مدلسازی ریاضی و شبکه عصبی انتقال جرم در غشاهای مایع آمین گلایکول برای جداسازی دی اکسید کربن از هوا

هدف این پژوهش، مقایسه عملکرد شبکه عصبی مصنوعی و مدل ریاضی انتقال جرم در پیش بینی غلظت دی اکسید کربن در هوای خروجی از ماژول غشایی ساخته شده با استفاده از غشای مایع گلایکول آمین است. برای حل مسئله با شبکه عصبی از توابع خط فرمان، داده­های مسئله شامل بردارهای ورودی و هدف در فضای کاری نرم افزار مطلب بارگذاری شده و یک شبکه پیش خور با تابع انتقال تانژانت-سیگموئید در لایه­های مخفی و تابع انتقال خطی در لایه خروجی استفاده شد. سپس شبکه آموزش داده شده و از الگوریتم لونبرگ-مارکوارت به عنوان تابع آموزش استفاده شد. در این کار از تعداد 74 داده ورودی شامل فشار هوای ورودی، شدت جریان هوای ورودی و میزان بازیابی دی اکسید کربن در طول فرآیند استفاده شد. داده هدف هم کسر مولی دی اکسید کربن در هوای خروجی بود. داده­های تجربی مورد استفاده در سه بخش به صورت 70 درصد داده­ها برای آموزش، 15 درصد برای اعتبار سنجی و 15 درصد به تست شبکه اختصاص یافت. تعداد نورون­های بهینه لایه مخفی شبکه نیز با استفاده از سعی و خطا محاسبه شده و با 4 نورون در لایه مخفی، بهترین عملکرد شبکه بدست آمد. همچنین با استفاده از بهترین مدل موجود در پیش­بینی انتقال جرم غشاهای مایع، میزان دی اکسید کربن عبوری از غشا مدل­سازی شد که رفتاری نمایی را از خود نشان داد. نتایج حاصل از مدل و شبکه عصبی به صورت جداگانه با نتایج تجربی مقایسه گردید و نشان داده شد که شبکه­های عصبی توانایی بالایی در پیش بینی مقادیر دارند. مقدار R-Value برای مدل ریاضی انتقال جرم برابر با 9839/0 بدست آمد. همچنین، این مقدار برای آموزش شبکه برابر با 9899/0، اعتبار سنجی شبکه 9910/0، تست داده ها 9975/0 و در حالت کلی برابر با 9899/0 شد که نشان دهنده تقریب بسیار خوب داده­های تجربی با نتایج پیش بینی شده توسط شبکه عصبی است.