Prediction of thermophysical properties of biodiesel fuel using artificial neural network

Abbasi Fakhr, Mahmoud and Najafi, Bahman and Jamali, Shahram (2011) Prediction of thermophysical properties of biodiesel fuel using artificial neural network. Other thesis, University of Mohaghegh Ardabili.

[img] Text
پایان نامه.pdf

Download (906kB)
Official URL: http://uma.ac.ir/

Abstract

Nowadays, Biodiesel fuel has been accepted as a clean and suitable alternative fuel for petroleum fuels because of many reasons including its renewability and less pollution than them. The fatty acid esters composition of base oil, predominantly affects the properties of the biodiesel produced from it. In this study, to investigate the effect of mass fraction of fatty acid ethyl esters on thermophisical properties (density, heating value, cloud point, viscosity and flash point) of biodiesel fuel, it was produced from seven types of vegetable oil by transesterification. Gas chromatography-mass spectrometry (GC-MS) analysis used to determine the fatty acid ethyl ester (FAEE) composition of produced biodiesels. The produced biodiesels were mixed on different and specified mass fractions and 240 biodiesel fuel samples were produced. Their properties were measured by following American Society for Testing and Materials (ASTM). Experimental data were used for modeling of biodiesel properties base on its fatty acid ethyl esters composition. The FAEE compositions of biodiesel as input parameters and the experimental data as output parameters were used to design the Artificial Neural Network model. At first, a global model was designed to predict all of the biodiesel properties and then, separate models were designed to predict each of the biodiesel properties. Comparison between performance of global and separate models shows that separate models have been able to get better results in biodiesel properties prediction by getting less mean square error, higher correlation coefficient and higher prediction accuracy than global model. Correlation coefficient in prediction of density, heating value, cloud point, viscosity and flash point were obtained 0.989, 0.972, 0.927, 0.999 and 0.972 by separate models, respectively.

Item Type: Thesis (Other)
Persian Title: پيش¬بيني خواص ترموفيزيکي سوخت بيوديزل با استفاده از شبکه عصبي مصنوعي
Persian Abstract: امروزه سوخت بيوديزل به دلايل زيادي از جمله تجديدپذيري و آلايندگي کمتر نسبت به سوخت¬هاي فسيلي، به عنوان سوختي پاک و جايگزين مناسبي براي سوخت¬هاي به دست آمده از نفت خام، پذيرفته شده است. خواص سوخت بيوديزل به طور انکار ناپذيري تحت تاثير درصد وزني استر اسيدهاي چرب موجود در آن مي¬باشد. در اين تحقيق به منظور بررسي تاثير درصد وزني اتيل استر اسيدهاي چرب بر خواص ترموفيزيکي سوخت بيوديزل (چگالي، ارزش حرارتي، نقطه ابري شدن، گرانروي و نقطه اشتعال)، اين سوخت به روش ترنس¬استريفيکاسيون، از هفت نوع روغن گياهي (سويا، ذرت، سبوس برج، هسته انگور، کلزا، زيتون و آفتاب گردان) توليد شد. ترکيبات موجود در سوخت¬هاي توليد شده، با استفاده از آزمون GC-Mass تعيين گرديد. سوخت¬هاي بيوديزل توليد شده با درصدهاي وزني مشخص و متفاوتي با يکديگر ترکيب شده و 240 نمونه سوخت بيوديزل با درصدهاي وزني مشخصي از اتيل استر اسيدهاي چرب به ¬دست آمد. خواص نمونه¬هاي توليد شده، مطابق با استانداردهايASTM اندازه¬گيري شد. از داده¬هاي به¬ دست آمده به منظور مدل¬سازي خواص سوخت بيوديزل، بر اساس درصد وزني اتيل استر اسيدهاي چرب موجود در آن استفاده گرديد. در ايجاد مدل شبکه عصبي، درصد وزني اتيل استر اسيدهاي چرب موجود در هر نمونه به عنوان ورودي¬هاي شبکه و خواص اندازه¬گيري شده به عنوان خروجي¬هاي شبکه، در نظر گرفته شدند. ابتدا يک مدل کلي براي پيش¬بيني تمام خواص سوخت و به دنبال آن، مدل¬هاي جداگانه به منظور پيش¬بيني هر يک از خواص سوخت طراحي گرديد. مقايسه عملکرد مدل کلي و مدل¬هاي جداگانه در پيش¬بيني هر يک از خواص سوخت نشان مي¬دهد مدل¬هاي جداگانه با رسيدن به ميانگين مربعات خطاي کمتر، ضرايب همبستگي بالاتر ميان خروجي¬هاي شبکه و خروجي¬هاي مطلوب (هدف) و نيز دقت پيش¬بيني بالاتر نسبت به مدل کلي، توانسته¬اند در هر يک از خواص سوخت نتايج مطلوب¬تري ارائه دهند. ضرايب همبستگي در پيش¬بيني چگالي، ارزش حرارتي، نقطه ابري شدن، گرانروي و نقطه اشتعال با استفاده از مدل¬هاي جداگانه به ترتيب 989/0، 972/0، 927/0، 999/0 و 972/0 به دست آمد.
Supervisor:
SupervisorE-mail
Najafi, BahmanUNSPECIFIED
Advisor:
AdvisorE-mail
Jamali, ShahramUNSPECIFIED
Subjects: Faculty of Engineering > Department of Mechanical Engineering
Divisions > Faculty of Engineering > Department of Mechanical Engineering
Divisions: Subjects > Faculty of Engineering > Department of Mechanical Engineering
Faculty of Engineering > Department of Mechanical Engineering
Date Deposited: 13 Jul 2019 08:51
Last Modified: 13 Jul 2019 08:51
URI: http://repository.uma.ac.ir/id/eprint/7844

Actions (login required)

View Item View Item