使用机器学习模型优化压力摆动吸附在三层床用于净化
Nannan Zhang1,2, Sumeng Hu3,4, Qianqian Xin5
1School of Mechanical Engineering, North China University of Water Resources and Electric Power, Zhengzhou, 450045, China. zhangnannan@ncwu.edu.cn.
Scientific reports
|April 24, 2025
概括
一种新的吸附剂,UTSA-16,与活性炭和化物5A在三层床中结合,实现了99.99%的纯度. 一个机器学习模型 (BPNN-GA) 优化了压力摆动吸附 (PSA) 周期,以提高的生产.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 材料科学 材料科学 材料科学
- 计算化学计算化学
背景情况:
- 净化对于各种工业应用至关重要,包括蒸汽甲改制 (SMR).
- 传统吸附剂在从SMR废气中获得的高纯度和回收率方面存在局限性.
- 优化压力摆动吸附 (PSA) 循环对于高效的生产至关重要.
研究的目的:
- 开发和评估一种新的三层吸附床,用于从SMR废气中净化.
- 用PSA循环建模研究不同吸附剂组合的性能.
- 使用机器学习优化PSA操作参数,以提高气生产.
主要方法:
- 一个三层吸附剂床是使用UTSA-16,活性炭和烯酸5A.设计的.
- 吸附等温和和突破曲线被模拟和验证为SMR外气.
- 开发了压力摆动吸附 (PSA) 循环模型来分析净化性能.
- 基因算法 (GA) 用于优化反向传播神经网络 (BPNN-GA) 以预测生产.
主要成果:
- 使用UTSA-16的三层床实现了99.99%的纯度,回收率为62.08%,生产率为7.2209mol/kg·h.
- 与BPNN模型 (误差为0.0513) 相比,BPNN-GA模型显示出更高的预测准确性 (误差为0.0173).
- BPNN-GA模型显示了与阿斯模型目标的高相关系数 (R ≈ 1),表明了出色的性能.
结论:
- 这种新型的三层吸附剂床有效地从SMR废气中净化.
- BPNN-GA模型提供了一个精确和准确的方法来优化PSA运行参数.
- 这种方法可以有效地确定最大限度地提高的生产和纯度的最佳条件.
更多相关视频
09:46Adsorption Device Based on a Langatate Crystal Microbalance for High Temperature High Pressure Gas Adsorption in Zeolite H-ZSM-5
Published on: August 25, 2016
11.5K
11:28Biomass Conversion to Produce Hydrocarbon Liquid Fuel Via Hot-vapor Filtered Fast Pyrolysis and Catalytic Hydrotreating
Published on: December 25, 2016
26.3K
