عنوان پایان‌نامه
مدلسازی انحلال پذیری کربی دی اکسید در محلول های یونی با استفاده از روش QSPR
- رشته تحصیلی
- مهندسی شیمی – فرآوری و انتقال گاز
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1630.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69934
- تاریخ دفاع
- ۰۸ بهمن ۱۳۹۳
- دانشجو
- ایلیاد مهرآئین
- استاد راهنما
- سیاوش ریاحی
- چکیده
- پدیده گرمایش جهانی یکی از نگرانی¬های بین المللی است که عموما بر اثر افزایش غلظت دی¬ اکسید کربن و دیگر گازهای گلخانه ای در اتمسفر زمین، بوجود می¬آید. بسیاری از تکنولوژی¬ها، روش¬های متفاوتی را برای کاهش انتشار دی اکسید کربن ارائه داده¬اند، که از میان آن¬ها فرآیند جذب شیمیایی گاز-مایع یکی از کارآمدترین روش¬ها است. حلال¬های آمین که هم¬اکنون بیشترین کاربرد را در صنعت دارند، معایبی نظیر انتقال آب به گاز در فرآیند دفع، تجزیه حرارتی آمین و مصرف انرژی بالا در فرآیند احیای آمین که باعث بالا رفتن هزینه عملیاتی می شود، را دارا هستند. محلول¬های یونی یکی از حلال¬های نوینی هستند که این معایب را برطرف می¬سازد. به¬دلیل گران قیمت بودن محلول¬های یونی و هم¬چنین زمان¬بر بودن مطالعه¬های آزمایشگاهی، لزوم پژوهش¬های گسترده¬تری در زمینه¬های مدل¬سازی برای شناسایی متغیرهای موثر بر میزان ظرفیت جذب این محلول¬ها احساس می-گردد. بسیاری از پژوهش¬ها در این زمینه، وجود ارتباط بین ساختار و ظرفیت محلول¬های یونی برای جذب دی اکسید کربن را اثبات کرده است. یکی از این روش‌های مدلسازی که در نهایت ویژگی¬های ساختاری محلول¬های یونی را به ظرفیت آنها برای جذب دی اکسید کربن ارتباط می¬دهد، روش مطالعه کمّی ساختار - ویژگی است. به همین منظور، در این مطالعه یک دیدگاه تازه بر اساس تلفیقی از الگوریتم ژنتیک و ماشین-های بردار پشتیبان برای ساخت یک مدل غیرخطی کمی ساختار - ویژگی برای پیش¬بینی انحلال-پذیری دی ¬اکسید کربن در محلول¬های یونی با استفاده از 21 محلول یونی و 3 توصیفگر مورد استفاده قرار گرفت. مقادیر حلالیت دی اکسید کربن در این محلول¬ها در بازه 05/0 تا 32/0 بوده است. از ماشین بردار پشتیبان به منظور ایجاد مدل و از الگوریتم ژنتیک برای انتخاب مؤثرترین توصیفگرها استفاده گردید. 3 توصیفگری که از روی ساختار مواد به دست آمده و به عنوان متغیرهای ورودی به مدل QSPR در نظر گرفته شد. نتیجه¬های قابل قبول مدل غیر خطی گزارش داده شده¬اند: مقدار مربع ضریب همبستگی 966/0 و مقدار ریشه میانگین مجذور خطا 0143/0 می¬باشد. به منظور مقایسه روش رگرسیون خطی چندگانه نیز مورد استفاده قرار گرفت. نتیجه¬ها برای این مدل خطی بدین شرح می¬باشد: مقدار مربع ضریب همبستگی 797/0 و مقدار ریشه میانگین مجذور خطا 0348/0 می¬باشد. این نتایج قدرت بالای SVM نسبت به مدل MLR در پیش¬بینی میزان انحلال¬پذیری دی اکسید کربن در محلول¬های یونی را نشان می دهد.
- Abstract
- Global warming is a worldwide concern which mostly caused by growing concentrations of CO2 and other greenhouse gases in the atmosphere. Many novel technologies offer different methods to decline carbon dioxide emission to the atmosphere, which liquid-gas absorption is one of the best known methods among them. Amine solvents have some disadvantages such as water transfer into the gas in desorption process, amine degradation and high energy consumption in regeneration tower, which will cause the augmentation of operational costs. Ionic liquids are one of the novel solvents which eliminate these kinds of disadvantages. Due to the costly nature of ionic liquids and time consuming procedure of laboratory researches, it would be crucial to investigate on the parameters which effect the absorption capacity of these types of solvents. Many studies on this field demonstrate the relationship between the structure and the CO2 absorption capacity of ILs. One of the modelling approaches for stating this relationship is Quantitative Structure-Property Relationship (QSPR). Hence, a novel approach based on the combination of genetic algorithm-multi linear regression (GA-MLR) and least-squares support vector machine (LSSVM) was used to build a nonlinear quantitative-structure-property relationship (QSPR) model for the prediction of the CO2 solubility in ionic liquids for 21 samples using three descriptors calculated from the molecular structure. This nonlinear model can give very satisfactory prediction results: the square of correlation coefficient R2 and root mean square error (RMSE) were 0.966 and 0.0143 respectively for the whole dataset. For comparing purpose, another QSPR model, multi-linear regression (MLR) was also implemented. The square of correlation coefficient R2 and root mean square error (RMSE) were 0.797 and 0.0348 respectively. The results show that the LSSVM model drastically enhances the ability of prediction in QSPR studies and is much superior to MLR one.
