پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 712 |
| تعداد مقالات | 10,258 |
| تعداد مشاهده مقاله | 72,004,655 |
| تعداد دریافت فایل اصل مقاله | 63,754,987 |
مدلسازی فرآیند جذب کربن دی اکسید توسط محلول هیدروکسی اتیل پیپرازین با استفاده از روش سطح پاسخ و شبکههای عصبی | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 27 اردیبهشت 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.37443.2839 | ||
| نویسندگان | ||
| فاطمه بهمن زادگان؛ احد قائمی* | ||
| مهندسی شیمی، دانشگاه علم و صنعت ایران | ||
| تاریخ دریافت: 30 فروردین 1404، تاریخ بازنگری: 23 دی 1404، تاریخ پذیرش: 02 اسفند 1404 | ||
| چکیده | ||
| در این تحقیق به مدلسازی فرآیند جذب کربن دی اکسید توسط ستون دیواره مرطوب با استفاده از طراحی آزمایش(RSM) و شبکه عصبی ((ANN پراخته شد. متغیرهای ورودی شامل مولالیته حلال مورد استفاده، فشار ورودی گاز کربن دی اکسید، درصد بارگذاری حلال، فشار کل و دبی گاز و پارامتر خروجی، فشار خروجی ستون دیواره مرطوب انتخاب شد. با استفاده از روش سطح پاسخ، خروجی مدنظر ارزیابی، بهینهسازی و سپس از دو شبکه پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) برای پیشبینی آن استفاده شد. در شبکه MLP میزان MSE برای دو لایه پنهان با 3 و 7 نورون برابر با 000003422/0 در 219 دوره بهدست آمد. مقدار R2 برای مدل RSM برابر با 9998/0 با استفاده از مدل Quadratic به دست آمد. برای شبکههای MLP با تابع آموزش Trainbrو RBF نیز مقدار R2 به ترتیب برابر با 99999/0 و 99997/0به دست آمد. نتایج بهدست آمده نشان داد که شبکههای عصبی و مدلRSM میتوانند به طور موثری برای تخمین فشار خروجی ستون دیواره مرطوب استفاده شوند. | ||
| کلیدواژهها | ||
| جذب کربن دی اکسید؛ ستون دیواره مرطوب؛ شبکه عصبی مصنوعی؛ پرسپترون چند لایه؛ توابع پایه شعاعی | ||
| عنوان مقاله [English] | ||
| Modeling of Carbon Dioxide Absorption Using Hydroxyethyl Piperazine Solution: Application of Response Surface Methodology and Artificial Neural Networks | ||
| نویسندگان [English] | ||
| Fatemeh Bahmanzadegan؛ Ahad Ghaemi | ||
| Iran University of Science and Technology | ||
| چکیده [English] | ||
| In this study, the modeling of carbon dioxide (CO2) absorption in a wet wall column were conducted using response surface methodology (RSM) and artificial neural networks (ANN). The input variables included the molality of the absorbent, inlet CO2 pressure, solvent loading (%), total system pressure, and gas flow rate, while the output variable was the outlet pressure of the wet wall column. The RSM approach was first applied to evaluate and optimize the system response, followed by prediction using two neural network architectures: Multi-Layer Perceptron (MLP) and Radial Basis Function (RBF) networks. Based on the outlet pressure, the CO2 flux through the column could be calculated. In the MLP model, a mean squared error (MSE) of 3.2244 × 10⁻6 was achieved using two hidden layers with 3 and 7 neurons over 219 epochs. The R² value obtained from the RSM model using a quadratic function was 0.9998. For the neural networks, the R² values were 0.99999 and 0.99997 for the MLP (with Trainbr training function) and RBF models, respectively. The results demonstrate that both ANN and RSM approaches can effectively predict the outlet pressure of the wet wall column, offering reliable tools for modeling reactive CO2 absorption processes. | ||
| کلیدواژهها [English] | ||
| CO₂ Absorption, Wet Wall Column, Artificial Neural Network, Multilayer Perceptron, Radial Basis Functions | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 125 |
||