بخشی از مقاله
چکیده
زئولیت ها یکی از پرکاربردترین مواد در صنایع پتروشیمی هستند که اکثرا به صورت کاتالیست یا جاذب استفاده می شوند. در این مقاله، زئولیت H-ZSM-5 به روش هیدروترمال در شرایط مختلف سنتز تهیه گردیده است. اندازه کریستال و کریستالینیته زئولیت ها با استفاده از آنالیز XRD محاسبه شدند. با استفاده از نتایج تجربی، شبکه های عصبی مختلفی دارای انواع ساختار، الگوریتم آموزش و توابع انتقال برای تخمین اندازه کریستال و کریستالینیته زئولیت H-ZSM-5 مورد ارزیابی قرار گرفت. دو شبکه عصبی با ساختار - - 5-15 -1 و - 5 -50-1 - به ترتیب بهترین تخمین را برای تخمین اندازه کریستال و کریستالینیته ارائه کردند بطوریکه با نتایج تجربی مطابقت بالایی حاصل شد . - R2=0.96 - برای شبکه های بهینه، الگوریتم آموزش Levenberg-Marquardt بوده است توابع انتقال مناسب برای تخمین اندازه کریستال و کریستالینیه به ترتیب TS-PL و LS-PL بدست آمد. نتایج نشانگر پتانسیل بالای شبکه عصبی در زمینه تخمین خصوصیات زئولیت های سنتزی می باشد که می تواند منجر به کاهش هزینه و زمان در تهیه زئولیت مناسب گردد.
کلمات کلیدی:زئولیت، شبکه عصبی، مدلسازی، اندازه کریستال، کریستالینیته، ZSM-5
-1مقدمه
پر واضح است که به منظور انتقال مطلوب دانش فنی یک فرآیند از مقیاس آزمایشگاهی به مقیاس صنعتی، کسب اطلاعات لازم از ماهیت واکنش ها و اثر پارامترهای مختلف بر محصولات فرآیند ضروری است. از آنجا که مدلسازی ریاضی فرآیندهای صنایع پتروشیمی بسیار زمان بر و پر هزینه می باشد، همواره دستیابی به یک روش مدلسازی مطلوب مورد توجه بوده است. در بین روشهای نوین مدلسازی، مدلسازی شبکه عصبی بدلیل مزایایی نظیر هزینه کم و قابلیت تخمین نتایج در شرایط مختلف فرآیند بسیار مورد توجه می باشد. در واقع شبکه عصبی با استفاده از داده های تجربی و برقراری رابطه بین آنها، مدلی را جهت تخمین نتایج ایجاد می کند.
به عبارت دیگر، شبکه عصبی - ANN - یک ساختار ریاضی را ایجاد می کند که می تواند خروجی ها را براساس ورودی های تجربی پیش بینی کند. شبکه عصبی یک روش غیرخطی مدلسازی داده ها می باشد که شامل یکسری روابط ریاضی تو در تو می باشد.[1] به منظور ایجاد یک شبکه عصبی، ابتدا بایستی شبکه طراحی شده، با استفاده از داده های تجربی به اصطلاح آموزش داده شود. در واقع آموزش شبکه عصبی، روابط غیرخطی بین ورودی ها و خروجی ها را تنظیم می کند. در گام بعد می توان شبکه عصبی آموزش داده شده را جهت پیش بینی خروجی مورد نظر استفاده کرد. ساختار شبکه عصبی، الگوریتم های آموزش و توابع انتقالی بر عملکرد شبکه عصبی تاثیر می گذارند.
زئولیت ها آلومینو سیلیکات های کریستالی متخلخل هیدراته هستند که کاربردهای متنوعی دارند .[2 ,1] نسبت مولی واکنش دهنده ها، دمای واکنش و زمان سنتز زئولیت، سه پارامتر موثر در تعیین نوع زئولیت حاصله، اندازه کریستال ها و کریستالینیته آن هستند.[4 ,3] در این مقاله، انواع زئولیت های HZSM-5در شرایط مختلف نسبت Si/Al، دمای سنتز و زمان سنتز تهیه گردید و با استفاده از آنالیز XRD، داده های اندازه کریستال و کریستالینیته زئولیت ها استخراج گردید. براساس داده های تجربی، دو شبکه عصبی با دقت بالا برای تخمین اندازه کریستال و کریستالینیته زئولیت HZSM-5 توسعه داده شد.
-2مواد و روش ها
-1-2تهیه کاتالیست
تمامی زئولیت های H-ZSM-5 به روش هیدروترمال سنتز گردیدند. جزئیات روش سنتز اجرا شده در مراجع آمده است.[5]
-2-2شبکه عصبی
شبکه های ع صبی نوعی ساختاری برپایه ریا ضی بوجود می آورد که می تواند برا ساس داده های تجربی ورودی، داده های خروجی را پیش بینی کند. شبکه های عصبی روشی برای مدل سازی داده های غیرخطی می باشد که شامل مجموعه ای از پردازشگرهای سیگنال آنالوگ به هم پیوسته هستند. آموزش شبکه، ارتباط غیرخطی بین داده های ورودی و خروجی را بهینه می کند. شبکه feedforward از دسته دوم شبکه های عصبی می باشد. در این شبکه سیگنال ها در یک جهت فرستاده می شوند و هیچ حلقه ای وجود ندارد. تابع خطا تفاوت بین داده های هدف و داده های پیش بینی شده را ارزیابی می کند. ما برای ارزیابی کارایی شبکه های عصبی از معادلات RMSE استفاده می کنیم:
-3-2مجموعه داده ها
شبیه در استفاده از شبکه های عصبی، برای انجام فرآیند آموزش شبکه، داده ها را نرمالیز می کنیم . در حقیقت نرمالیز کردن داده های ورودی، تاثیر داده های خارج از محدوده را حذف می کند و هر داده ی ورودی به یک اندازه بر روی شبکه تاثیر می گذارد.در رابطه فوق، GL داده ی نرمالیز شده، di داده ی اصلی، dmax و dmin به ترتیب بیشترین و کمترین داده می باشند. و نیز دو عدد ثابت مثبت هستند که حد بالا و پایین داده های نرمالیز شده هستند که در مطالعه ی ما و به ترتیب 0,9 و0,1 می باشند. پس در نتیجه داده های نرمالیز ورودی و خروجی باید در محدوده ی 0,9]،[0,1 قرار گیرد. %75 از داده ها در آموزش شبکه استفاده می شود و % 25 داده ها پس از آموزش برای آزمایش درستی مدل استفاده می شود . پس از اینکه داده ها نرمالیز شدند، به صورت تصادفی 32 داده تحت آموزش قرار می گیرد و 10 داده ی باقیمانده نیز برای آزمایش شبکه در مرحله آخر استفاده می گردد.
-3بحث و نتیجه گیری
پیش بینی اندازه کریستال و کریستالیسیته نسبی زئولیت با استفاده از شبکه های عصبی با روش feedforward پس انتشار - FFBP - انجام شد. با آزمایشهای مختلفی به صورت سعی و خطا با در نظر گرفتن تعداد لایه های مخفی و رشته های عصبی، نتایجی حاصل شد که در جدول های 1و2 در زیر آورده شده است. لازم به ذکر است که نتیجه ی بهینه در جداول به صورت پررنگ مشخص شده است.همانگونه که در جدول1 مشاهده می شود، جهت تعیین اندازه کریستال، ساختار شبکه ای - 5 -15-1 - با یک لایه ی مخفی و دارای توابع انتقال TS-PL بهترین نتیجه را حاصل کرد. علاوه بر این، شبکه ی عصبی ایجاد شده برای اندازه کریستال با داده های تجربی مقایسه گردید که با میزان انطباق بالا - R2=0.96 - نتیجه ی قابل قبولی حاصل شد.
