بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی
در این مطالعه سولفورزدایی استخراجی دی بنزوتیوفن از نرمالهگزان بهعنوان مدل سوخت با استفاده از 1 و 10- فنانترولین 2 و 9- دی کربوکسامید- کلرید آهن بر پایه کولین کلرید بهعنوان حلال یوتکتیک عمیق سبز، جدید و کارا مورد بررسی قرار گرفت. حلال یوتکتیک عمیق سنتز شده با تکنیکهای اسپکتروسکوپی مادون قرمز (FT-...
Main Authors: | , , , , , , |
---|---|
Format: | Article |
Language: | fas |
Published: |
Research Institute of Petroleum Industry
2018-12-01
|
Series: | Pizhūhish-i Naft |
Subjects: | |
Online Access: | https://pr.ripi.ir/article_922_7d1ec467dca13eb962102685fe8a6498.pdf |
_version_ | 1811215122075484160 |
---|---|
author | محبوبه شیرانی علی اکبری عاطفه نژادکورکی علیرضا گلی بهناز آزمون نوشین شیرانی سعید حبیب الهی |
author_facet | محبوبه شیرانی علی اکبری عاطفه نژادکورکی علیرضا گلی بهناز آزمون نوشین شیرانی سعید حبیب الهی |
author_sort | محبوبه شیرانی |
collection | DOAJ |
description | در این مطالعه سولفورزدایی استخراجی دی بنزوتیوفن از نرمالهگزان بهعنوان مدل سوخت با استفاده از 1 و 10- فنانترولین 2 و 9- دی کربوکسامید- کلرید آهن بر پایه کولین کلرید بهعنوان حلال یوتکتیک عمیق سبز، جدید و کارا مورد بررسی قرار گرفت. حلال یوتکتیک عمیق سنتز شده با تکنیکهای اسپکتروسکوپی مادون قرمز (FT-IR) و رزوناس مغناطیسی هسته هیدروژن و کربن (<sup>1</sup>H NMR, <sup>13</sup>C NMR) مشخصهیابی شد. اثر پارامترهای موثر بر فرآیند شامل نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما، و زمان مورد بررسی قرار گرفتند و در شرایط بهینه برای cc 10 محلول mg/L 500 دی بنزوتیوفن در نرمالهگزان، در نسبت جرمی نمونه سوخت به حلال یوتکتیک 5/33، دمای 25ºC و زمان min 15 ماکزیمم درصد گوگردزدایی 5/0 ± 5/93 بهدست آمد. مدلسازی نتایج تجربی بهدست آمده بهوسیله الگوریتم ژنتیک بر پایه شبکه عصبی مصنوعی پیشبینی و بهینهسازی شدند. با بهکارگیری ژنتیک الگوریتم مقادیر بهینه 4/34، 33ºC/27، و min 99/16 بهترتیب برای نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما و زمان بهدست آمد که بیانگر پتانسیل و توانایی بالای مدل بهکار رفته در بهینهسازی روش پیشنهادی است.<br /> |
first_indexed | 2024-04-12T06:17:08Z |
format | Article |
id | doaj.art-7a3e63e8b14c462eaf79014df3283c5a |
institution | Directory Open Access Journal |
issn | 2345-2900 2383-4528 |
language | fas |
last_indexed | 2024-04-12T06:17:08Z |
publishDate | 2018-12-01 |
publisher | Research Institute of Petroleum Industry |
record_format | Article |
series | Pizhūhish-i Naft |
spelling | doaj.art-7a3e63e8b14c462eaf79014df3283c5a2022-12-22T03:44:27ZfasResearch Institute of Petroleum IndustryPizhūhish-i Naft2345-29002383-45282018-12-012897-514715710.22078/pr.2018.3020.2401922بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبیمحبوبه شیرانی0علی اکبری1عاطفه نژادکورکی2علیرضا گلی3بهناز آزمون4نوشین شیرانی5سعید حبیب الهی6گروه شیمی، دانشکده علوم، دانشگاه جیرفت، ایرانگروه شیمی، دانشکده علوم، دانشگاه جیرفت، ایرانگروه شیمی، دانشکده علوم، دانشگاه جیرفت، ایرانگروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه یزد، ایرانبخش تحقیق و توسعه (R&D)، شرکت سپاهان پتروشیمی، شهرک صنعتی مبارکه، اصفهان، ایرانگروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه آزاد نجف آباد، ایرانگروه شیمی، دانشگاه پیام نور، تهران، ایراندر این مطالعه سولفورزدایی استخراجی دی بنزوتیوفن از نرمالهگزان بهعنوان مدل سوخت با استفاده از 1 و 10- فنانترولین 2 و 9- دی کربوکسامید- کلرید آهن بر پایه کولین کلرید بهعنوان حلال یوتکتیک عمیق سبز، جدید و کارا مورد بررسی قرار گرفت. حلال یوتکتیک عمیق سنتز شده با تکنیکهای اسپکتروسکوپی مادون قرمز (FT-IR) و رزوناس مغناطیسی هسته هیدروژن و کربن (<sup>1</sup>H NMR, <sup>13</sup>C NMR) مشخصهیابی شد. اثر پارامترهای موثر بر فرآیند شامل نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما، و زمان مورد بررسی قرار گرفتند و در شرایط بهینه برای cc 10 محلول mg/L 500 دی بنزوتیوفن در نرمالهگزان، در نسبت جرمی نمونه سوخت به حلال یوتکتیک 5/33، دمای 25ºC و زمان min 15 ماکزیمم درصد گوگردزدایی 5/0 ± 5/93 بهدست آمد. مدلسازی نتایج تجربی بهدست آمده بهوسیله الگوریتم ژنتیک بر پایه شبکه عصبی مصنوعی پیشبینی و بهینهسازی شدند. با بهکارگیری ژنتیک الگوریتم مقادیر بهینه 4/34، 33ºC/27، و min 99/16 بهترتیب برای نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما و زمان بهدست آمد که بیانگر پتانسیل و توانایی بالای مدل بهکار رفته در بهینهسازی روش پیشنهادی است.<br />https://pr.ripi.ir/article_922_7d1ec467dca13eb962102685fe8a6498.pdfسولفورزدایی استخراجیحلال یوتکتیک عمیقبهینهسازیالگوریتم ژنتیک- شبکه عصبیفرآیند سبز |
spellingShingle | محبوبه شیرانی علی اکبری عاطفه نژادکورکی علیرضا گلی بهناز آزمون نوشین شیرانی سعید حبیب الهی بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی Pizhūhish-i Naft سولفورزدایی استخراجی حلال یوتکتیک عمیق بهینهسازی الگوریتم ژنتیک- شبکه عصبی فرآیند سبز |
title | بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی |
title_full | بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی |
title_fullStr | بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی |
title_full_unstemmed | بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی |
title_short | بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک- شبکه عصبی |
title_sort | بهینهسازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک شبکه عصبی |
topic | سولفورزدایی استخراجی حلال یوتکتیک عمیق بهینهسازی الگوریتم ژنتیک- شبکه عصبی فرآیند سبز |
url | https://pr.ripi.ir/article_922_7d1ec467dca13eb962102685fe8a6498.pdf |
work_keys_str_mv | AT mḥbwbhsẖyrạny bhynhsạzygwgrdzdạyyạstkẖrạjynmwnhswkẖtbạyḵḥlạlywtḵtyḵʿmyqjdydsbzbạạstfạdhạzạlgwrytmzẖntyḵsẖbḵhʿṣby AT ʿlyạḵbry bhynhsạzygwgrdzdạyyạstkẖrạjynmwnhswkẖtbạyḵḥlạlywtḵtyḵʿmyqjdydsbzbạạstfạdhạzạlgwrytmzẖntyḵsẖbḵhʿṣby AT ʿạṭfhnzẖạdḵwrḵy bhynhsạzygwgrdzdạyyạstkẖrạjynmwnhswkẖtbạyḵḥlạlywtḵtyḵʿmyqjdydsbzbạạstfạdhạzạlgwrytmzẖntyḵsẖbḵhʿṣby AT ʿlyrḍạgly bhynhsạzygwgrdzdạyyạstkẖrạjynmwnhswkẖtbạyḵḥlạlywtḵtyḵʿmyqjdydsbzbạạstfạdhạzạlgwrytmzẖntyḵsẖbḵhʿṣby AT bhnạzậzmwn bhynhsạzygwgrdzdạyyạstkẖrạjynmwnhswkẖtbạyḵḥlạlywtḵtyḵʿmyqjdydsbzbạạstfạdhạzạlgwrytmzẖntyḵsẖbḵhʿṣby AT nwsẖynsẖyrạny bhynhsạzygwgrdzdạyyạstkẖrạjynmwnhswkẖtbạyḵḥlạlywtḵtyḵʿmyqjdydsbzbạạstfạdhạzạlgwrytmzẖntyḵsẖbḵhʿṣby AT sʿydḥbybạlhy bhynhsạzygwgrdzdạyyạstkẖrạjynmwnhswkẖtbạyḵḥlạlywtḵtyḵʿmyqjdydsbzbạạstfạdhạzạlgwrytmzẖntyḵsẖbḵhʿṣby |