مدل سازی دانه کاتالیستی در فرآیند gtl

در این پایان نامه، مدل سازی دانه کاتالیست در سنتز فیشر تروپش (fts)، که قلب فرآیند تبدیل گاز به مایع (gtl) می باشد، اگر چه تحقیقات بسیاری در زمینه گسترش راکتورهای بستر ثابت بر پایه تکنولوژی فیشر-تروپش صورت پذیرفته است. اطلاعات درباره توصیف واکنش پذیری و گزینش پذیری در قسمت دانه ناکافی و یا حتی کمیاب می باشد. این اطلاعات به علت پیچیدگی ذاتی سیستم fts اهمیت حیاتی برای مقیاس رآکتور و توسعه کاتالیست دارند. به علت نفوذ مواد به درون دانه های کاتالیستی متخلخل و به علت انجام واکنش ها در قسمت های فعال کاتالیست، گرادیان و مقاومت های بالای جرم و دما بوجود می آیند. در اثر این گرادیان های غلظت و دما واکنش ها در سرعت های مختلفی، بسته به وضعیت مکان ماده فعال کاتالیست در طول پایه متخلخل، اتفاق می افتند. آز آن جا کاه ماده کاتالیستی اغلب گرانترین جزء ساختار کاتالیست پایه دار است، چگونگی و انواع توزیع آن در طول پایه و اثر آن در مدل سازی دانه به منظور یافتن عملکرد بهینه کاتالیست، در این تحقیق مورد مطالعه قرار گرفته است. تابع توزیع غیر یکنواخت ماده فعال به شکل پیوسته و یا پله ای است که در هر دو حالت ماده فعال، نزدیک به سطح دانه، یا در میانه دانه و یا نزدیک به مرکز دانه می تواند قرار گیرد. در نهایت، با انجام یک آنالیز حساسیت، اثر پارامترهای مختلف مانند دما و فشار توده سیال، نسبت h2 به co، اندازه و شکل دانه، و انواع مختلف توزیع فعالیت بر روی بهره بنزین تولید شده، مشخص گردید که با انتخاب تابع توزیع فعالیت به شکل لایه ای در مرکز دانه، بیشترین مقدار بهره بنزین تولیدی بر حسب مشخصات فیزیکی دانه کاتالیست، پارامترهای مهم عملیاتی اشاره شده در بالا و انواع توزیع غیر یکنواخت ماده فعال، ابتدا طراحی آزمایش برای 500 ترکیب مختلف از عوامل موثر فوق الذکر انجام شد. به وسیله جعبه ابزار mbc (calibration model-based) در نرم افزار matlab انواع مختلف مدل ها جهت به وجود آوردن یک رابطه بین بهره بنزین و تمام عوامل موثر بر روی آن برازش شدند.سپس انتخاب بهترین مدل به وسیله مقایسه چندین معیار مختلف آماری صورت گرفت و طبق نتایج حاصه،بهترین مدل یک شبکه عصبی با 15 گره در دو لایه پنهان تعیین شد. در آخر با تعریف یک مسئله بهینه سازی برای مدل کلی به دست آمده، با به کاربردن دو الگوریتم استاندارد sqp و gps، حد اکثر مقدار بهره بنزین، در شرایطی مشابه برای هر دو الگوریتم، 24/4% پیش بینی شد.