چکیده مقاله
با افزایش مصرف سوخت های فسیلی و چالش های ناشی از آن شامل آلودگی محیط زیست، تخریب اکوسیستم و محدودیت منابع، بیودیزل به عنوان جایگزینی پایدار و تجدیدپذیر مورد توجه قرار گرفته است این مقاله مروری به بررسی سیستماتیک کاربرد فناوری های یادگیری ماشین در بهینه سازی فرآیند تولید بیودیزل می پردازد با تحلیل مطالعات معتبر در این حوزه، نقش روش های بهینه سازی شامل روش سطح پاسخ RSM و شبکه عصبی مصنوعی ANN در تولید بیودیزل با استفاده از کاتالیست های ناهمگن مورد ارزیابی قرار گرفته است یافته ها نشان می دهد که کاتالیست های ناهمگن به دلیل قابلیت بازیابی، سازگاری زیستی و کاهش هزینه های تولید سهم بسزایی در بهبود بازده فرآیند دارند همچنین مقایسه روش های مدلسازی حاکی از آن است که اگرچه ANN در پیش بینی پارامترهای کیفیتی از دقت بالاتری برخوردار است، اما RSM در تحلیل روابط علی بین متغیرهای فرآیندی و بهینه سازی چندهدفه عملکرد مطلوبی دارد به کارگیری همزمان این دو روش در کنار استفاده از کاتالیست های پیشرفته می تواند به توسعه پایدار و اقتصادی تولید بیودیزل در مقیاس صنعتی منجر شود
کلیدواژه‌ها
نویسندگان
فرشاد بختی
دانشجوی دکتری؛ گروه مهندسی شیمی دانشکده فنی و مهندسی دانشگاه ایلام، ایلام، ایران
محسن منصوری
دانشیار گروه مهندسی شیمی دانشکده فنی و مهندسی دانشگاه ایلام، ایلام ایران
بصیر ملکی
استادیار؛ گروه مهندسی شیمی دانشگاه صنعتی اسفراین، اسفراین خراسان شمالی، ایران
شیوه ارجاع
�ختی، فرشاد و منصوری، محسن و ملکی، بصیر،1404،مطالعه و بررسی مدل های RSM و ANN در بهینه سازی سنتز بیودیزل با کاتالیست های ناهمگن،هفتمین کنفرانس ملی مهندسی مواد، مهندسی شیمی و ایمنی صنعتی،اسفراین
ارائه‌شده در
مجموعه مقالات هفتمین کنفرانس ملی مهندسی مواد، مهندسی شیمی و ایمنی صنعتی19 آبان 1404 · اسفراین