مشخصات پژوهش

عنوان	بهینه سازی گوگردزدایی استخراجی نمونه سوخت با یک حلال یوتکتیک عمیق جدید سبز با استفاده از الگوریتم ژنتیک-شبکه عصبی
نوع پژوهش	مقاله چاپ شده
کلیدواژه‌ها	سولفورزدایی استخراجی، حلال یوتکتیک عمیق، بهینه سازی، الگوریتم ژنتیک-شبکه عصبی
چکیده	در این مطالعه سولفورزدایی استخراجی دی بنزوتیوفن از نرمال هگزان به عنوان مدل سوخت با استفاده از 1و10-فنانترولین 2و9-دی کربوکسامید- کلرید آهن بر پایه کولین کلرید به عنوان حلال یوتکتیک عمیق سبز، جدید و کارا مورد بررسی قرار گرفت. حلال یوتکتیک عمیق سنتز شده با تکنیک های اسپکتروسکوپی مادون قرمز (FT-IR) و رزوناس مغناطیسی هسته هیدروژن و کربن (1H NMR, 13C NMR) مشخصه یابی شد. اثر پارامترهای موثر بر فرایند شامل نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما، و زمان مورد بررسی قرار گرفتند و در شرایط بهینه برای 10 میلی لیتر محلول 500 میلی گرم بر لیتر دی بنزوتیوفن در نرمال هگزان، در نسبت جرمی نمونه سوخت به حلال یوتکتیک 5/33، دمای 25 درجه سانتیگراد و زمان 15 دقیقه ماکزیمم درصد گوگردزدایی 5/0 ± 5/93 به دست آمد. مدل سازی نتایج تجربی به دست آمده بوسیله الگوریتم ژنتیک بر پایه شبکه عصبی مصنوعی پیش بینی و بهینه سازی شدند. با به کارگیری ژنتیک الگوریتم مقادیر بهینه 4/34، 33/27 درجه سانتی گراد، و 99/16 دقیقه به ترتیب برای نسبت جرمی نمونه سوخت به حلال یوتکتیک، دما و زمان بدست آمد که بیانگر پتانسیل و توانایی بالای مدل به کار رفته در بهینه سازی روش پیشنهادی می باشد.
پژوهشگران	محبوبه شیرانی (نفر اول)، علی اکبری (نفر دوم)، عاطفه نژاد کورکی (نفر سوم)، علیرضا گلی (نفر چهارم)، بهناز آزمون (نفر پنجم)، نوشین شیرانی (نفر ششم به بعد)، سعید حبیب اللهی (نفر ششم به بعد)