شبیه سازی داده های آزمایشگاهی مربوط به جذب دی اکسید کربن از هوا با شبکه های عصبی مصنوعی

اگرچه اخیرا روش های نوینی مانند جذب سطحی و استفاده از غشاء های گوناگون برای جداکردن سولفید هیدروژن و دی اکسید کربن از گاز طبیعی در مقیاس آزمایشگاهی ارائه گردیده اند، لیکن هنوز استفاده از روش های جذب مبتنی بر استفاده از حلال به دلیل سهولت کاربرد و شرایط عملیاتی مناسب از اهمیت کاربردی خاصی برخوردار می باشد. علاوه بر این، روش مذکور می تواند برای محدوده وسیعی از دبی گاز ها و غلظت ناخالصی ها در گاز ورودی به فرآیند استفاده شود. در صورتی که روش هایی مانند جذب سطحی معمولا برای غلظت های پایین ناخالصی در گاز ورودی مناسب بوده و سیستم های غشایی نیز به دلیل محدودیت های موجود در انتخاب پذیری آنها، عموما قادر به تصفیه گاز تا حد مجاز مورد نظر (مثلا ppm4 برای سولفید هیدروژن) نمی باشند. علیرغم کاربرد زیاد برج های سینی دار در فرآیند شیرین سازی گاز طبیعی، استفاده از برج های آکنده نیز به دلیل مزایای عملیاتی مختلف مانند سطح انتقال جرم بسیار وسیع و افت فشار ناچیز آنها روز به روز گسترش بیشتری در صنایع نفت و گاز می یابد. ضمنا به دلیل وقوع روزافزون پدیده گلخانه ای (global warming)، جداسازی دی اکسید کربن از هوا نقش مهم تری در صیانت از محیط زیست ایفا می نماید. در این پایان نامه، ضمن راه اندازی وکالیبراسیون دقیق یک سیستم جذب آکنده از حلقه های راشیگ برای جداسازی دی اکسید کربن از هوا، نسبت به بررسی هیدرولیکی و انتقال جرمی برج مربوطه اقدام گردید. در این راستا از حلال های مختلفی مانند محلول های dea، mdea و سود استفاده شد و اطلاعات جامعی در خصوص راندمان جذب برای هر یک از حلال های مذکور در دبی ها و غلظت های گوناگون فازهای گاز و مایع بدست آمد. در مرحله بعد نسبت به بررسی مقایسه عملکرد نرم افزارهای شبیه سازی hysys و aspen با اطلاعات تجربی بدست آمده در آزمایشات، اقدام شد که مطالعات انجام شده مبین عملکرد بسیار مشابه و نه چندان مطلوب هر دو نرم افزار مذکور جهت پیش بینی فرآیندهای مورد نظر بود. در قسمت آخر پروژه نیز از شبکه های عصبی مصنوعی rbf و mlp برای مدلسازی فرآیند جذب آکنده استفاده گردید. اگرچه هر دو شبکه مذکور به مراتب بهتر از نرم افزارهای شبیه سازی قبلی (hysys و aspen ) در پیش بینی شرایط جذب عمل نمودند، لیکن شبکه های عصبی از نوع rbf به دلیل دارا بودن مبانی علمی مستحکمتر و همچنین قابلیت فیلتر نمودن نویز، از عملکرد مناسب تری برخوردار بودند. لازم به تذکر است که برای بهینه سازی کامل شبکه های rbf در این پروژه، از روش های پیشرفته ای برای انتخاب مقادیر مناسب پارامتر رگولاریزاسیون و گستردگی توابع مبنای گاوسین استفاده گردید.