انجمن مهندسی شیمی ایران مهندسی شیمی ایران 1735-5400 25 144 2026 04 21 Modeling of CO2 Absorption with Aqueous Piperazine/Potassium Carbonate Solution Using MLP and RBF Neural Networks مدل‌سازی جذب دی‌اکسید‌کربن با محلول آبی پیپرازین/ پتاسیم کربنات بااستفاده‌از شبکه‌های عصبی MLP، RBF 81 95 216841 10.22034/ijche.2025.488020.1461 FA فاطمه بهمن زادگان دانشجوی دکتری مهندسی شیمی، دانشگاه علم و صنعت ایران احد قائمی استاد مهندسی شیمی، دانشگاه علم و صنعت ایران 0000-0003-0390-4083 Journal Article 2024 11 10 In this article, the effect of operating conditions and aqueous solution on the CO₂ absorption rate was modeled using response surface methodology (RSM) and artificial neural network (ANN). The model inputs consisted of temperature, CO2 loading, bulk CO2 pressure, and equilibrium partial pressure of CO2, while the CO2 mass transfer flux was considered as the output. Multi-Layer Perceptron (MLP) was trained with three hidden layers containing 10, 40, and 10 neurons, respectively, using the Levenberg-Marquardt training function. The MLP with three layers and 60 neurons, trained with the Trainlm learning function, achieved an MSE of 0.0018616 and an R² of 0.9924 Radial Basis Function (RBF) also reached an MSE of 0.0004 and an R² of 0.99849 after 200 epochs. Although RBF provided a lower MSE, MLP was selected as the preferable model because of its simpler architecture, lower computational cost, and closer qualitative agreement with the RSM surface. در این مقاله، تأثیر شرایط عملیاتی و محلول آبی بر نرخ جذب دی‌اکسید کربن بااستفاده‌از روش سطح پاسخ و شبکۀ عصبی مدل‌سازی‌شد. در این مطالعه، دما، میزان بارگذاری، فشار تودهای CO₂ و فشار تعادلی CO₂ به عنوان متغیرهای ورودی و شار انتقال جرم CO₂ به عنوان متغیر خروجی برای مدلسازی در نظر گرفته شدند. از نتایج یادگیری شبکۀ MLP با سه لایۀ پنهان و به‌ترتیب تعداد 10، 40 و 10 نورون در هر لایه و تابع آموزش لونبرگ مارکوات، MSE و R2 به‌ترتیب برابربا0/0018616 و 0/9924 به‌دست‌آمد. شبکۀ RBF نیز توانست به MSE و R2 به‌ترتیب برابربا 0/0004 و 0/99849 بعداز 200 اپوک دست‌یابد. اگرچه RBF میانگین مربعات خطای کمتری ارائه داد، MLP به دلیل معماری ساده‌تر، هزینه محاسباتی کمتر و تطابق کیفی نزدیکتر با سطح RSM به عنوان مدل ارجح انتخاب شد.

https://www.ijche.ir/article_216841_7e303d4265d33fc6282d8a254221c1d9.pdf