این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
شیمی و مهندسی شیمی ایران، جلد ۳۸، شماره ۱، صفحات ۲۳۱-۲۴۱
عنوان فارسی شبکه عصبی برای جداسازی کربن دی‌اکسید از مخلوط‌های گازی گوناگون با استفاده از هیدرات‌های نیمه گازی در حضور بهبوددهنده‌ها
چکیده فارسی مقاله  انتشار بیش از حد کربن دی‌اکسید از سامانه­ های گوناگون مانند زیست­ گاز (CH4+CO2)، سوخت گازی (H2+CO2) و گازدودکش (N2+CO2)، یکی از دلیل­ های اصلی گرمایش زمین و مشکل­ های زیست‌محیطی می­ باشد. در سال­ های اخیر، فرایند جداسازی برمبنای هیدرات گازی توجه­ های ویژه ­ای را به خود اختصاص داده است. در این کار تلاش شده است یک مدل جامع هوشمند شبکه عصبی، برای پیش­ بینی شرایط تشکیل هیدرات از سامانه­ های گوناگون و در حضور بهبود دهنده­ های متفاوت از خانواده نمک ­های چهار جزیی آمونیوم و فسفنیم به ­منظور جداسازی CO2 از سامانه­ های گوناگون ارایه شود. سرانجام داده­ های آزمایشگاهی با داده­ های پیش ­بینی شده مقایسه شدند،و مدل شبکه عصبی توانایی پیش­بینی شرایط تشکیل هیدرات را با دقت قابل پذیرشی (98/0~R2) دارد. سایر نتیجه­ های آنالیز خطا برای داده­ های آزمون شبکه (24/0MSE = و 19/7MEAE %=) نیز نشان­ دهنده عملکرد قابل پذیرش مدل ارایه شده می­ باشد.
کلیدواژه‌های فارسی مقاله کربن دی‌اکسید، جداسازی برمبنای هیدرات، بهبود دهنده، شبکه عصبی،
عنوان انگلیسی Neural Network to Separate Carbon Dioxide from different Gas Mixtures Using Semi-Clathrate Hydrates in the Presence of Promoters
چکیده انگلیسی مقاله Excessive carbon dioxide (CO2) emission from various systems such as biogas (CH4+CO2), fuel gas (H2+CO2), and flue gas (N2+CO2) is one of the main reasons of global warming and environmental problems. In recent years, special attention devoted to the hydrate based gas separation (HBGS) processes. This study attempts to propose a comprehensive neural network intelligent model, to predict hydrate formation conditions in various systems and in the presence of different promoters of quaternary ammonium and Phosphonium salts to separate CO2 from various systems. Finally, experimental data compared with predicted data, which neural network model has hydrate conditions prediction capability with acceptable accuracy (R2~0.98). Other error analysis results for network training dataset (MSE=0.24 and MEAE%=7.19), indicate the acceptable performance of the proposed model.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله جواد صیاد امین |
گروه مهندسی شیمی، دانشگاه گیلان، رشت، ایران

سعید رفیعی |
گروه مهندسی شیمی، دانشگاه گیلان، رشت، ایران

علیرضا بهادری |
دانشکده محیط زیست، دانشگاه علوم و مهندسی سادرن کراس جنوبی، لیزمور، استرالیا

نشانی اینترنتی http://www.nsmsi.ir/article_31170_74caf3bab5eaab28733c55191548edf0.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/931/article-931-2444543.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات