مدلسازی هیبریدی شبکه عصبی- الگوریتم ژنتیک برای جداسازی پارافینهای خطی و شاخه ای به وسیله فرآیند جذب به منظور ارتقای عدد اکتان بنزین

پس از شناخت اثرات سمی و سرطان زایی ترکیبات آلی سرب، تولید ترکیبات مانند متیل ترشری بوتیل اتر به عنوان افزودنی برای بنزین های هیدروکربنی معمولی مطرح گردید. در نتیجه توسعه فرآیندی جدید برای تولید بنزین با اکتان بالا از ترکیبات پیچیده مقطرهای سبک نفتی به اجرا درآمد. این روش مبتنی بر جداسازی آلکانهای خطی و شاخه ای C5-C8 براساس 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 پارافینهای خطی و شاخهای توسط فرآیند جذب استفاده شده است. دمای جذب، زمان جذب، عدد اکتان و چگالی هیدروکربنها 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 پارافینهای خطی از غیر خطی دارد از این رو مدل شبکه عصبی مصنوعی توسعه داده شده می تواند برای تعیین مطمین C/C0 در فرآیند جذب به کار رود. طبق نتایج به دست آمده برای داده تست، کمترین خطای میانگین مربعات، برابر با 0518/0 بدست آمد. که این میزان رضایت بخش است. داده های مدلسازی با داده های تجربی مقایسه گردید و ضریب رگرسیون برابر 99/0 حاکی از تطابق خوب نتایج تجربی و مدلسازی می باشد