بخشی از مقاله
چکیده:
فرآیند استخراج با حلال امروزه به عنوان یک عملیات جداگانه بالغ محسوب میشود. استخراج با حلال زمانی به کار میرود که تقطیر عملی نمیباشد، یا بسیار گران تمام میشود. این فرآیند در بسیاری از کاربردهای صنعتی نظیر فرآیند نفتی و پتروشیمی، تولید مواد دارویی، صنایع غذایی، حذف آلودگیها و به ویژه در صنایع هستهای و فرآیندهای هیدرومتالوژی کاربرد دارد. جهت طراحی و شناسایی رفتار دستگاهها و ستونهای استخراج مایع- مایع و همچنین دستیابی به متغیرهای عملیاتی جهت افزایش مقیاس، نیازمند بررسی دقیق مشخصات هیدرودینامیکی و انتقال جرمی دستگاه میباشد.
موجودی فاز پراکنده از پارامترهای کلیدی جهت طراحی ستونهای استخراج میباشد. با توجه به این که دادهها و روابط بسیار محدودی در این زمینه برای ستونهای استخراجی پرهدار به خصوص ستون کوهنی منتشر شده است، لذا در این مقاله به بررسی این پارامتر در ستون کوهنی پرداخته شده است. به این منظور در این مقاله موجودی فاز پراکنده در ستون کوهنی به کمک روشهای هوشمند شبیهسازی شده است.
از تکنیکهای هوشمند شامل شبکه پرسپترون چندلایه، شبکه برپایه توابع شعاعی و ماشین بردار رگرسیونی جهت شبیهسازی استفاده گردید. به منظور طراحی ساختار شبکهها و همچنین آموزش و تست از 93 مجموعه داده تجربی استفاده شده است، که این دادهها از مقالات موجود جمعآوری شده است. معیارهای ارزیابی عملکرد و توقف شبکه شامل %AARE، RMSE و R2 میباشند که برای سه مدل استفاده شده است. مدلها تطبیق خوبی با دادههای تجربی داشتند. مقایسه کلیه مدلها نشان داد که مدل ماشین بردار رگرسیونی با داشتن1/2005، 0/00107 و 0/9998 به ترتیب برای %AARE، RMSE و R2 بهترین مدل میباشد.
-1 مقدمه
فرآیند استخراج مایع-مایع یکی از مهمترین روشهای جداسازی است که در بسیاری از فرآیندهای صنعتی نظیر فرآیندهای نفتی و پتروشیمی، تولید مواد دارویی، صنایع غذایی، حذف آلودگیها و به ویژه در صنایع هستهای و فرآیندهای هیدرومتالوژی کاربرد دارد.
فرایند استخراج مایع- مایع، که به آن استخراج با حلال نیز گفته میشود عبارتست از جدا کردن یک یا چند جزء از اجزاء یک محلول توسط یک مایع که اجزای دیگر محلول را در خود حل نمیکند.
به جزء مایع اصلی در خوراک، حلال گفته میشود. به اجزاء جزئی موجود در محلول، حل شونده گفته میشود. استخراج با حلال وقتی به کار میرود که تقطیر عملی نمیباشد، یا بسیار گران تمام شود. بیشترین کاربرد استخراج با حلال در صنایع نفتی است زیرا در این صنایع، باید بیشتر خوراکهای مایع را برا اساس گونه شیمیایی آنها جدا کرد و جداسازی بر اساس وزن مولکولی یا فشار بخار، کاربرد چندانی ندارد.
دامنه انواع استخراج کنندههای در دسترس برای انجام یک وظیفه مشخص وسیع و همچنین دامنه متغیرها پیچیده میباشد، بنابراین انتخاب یک استخراج کننده مناسب شامل یک تصمیم پیچیده میشود که در غیاب تجربه قبلی با سیستم یکسان و حداقل در مقیاس پایلوت، باید تحت بهترین شرایط ذهنی و با بیشترین دقت صورت گیرد. بررسی رفتار یک دستگاه استخراج و همچنین طراحی و افزایش مقیاس دقیق آن، نیازمند بررسی دقیق مشخصات هیدرودینامیکی و انتقال جرمی دستگاه میباشد.
هدف اصلی در تحقیق حاضر بررسی موجودی فاز پراکنده میباشد، که یکی از مهمترین پارامترها در طراحی ستون استخراجی، تعیین قطر، ارتفاع و مشخصات طغیان و انتقال جرم است. ستون کوهنی که یکی از پرکاربردترین ستونهای استخراجی میباشد، مورد نظر است، که کاربرد گستردهای در استخراج آروماتیکها، ویتامینها، روغنهای نفتی، حذف روی از محلول نیکل-کبالت و ... دارد. به کمک دادههای آزمایشگاهی که برای ستون کوهنی در دسترس میباشد و با استفاده از روشهای هوشمند شامل شبکههای عصبی و بردار ماشین پشتیبان رگرسیونی به شبیهسازی پارامتر هیدرودینامیکی موجودی فاز پراکنده پرداخته میشود.
-2 روش شناسی
-1-2 مشخصات دستگاه و جمع آوری دادهها
به منظور شبیهسازی با شبکههای عصبی نیاز به مجموعه داده داریم، به این منظور از دادههای موجود در مقالات استفاده شده است.[5],[4] ستون مورد نظر برای جمع آوری دادهها از 10 مرحله تشکیل شده و مراحل توسط صفحههای مشبک از همدیگر جدا شدهاند، این صفحات مشبک دارای 35 حفره برای عبور جریان بودند. از تولوئن به عنوان فاز پراکنده استفاده شد که از پایین ستون اسپری میشود، فاز پیوسته نیز آب میباشد که از بالای ستون وارد میشود. جهت اختلاط فازها در این ستون از 10 همزن توربینی شش پرهای با تیغههای عمودی استفاده شده است. خصوصیات فیزیکی سیستم تولوئن و آب در جدول - 1 - آورده شده است.
جدول .1 خصوصیات فیزیکی سیستم مایع مایع مورد استفاده [5] ,[4]
برای اندازه گیری موجودی فاز پراکنده در ستون روشهای متفاوتی وجود دارد از جمله روش جابجایی مکان یا بستن، روش افت فشار و نمونه گیری از ستون که در آزمایشها از روش جابجایی مکان استفاده شده است.
در طی آزمایشها موجود در مقالات تاثیر سرعت اختلاط، دبی فاز پراکنده و دبی فاز پیوسته بر روی موجودی فاز پراکنده مورد بررسی قرار گرفته است. سرعت روتور در دامنه90 تا 270 دور بر دقیقه متغیر میباشد و دبی فاز پراکنده و پیوسته بین 18 تا 42 لیتر بر ساعت میباشد. در هر آزمایش یک پارامتر تغییر کرده و پارامترهای دیگر ثابت میماند تا به این طریق اثرات پارامترها بر روی موجودی فاز پراکنده به دست آید، به این طریق 93 مجموعه داده از مراجع [5] ,[4] جمعآوری شده است که از آنها به عنوان ورودی شبکههای عصبی استفاده شده است.
-2-2 شبکه عصبی مصنوعی
شبکههای عصبی مصنوعی1 جزء دستهای از سیستمهای دینامیکی مدل آزاد هوشمند قرار دارند، که با پردازش روی دادههای تجربی، دانش یا قانون نهفته در ورای دادهها را به ساختار شبکه منتقل میکنند و به همین دلیل به این سیستمها هوشمند میگویند. از دیدگاه ریاضی یک شبکه عصبی به عنوان یک تقریبگر است. توانایی آن در تقریب بین الگوهای یک مسئله باعث میشود تا بتوان مسائل با پیچیدگی زیاد مانند شناسایی الگو، نگاشت غیرخطی، حافظه انجمنی، خودسازماندهی و کنترل را انجام دهد
یکی از مشهورترین شبکههای عصبی که برای ایجاد نگاشتهای غیرخطی به کار میرود، شبکههای عصبی مصنوعی پرسپترون چند لایه - MLP - 2 است. این شبکهها جزء شبکههای عصبی پیشخور میباشند که قادرند با انتخاب مناسب تعداد لایهها و نرونها، یک نگاشت غیرخطی را با دقت دلخواه انجام دهند. پارامترهای قابل تنظیم در این نوع شبکهها وزن اتصالات مابین لایهها است و فرآیند آموزش به معنی یافتن مقادیر مناسب وزنهای اتصالات مابین نرونها است.
متداولترین الگوریتم یادگیری این شبکهی پیش خور، الگوریتم پس انتشار خطا میباشد. در یک ساختار شبکه عصبی، مجموعهای از نرونها دخالت دارند که هر نرون با همه نرونهای لایه بعدی مرتبط است. ارتباط بین لایههای ورودی، پنهان و خروجی توسط وزنها - w - و بایاس - b - که پارامترهای شبکه MLP هستند، برقرار میشود. برای آموزش شبکههای عصبی MLP از الگوریتمهای یادگیری متفاوتی مانند الگوریتم پس انتشار گرادیان توأم مزدوج، الگوریتم کاهش گرادیان، الگوریتم تنظیم بیزین و الگوریتم لونبرگ مارکوآرت استفاده میشود. انتخاب هر الگوریتم بر سرعت یادگیری و دقت شبکه مؤثر است.
شبکههای تابع پایهای شعاعی3 از نوع شبکههای پیشرو همراه با یک لایه میانی هستند که اولین بار توسط برومهد و لاو4 در سال 1998 معرفی شدند. این شبکهها به واسطه آموزش سریع، قابلیت تعمیمبخشی و سادگی، کارایی بالایی دارند. این شبکهها تقریبساز بسیار قدرتمندی هستند که با داشتن تعداد نرونهای کافی در لایه مخفی، قادر به تقریب هر نوع تابع پیوسته با هر درجه از دقت میباشند.
با توجه به برخی مزایای این روش در مقایسه با شبکههای عصبی دیگر از جمله: توانایی تقریب بهتر، زمان یادگیری کوتاهتر، ساختار شبکه سادهتر و گیرنکردن در حداقل محلی، شبکه عصبی RBF کاربرد زیادی به عنوان ابزار مدلسازی در فرآیندهای متنوع مهندسی شیمی پیدا کرده است. این شبکه از سه لایه تشکیل شدهاند، هر لایه شامل تعدادی نرون یا نقطه میباشد، نقاط در لایه ورودی فقط برای ارسال دادهها به لایه پنهان استفاده میشوند و هیچ گونه محاسبهای در نقاط لایه ورودی صورت نمیگیرد. لایه پنهان شامل M نقطه میباشد. هر نرون در لایه پنهان دو پارامتر تنظیم دارد که شامل مرکز و پارامتر عرض یا توسعه، j میباشد.
یکی دیگر از مدلهای هوشمند که عملکرد قابل قبولی در پیشبینی مشخصههای پیچیده و غیرخطی دارد، مدل ماشین بردار پشتیبان5 میباشد که ایده اصلی آن در دهه 1960 توسط وپنیک ریاضیدان روسی مطرح شد.
