بهینه‌سازی سنتز بیودیزل از روغن جوجوبا با استفاده از روش‌های محاسباتی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند.

2 گروه علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، رایپور، هند

چکیده

هدف: کشورهای مختلف به دانه جوجوبا به عنوان یک منبع جدید انرژی علاقه‌مند هستند زیرا می‌تواند در شرایط سخت مانند آب و هوای شدید، آب شور، بیابان‌ها و دمای بالا به خوبی رشد کند. بیودیزل سوختی است که می‌تواند در موتورهای خودروها، اجاق گاز و سیستم‌های گرمایش روغنی خانگی استفاده شود و قابل بازیافت، زیست تخریب‌پذیر و ایمن است. یک جایگزین سوخت پاک کننده برای سوخت دیزل که از نفت بدست می‌آید است و از چربی‌های حیوانی، گریس پخت و پز بازیافت شده یا روغن‌های گیاهی تولید می‌شود. بیودیزل (BD) در این مطالعه با استفاده از روغن جوجوبا تحت فشار ساخته شده است. پاراللیسم عظیم ذاتی شبکه‌های عصبی (NN) آن‌ها را به یک ابزار بهینه‌سازی امیدوارکننده تبدیل می‌کند. تولید بیودیزل تجاری که هم کارآمد و هم سازگار با محیط زیست باشد، نیازمند مدل‌سازی و بهینه‌سازی فرآیند مبتنی بر هوش مصنوعی است.
مواد و روش‌ها: پیش‌بینی پارامترهای فرآیند ایده‌آل برای سنتز بیودیزل از روغن جوجوبا با استفاده از الگوریتم ژنتیک شبکه عصبی مصنوعی (ANN-GA) انجام شد. با کمک شبکه عصبی مصنوعی یکپارچه - الگوریتم ژنتیک (IANN-GA)، این مطالعه با هدف بهبود فرآیند ترانس استریفیکاسیون برای تبدیل متانول فوق بحرانی (HCM) به BD انجام شد. محدوده دما برای بهینه سازی IANN-GAبرابر 355-240 درجه سانتیگراد بود و محدوده زمانی روی 7-21 دقیقه تنظیم شد.
نتایج: طراحی ترکیبی اولیه (PCD) برای مدل‌سازی ANN برای ایجاد مطالعات اولیه استفاده شد. بهترین ساختار ANN با تعداد مناسب نورون‌های پنهان با استفاده از ارزیابی اکتشافی مقادیر ضریب تعیین (R) پیدا شد. مقادیر R به دست آمده برای آموزش و آزمایش دقت بالای چارچوب ANN را نشان می‌دهد.
نتیجه‌گیری: متغیرهای فرآیند برای ترانس استریفیکاسیون HCM با استفاده از GA با ANN به عنوان ضریب تناسب بهینه شدند. به طور کلی، یافته‌ها نشان داد که ANN-GA نسبت به مدلی که قبلا ارائه شده بود برتر است و این یک رویکرد مدل‌سازی و بهینه‌سازی قابل اعتماد برای ساخت بیودیزل از روغن جوجوبا است که هم عملی و هم پایدار است.

کلیدواژه‌ها

عنوان مقاله [English]

Optimizing the synthesis of biodiesel from jojoba oil using computational methods

نویسندگان [English]

  • Aakansha Soy 1
  • Gajendra Tandan 2
1 Department of CS & IT, Kalinga University, Raipur, India.
2 Department of CS & IT, Kalinga University, Raipur, India.
چکیده [English]

Objectives
Different countries are interested in jojoba seed as a possible new energy source because it can grow well in harsh conditions like extreme weather, salty water, deserts, and high temperatures. Biodiesel is a fuel that can be used in motor engines, stoves, and home heating oil systems. It is recyclable, biodegradable, and safe. A cleaner-burning substitute for diesel fuel derived from petroleum, it is manufactured from animal fats, recycled cooking grease, or vegetable oils. Biodiesel (BD) is made in this study using jojoba oil under pressure. The inherent huge parallelism of neural networks (NNs) makes them a promising optimization tool. Commercial biodiesel production that is both efficient and environmentally friendly needs AI-powered process modelling and optimization.
Materials and methods
Predicting the ideal process parameters for biodiesel synthesis from jojoba oil was accomplished using artificial neural network-genetic algorithm (ANN-GA). With the help of the Integrated Artificial Neural Network - Genetic Algorithm (IANN-GA), this study aims to improve the transesterification process for changing Hyper Critical Methanol (HCM) into BD. The temperature range for IANN-GA optimization was 240–355°C, and the time range was set to 7–21 minutes.
Results
The primary composite design (PCD) for ANN modelling was used to create the initial studies. The best ANN structure with the right number of concealed neurons was found using a heuristic evaluation of the coefficient of determination (R) values. The R values obtained for training and testing demonstrate the high accuracy of the ANN framework.
Conclusions
The process variables for HCM transesterification have been optimized using GA with an ANN as the fitness coefficient. When taken as a whole, the findings demonstrated that ANN-GA is superior to the model that had been provided before, and that it is a trustworthy modeling and optimization approach for the manufacture of biodiesel from jojoba oil that is both practical and sustainable.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Biodiesel synthesis
  • Genetic algorithm
  • Hyper critical methanol
  • Optimization

مراجع

Abdolahimoghadam M, Rahimi M (2024) New hybrid nano-and bio-based phase change material containing graphene-copper particles hosting beeswax-coconut oil for solar thermal energy storage: Predictive modeling and evaluation using machine learning. Energy 307, e132604.
Adenuga AA, Oyekunle JAO, Idowu OO (2021) Pathway to reduce free fatty acid formation in Calophyllum inophyllum kernel oil: A renewable feedstock for biodiesel production. J Clean Prod 316, e128222.
Aisien FA, Aisien ET (2023) Modeling and optimization of transesterification of rubber seed oil using sulfonated CaO derived from giant African land snail (Achatina fulica) catalyst by response surface methodology. Renew Energy 207, 137-146.
Ajiwe VIE, Okeke CA, Nnabuike B, et al. (1997) Application of oils from African star apple (Chrysophyllum africanum), horseeye bean (Mucuna sloanu) and African pear (Dacyodes edulis) seeds. Bioresour Technol 59(2-3), 259–261.
Alireza Z, Nor ASA, Amin T, Nor AMZ (2014) Immobilized lipase-catalyzed transesterification of Jatropha curcas oil: optimization and modeling. J Taiwan Inst Chem Eng 45(2), 444–451.
Das BK, Alotaibi MA, Das P, et al. (2021) Feasibility and techno-economic analysis of stand-alone and grid-connected PV/Wind/Diesel/Batt hybrid energy system: A case study. Energy Strat Rev 37, e100673.
Dominic OO, Chizoo E, Akuzuo UO, Rita E (2021) Comparative analysis of the application of artificial neural network-genetic algorithm and response surface methods-desirability function for predicting the optimal conditions for biodiesel synthesis from chrysophyllum albidum seed oil. J Taiwan Inst Chem Eng 125, 153-167.
Emmanouilidou E, Lazaridou A, Mitkidou S, Kokkinos NC (2024) A comparative study on biodiesel production from edible and non-edible biomasses. J Mol Struct 1306, e137870.
Esonye C, Onukwuli OD, Ofoefule AU (2019) Optimization of production from Prunus Amygdalus seed oil using response surface methodology and artificial neural networks. Renew Energy 130, 62–71.
Furnish BS, Hannaford AJ, Smith PWG, Tatchell AR (2020) Vogel’s textbook of practical organic chemistry. 5th ed. UK: Longman group.
Ghotbaldini H, Mohammadabadi MR, Nezamabadi-pour H, et al. (2019) Predicting breeding value of body weight at 6-month age using Artificial Neural Networks in Kermani sheep breed. Acta Scientiarum Anim Sci 41, e45282.
Ghufran M, Huitink D (2023) Synthesis and thermal performance of nano-sized paraffin-based titania encapsulated PCMs via sol–gel method. J Therm Anal Calorim 148(21), 11629-11640.
Goh BHH, Ong HC, Cheah MY, et al. (2019) Sustainability of direct biodiesel synthesis from microalgae biomass: A critical review. Renew Sustain Energy Rev 107, 59-74.
Jamil MA (2024) Production and optimization study of biodiesel produced from non-edible seed oil. Sci Technol Energy Transit 79, e2024036.
Martić I, Degiuli N, Grlj CG (2024) Scaling of wave energy converters for optimum performance in the Adriatic Sea. Energy 294, e130922.
Milano J, Ong HC, Masjuki HH, et al. (2018) Physicochemical property enhancement of biodiesel synthesis from hybrid feedstocks of waste cooking vegetable oil and Beauty leaf oil through optimized alkaline-catalysed transesterification. Waste Manag 80, 435-449.
Mishra D, Kumar R (2023) Institutional Repository: A Green Access for Research Information. Indian J Inform Source Serv 13(1), 55–58.
Mohammadabadi M, Kheyrodin H, Afanasenko V, et al. (2024) The role of artificial intelligence in genomics. Agric Biotechnol J 16 (2), 195-279.
Mohd Johari SA, Ayoub M, Inayat A, et al. (2022) Utilization of dairy scum waste as a feedstock for biodiesel production via different heating sources for catalytic transesterification. ChemBioEng Rev 9(6), 605-632.
Nagarajan A, Jensen CD (2010) A Generic Role Based Access Control Model for Wind Power Systems. J Wirel Mob Netw Ubiquitous Comput Dependable Appl 1(4), 35-49.
Ong HC, Milano J, Silitonga AS, et al. (2019) Biodiesel production from Calophyllum inophyllum-Ceiba pentandra oil mixture: Optimization and characterization. J Clean Prod 219, 183-198.
Pour Hamidi S, Mohammadabadi MR, Asadi Foozi M, Nezamabadi-pour H (2017) Prediction of breeding values for the milk production trait in Iranian Holstein cows applying artificial neural networks. J Livestock Sci Technol 5 (2), 53-61.
Selvaraju S, Rajoo B, Arun PC (2019) Response surface optimization of acid pretreatment of cassava stem for bioethanol production. Environ Prog Sustain 39(2), e13335.
Silitonga AS, Mahlia TMI, Kusumo F, et al. (2019) Intensification of Reutealis trisperma biodiesel production using infrared radiation: Simulation, optimisation and validation. Renew Energy 133, 520-527.
Topare NS, Patila KD, Khedkarb SV (2020) Comparative study of ultrasonic and conventional method for biodiesel production using different heterogeneous catalyst. J Indian Chem Soc 97(11b), 2446-2452.
Tunguz V, Petrović B, Malešević Z, Petronić S (2019) Soil and Radionuclides of Eastern Herzegovina. Arch Tech Sci 1(20), 87–92.
Veerasamy K, Fredrik ET (2023) Intelligent Farming based on Uncertainty Expert System with Butterfly Optimization Algorithm for Crop Recommendation. J Internet Serv Inf Secur 13(3), 158-169.
Yağız E, Ozyilmaz G, Ozyilmaz AT (2022) Optimization of graphite-mineral oil ratio with response surface methodology in glucose oxidase-based carbon paste electrode design. Nat Eng Sci 7(1), 22-33.
Zikri A, Sutini PL, Agus M, Fathona S (2020) Biodiesel production from bintaro (Cerbera manghas L) seeds with potassium hydroxide as catalyst. In Journal of Physics: Conference Series 1500(1), e012084.
مجله بیوتکنولوژی کشاورزی
دوره 16، شماره 3
مهر 1403
صفحه 229-242

فایل ها

هم رسانی

ارجاع به این مقاله

آمار