شبیه سازی هیدرودینامیک و پیش بینی افت فشار برج scc با استفاده از ساختار rbf شبکه های عصبی مصنوعی

برج های تقطیر سینی دار، از نوع مخروطی چرخان (scc)، یکی از انواع برج های تقطیر می باشند که کاربرد آنها در فرایندهای جداسازی به خصوص در صنایع غذایی رو به افزایش است. تغلیظ و بوگیری از شیر و مایعاتی که دارای ذرات جامد هستند، ساخت پودرهای غذایی مانند کاکائو و قهوه از جمله کاربردهای این دستگاه های جداکننده گاز - مایع می باشند. ساختار هندسی پیچیده، رژیم های جریانی متفاوت و مکانیزم های مختلف انتقال جرم در آنها باعث شده اند که شبیه سازی این برج ها دشوار باشد. از طرف دیگر، شبکه های عصبی مصنوعی در حل مسائلی که تمامی عوامل تأثیرگذار در دسترس نباشند و یا رابطه ای بسیار پیچیده بین داده ها وجود داشته باشد، توانایی بالایی دارند. علاوه بر این، بر خلاف مدل ها و روش های تجربی، دانستن مکانیزم های فیزیکی که در داخل برج اتفاق می افتند برای شبکه های عصبی ضرورتی نداشته و تنها ورودی های شبکه که شامل اطلاعات کافی باشند، لازم هستند. از این رو، هدف از پژوهش حاضر، پیش بینی افت فشار و شبیه سازی هیدرودینامیک برج scc در دو مقیاس آزمایشگاهی و صنعتی با استفاده از ساختار تابع پایه شعاعی (rbf) شبکه های عصبی مصنوعی می باشد. هدف دیگر از انجام این پروژه، مقایسه این ساختار با روش پرسپترون چند لایه (mlp) است. بنابراین، افت فشار و شرایط طغیان برای این نوع برج ها با استفاده از شبکه عصبیrbf با الگوریتم آموزش لونبرگ - مارکوآرت پیش بینی و نتایج آن با داده های تجربی مقایسه شد. نتایج نشان می دهد که میانگین مربعات خطا برای افت فشار 0003/0و متوسط خطای مطلق برای کل داده ها حدود 1% می باشد. همچنین درصد خطا برای تعیین شروع طغیان در مقیاس صنعتی این گونه برج ها از مقدار 20% در مدل تجربی و 10% در ساختار mlp، به میزان 2/0% تقلیل پیدا کرد. با استفاده از نتایج شبیه سازی به نمودار طغیان دست یافته ایم که می تواند بر اساس آن ظرفیت برج را در شرایط عملیاتی مختلف به دست آورد. در نهایت می توان نتیجه گرفت که شبکه عصبی تابع پایه شعاعی با الگوریتم آموزش لونبرگ - مارکوآرت نسبت به ساختار پرسپترون چند لایه، روش بسیار قوی تری برای پیش بینی افت فشار و شرایط طغیان در برج های scc در دو مقیاس آزمایشگاهی و صنعتی می باشد.