چکیده:
هدف این مطالعه، تخمین نفت زیستی حاصل از فرایند پیرولیز مواد زائد بر حسب رطوبت، کربن ثابت، مواد فرار و خاکستر است. از نتایج آزمایشگاهی 41 مطالعه مختلف برای مدل سازی استفاده شد. از مدل شبکه عصبی به عنوان یک ابزار سیاستگذاری در ارزیابی و پیشبینی مقدار درصد نفت زیستی حاصل از مواد زائد طی فرایند پیرولیز استفاده شد. مقادیر بهینه پارامترهای شبکه عصبی به روش آماری تخمین زده شد. نتایج مقایسات در دو شبکه عصبی پرسپترون چند لایه و شبکه عصبی تابع شعاعی نشان داد که شبکه عصبی تابع شعاعی دارای توانایی بیشتری در تخمین نفت زیستی میباشد. مقدار ضریب تبیین بین درصد نفت زیستی برآورد شده توسط شبکه عصبی تابع شعاعی و مقدار آزمایشگاهی آنها برابر با 99/0 شد. نتایج ارزیابی شبکه عصبی نشان داد که آن را میتوان به عنوان یک ابزار در برآورد درصد تولید نفت زیستی به کار برد و از آن در تصمیمگیریهای مدیریتی تولید نفت زیستی بهره برد.
The purpose of this study is to estimate the bio-oil from the pyrolysis process of waste products in terms of moisture, constant carbon, volatile matter and ash. The results of 41 different studies were used to modeling. We use the neural network model as a policy tool in the evaluation and prediction bio-oil from the pyrolysis process of waste products. Statistical method was used to determine the optimal values of the neural network parameters. The results of comparisons between two Multi- Layer Perceptron (MLP) and Radial Basis Function (RBF) neural networks showed that the RBF has a high ability to estimate the bio-oil. The value of correlation coefficient between experimental and predicted bio-oil by RBF was equal to 0.99. The neural network evaluation results showed that it can be used as a tool to estimate the production of bio-oil and it has been used in bio-oil production management decisions.
خلاصه ماشینی:
در اين پژوهش از مدل شبکه عصبي پرسپترون چند لايه (MLP) نيز به عنوان يک جايگزين ديگر براي تخمين درصد نفت زيستي بر حسب ويژگيهاي مواد زائد استفاده شد.
الگوريتم هاي آموزش مورد استفاده در شبکه هاي عصبي RBF و MLP (رجوع شود به تصویر صفحه) مأخذ: نتايج تحقيق براي ارزيابي عملکرد شبکه عصبي در مرحله آمـوزش و تسـت از معيارهـاي RMSE،MAPE و ضريب همبستگي بين مقادير آزمايشگاهي و پيش بيني شده (R٢) استفاده شد.
همبستگي بين عناصر تشکيل دهنده مواد زائد و نفت زيستي (رجوع شود به تصویر صفحه) **,* به ترتيب معني داري در سطح يک و پنج درصد مأخذ: نتايج تحقيق ٣-٢ بهينه يابي پارامترهاي شبکه عصبي RBF پارامتر گستردگي و توپولوژي، دو عامل مهم در عملکرد تخميني مدل RBF هسـتند.
متوسط و انحراف معيار عملکرد شبکه هاي عصبي RBF و MLP (رجوع شود به تصویر صفحه) مأخذ: نتايج تحقيق در جدول ٧، مقادير ميـانگين ، واريـانس ، چـولگي و کشـيدگي دو مجموعـه داده آزمايشـگاهي و پيش بيني شده نفت زيستي توسط مدل RBF آورده شده اسـت .
نتايج تحليل حساسيت عناصر تشکيل دهنده مواد زائد در توليد نفت زيستي به کمک مدل RBF (رجوع شود به تصویر صفحه) ٤.
نتايج ارزيابي شبکه هاي عصبي نشان داد که مدل RBF را ميتوان با اطمينان در تخمين درصد نفت زيستي به کار برد.
نتايج تحليل حساسيت مدل RBF نيز نشان داد که به ترتيب کربن ثابت ، رطوبت ، خاکسـتر و مواد فرار بيشترين تأثير بر مقدار درصد نفت زيسـتي حاصـل از پيروليـز مـواد زائـد دارد.