عنوان

طراحی کاتالیست های مورد استفاده در فرایند ‮‭MTO‬برپایه الکهای ملکولی اصلاح شده با عناصر فلزی بر مبنای روشهای هوشمند

Number

‭۴۷۹۶پ‬

.Language of Text, Soundtrack etc

per

Title Proper

طراحی کاتالیست های مورد استفاده در فرایند ‮‭MTO‬برپایه الکهای ملکولی اصلاح شده با عناصر فلزی بر مبنای روشهای هوشمند

First Statement of Responsibility

/میناکرمی خسروشاهی

Name of Publisher, Distributor, etc.

تبریز: دانشگاه‌تبریز، دانشکده‌شیمی ، گروه کاربردی

Specific Material Designation and Extent of Item

‮‭۹۹‬ص‬

Text of Note

چاپی

Text of Note

فاقد اطلاعات کامل

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

شیمی کاربردی

Date of degree

‮‭۱۳۸۹/۱۱/۲۵‬

Body granting the degree

تبریز: دانشگاه‌تبریز، دانشکده‌شیمی ، گروه کاربردی

Text of Note

کاتالیز پدیده ای بسیار پیچیده است و عملکرد کاتالیست ممکن است تحت تاثیر تعداد زیادی فاکتور قرار بگیرد .طراحی یک کاتالیست با عملکرد بالا با استفاده از روش های سنتی کاری وقت گیر و هزینه بر است .با توسعه تکنولوژی اطلاعات و تئوری های ریاضی، طراحی کاتالیست ها به کمک کامپیوتر یکی از روش های جایگزین و موثر می باشد .شبکه عصبی والگوریتم های ژنتیکی از لحاظ درک آسان و ساختار انعطاف پذیر برای این مورد مناسب به نظر می رسند .بطوریکه در چند سال اخیر به میزان زیادی از آن در طراحی کاتالیست برای سیستم های مختلف استفاده شده است‌در این کار پژوهشی، مدلسازی و بهینه سازی فرایند تبدیل متانول به اولفین ها انجام پذیرفت .بدین منظور در ابتدا عوامل موثر در فرایند کاتالیستی تبدیل متانول به اولفین ‮‭(MTO)‬ بررسی شدند و درصد وزنی فلز افزوده شده به ساختار کاتالیست، دمای کلسیناسیون کاتالیست، زمان کلسیناسیون کاتالیست و دمای انجام واکنش بعنوان متغییرهای طراحی کاتالیست انتخاب گردیدند .سپس با استفاده از روش پاسخ رویه، محدوده مناسب برای این متغییرها تعیین گردید .در ادامه کاتالیست های آزمایشی طراحی، تهیه و تست شدند .در آخر با استفاده از داده های آزمایش جمع آوری شده، مدلسازی و بهینه سازی فرایند توسط شبکه عصبی و ژنتیک الگوریتم انجام گرفت .مدلسازی و بهینه سازی داده های آزمایشی، کاتالیست‮‭۳۴-SAPO- Co‬ص‍ را بعنوان کاتالیست بهینه با بیشترین انتخاب پذیری معرفی کرد .کاتالیست بهینه پیشنهادی تهیه و در سامانه آزمایشی تست گردید .همخوانی بالا میان انتخاب پذیری پیشنهادی توسط مدل و انتخاب پذیری تجربی بدست آمده، بیانگر توانایی بالای مدل بدست آمده است

Text of Note

‮‭It is important to choose a catalyst for a chemical reaction, but it is difficult to design a high-efficient catalyst by the tradition method which is based on reaction mechanism to decide the main components of catalyst and performance of some experiments to find the best catalyst. It is obvious that there are many disadvantages in using this method. Firstly, one may spend much time and money to do many experiments; secondly, if the mechanism of the chemical reaction is not clear, the best catalyst could not be found; finally the optimum catalyst found by this method may not be the best catalyst. So it is important to find a more effective method for design of catalyst. With developing of information technology and mathematics theory, design of catalyst by computer has become an effective method. Recently, artificial neural network and Genetic algorithm are widely applied for designing catalysts.In the present work we designed catalyst for MTO reaction with intelligent methods. Loaded metals weigh percent, calcination time, calcination temperature and reaction temperature used as reaction parameters. The parameters limits, determined by using response surface methodology. We prepared and tested designed catalysts. Data base modeled and optimized with artificial neural netwok(ANN) and genetic algorithm(GA) respectively. The model proposed Co-SAPO-۳۴ as an optimized catalyst. By comparing the predicted value of the selectivity with the experimental data it is demonstrated that the combined GA-ANN algorithm is a useful method to find the optimal conditions for the catalyst‬

SAPO-34, MTO

Catalyst design

Molecular sieve

Artificial neural network

Modeling

Genetic algorithm

کرمی خسروشاهی، مینا

سالاری،داریوش، استاد راهنما

نیایی،علیقلی، استاد راهنما

خاتمیان، معصومه، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی