Giudici, R.; Guardani, R.; Compt. Chem. Eng. 24, 2303–2314, 2000.
[14] Haykin, S.; Neural Networks: A Comprehensive Foundation. Macmillan, New York, USA, 26-37, 1994.
[15] Rumelhart, D.E.; McClelland, J.L.; Parallel Recognition in Modern computers. In: Processing: Explorations in the Microstructure of Cognition. MIT Press/Bradford Books, Cambridge, USA; 121-134; 1986.
[16] Ghoreishi, S.M.; Komeili, S.; J. Supercrit. Fluid. 50, 183–192, 2009.
[17] Schenker, B.; Agarwal, M.; Compt. Chem. Eng. 20, 175-186, 1996.