خداکرم سلیمی فرد

زمینه: فرآیند الکترولیز آلومینیوم به روش هال-هرولت تنها روش صنعتی برای استخراج و تولید آلومینیوم خالص از آلومینا است. این فرآیند با حل شدن آلومینا در حمام کریولیت و اعمال جریان الکتریکی، آلومینیوم مذاب تولید می کند. با وجود کاربرد گسترده این روش، چالش های مهمی در بهره وری و میزان تولید با این روش وجود دارد که بر هزینه و کارایی فرآیند تأثیر می گذارد. بنابراین، بهینه سازی پارامترهای عملیاتی (جریان الکتریکی، ولتاژ، دما، ترکیب حمام کریولیت و غیره) به صورت فعال و دقیق می تواند تاثیر مستقیم بر هزینه، کارایی و پایداری عملیاتی این فرایند داشته باشد. هدف: هدف اصلی این پژوهش یافتن مقادیر کنترلی سلول تولید آلومینیوم است به طوریکه بیشترین میزان تولید با کمترین میزان انرژی انجام پذیرد. روش‏شناسی: روش انجام این پژوهش مبتنی بر یک رویکرد ترکیبی است که در آن از شبیه سازی عددی، یادگیری ماشین و الگوریتم های فراابتکاری به صورت یکپارچه استفاده می شود. در این پژوهش داده ها به وسیله شبیه ساز مبتنی بر معادلات دینامیکی ODE تولید شده و برای آموزش مدل یادگیری ماشین استفاده می شود. در انتها الگوریتم NSGA-II به کمک مدل هوش مصنوعی بهترین پارامترهای کنترلی را پیدا می کند. یافته‏ها: براساس مدل پیشنهادی، مجموعه جبهه پارتو (Pareto Front) نهایی ساخته شد و بر اساس سیاست های مدیریتی نقطه عملیاتی بهینه انتخاب گردید. نتیجه‏گیری: نتایج این پژوهش نشان داد که، ترکیب یادگیری ماشین برای ایجاد مدل های پیش بین سریع و الگوریتم های بهینه سازی چندهدفه به صورت همزمان، امکان تولید مجموعه ای جامع و متنوع از راه حل های بهینه را فراهم می کند. با تحلیل هندسی خط پارتو همراه با معیارهای تصمیم گیری کمی، در نهایت امکان انتخاب آگاهانه، مستدل و سیستماتیک یک نقطه عملیاتی برای سلول الکترولیز آلومینیوم امکان پذیر می شود. این رویکرد نه تنها کارایی و هزینه را بهینه می سازد، بلکه چارچوب علمی و عملی برای بهره برداری صنعتی و به روزرسانی مداوم این فناوری را ارائه می دهد.