مدل سازی آبزدایی از ترکیبات آلی با استفاده از غشاهای پلیمری به کمک شبکه عصبی مصنوعی

این مطالعه به بررسی میزان جداسازی آب و الکل توسط فرآیند تراوش تبخیری و با استفاده از غشاهای پلیمری و به کمک مدل سازی با استفاده از شبکه عصبی مصنوعی پرداخته است. فرآیند تراوش تبخیری برای جداسازی بسیاری از مایعات (در این مطالعه برای جداسازی اتانول، استون، بوتانول از آب) کاربرد دارد، که تمام این الکل ها مشکلات تخلیص دارند که این به علت آزئوتروپی است که با آب ایجاد می کنند. میزان دیتای تجربی با دیتایی که از مدل به دست آمد مقایسه و تحلیل شد. در این مطالعه اثر پارامترهای (دبی حجمی و دما) و خصوصیات خوراک (فاکتور جداسازی و فلاکس) بر کارایی فرآیند آبزدایی مورد بررسی قرار گرفته است و از شبکه عصبی پرسپترون چند لایه پیشخور با الگوریتم آموزش پس انتشار خطا و تابع آموزش لونبرگ مارکوارت(trainlm)  با 9 ورودی و 9 خروجی استفاده شد. از تابع فعال سازی tansig برای لایه پنهان و purelin برای لایه خروجی استفاده شد و تعداد 5 نورون برای لایه پنهان تعیین شد. بعد از پردازش داده ها 20 درصد آن ها برای آموزش، 15 درصد برای اعتبارسنجی و 15 درصد مابقی برای آزمایش قرار داده شدند. نتایج حاصل از این مطالعه با استفاده از این روش دقت مناسبی را نشان می دهد و نمودار درصد خطای مقدار واقعی خروجی های فاکتور جداسازی و فلاکس را با مقدار مدل سازی توسط غشاهای مربوطه برای عملکرد تراوش تبخیری برای جداسازی آب از اتانول، استون و بوتانول محاسبه گردید و نمودار آن رسم شد.