Применение поливинилхлорида для нанокомпозитов (анализ и оптимизация показателей качества)

Автор: Коваленко Ю.Ф., Шулаева Е.А., Шулаев Н.С.

Журнал: Нанотехнологии в строительстве: научный интернет-журнал @nanobuild

Рубрика: Строительное материаловедение

Статья в выпуске: 6 т.15, 2023 года.

Бесплатный доступ

Введение. Применение нанокомпозитов в различных отраслях промышленности в последние годы увеличилось благодаря их уникальным свойствам и эксплуатационным характеристикам. Однако оптимизация качественных показателей нанокомпозитов остается сложной задачей из-за сложного взаимодействия между компонентами. В работе представлен обзор методов, используемых для анализа и расчета показателей качества нанокомпозитов с использованием ПВХ в качестве основного материала. Методы и материалы. Для математического расчета технологических параметров, не поддающихся прямому измерению, были проведены анализ литературных источников по рассматриваемому процессу и установление соответствующих зависимостей между эмпирическими данными в соответствии с основными закономерностями термодинамики и процессов массообмена. В ходе исследования применен метод нейронных сетей для того, чтобы описать процесс полимеризации винилхлорида, осуществленного суспензионным методом. Для решения данной проблемы была применена каскадная сеть, имеющая прямое распространение сигнала и обратное распространение ошибки. Состав сети: в скрытом слое - десять сигмоидных нейронов, в выходном слое - два линейных нейрона. Результаты и обсуждения. В ходе проведения исследований было установлено, что при полимеризации тепловой поток изменяется с течением времени в зависимости от уровня концентрации инициатора. В дальнейшем полученные зависимости могут использоваться при регулировании расхода хладагента в охлаждающую рубашку реактора, для обеспечения изотермического выполнения всего процесса. Было установлено, что, изменяя частоту вращения мешалки, можно изменять размер частиц и, следовательно, молекулярно-массовое распределение поливинилхлорида. Разработанная нейронная сеть была протестирована. Полученные результаты имеют минимальную погрешность и близки к реальным значениям, из чего можно сделать вывод, что сеть обучена правильно и зависимость между данными найдена.

Еще

Поливинилхлорид, нанокомпозит, нейронная сеть, полимеризация, нанотехнология

Короткий адрес: https://sciup.org/142239795

IDR: 142239795   |   DOI: 10.15828/2075-8545-2023-15-6-519-530

Список литературы Применение поливинилхлорида для нанокомпозитов (анализ и оптимизация показателей качества)

  • Ульянов В.М., Гуткович А.Д., Шебырев В.В. Технологическое оборудование производства суспензионного поливинилхлорида: Монография. Н. Новгород. 2004. 253 с.
  • Получение и свойства поливинилхлорида / Под ред. Е.Н. Зильбермана. М.: Химия, 1968. 432 с.
  • Mathematical methods of modeling of polymerizer reactor for the process of polymerization of vinyl chloride. Kovalenko, Y.F., Shulaeva, E.A.AIP Conference Proceeding, 2022, 2467, 060023
  • Mathematical methods for modeling of the process of diaphragm electrolysis Shulaeva, E.A., Kovalenko, Y.F., Serebryakov, E.A. AIP Conference Proceedings, 2022, 2467, 060012
  • Modeling of the process of electrolysis production of caustic, chlorine and hydrogen. Shulaeva, E.A., Shulaev, N.S., Kovalenko, J.F.. Journal of Physics: Conference Series, 2017, 803(1), 012148
  • Simulation and modeling software in chemical technology: Polymerization of vinyl chloride. Shulaeva, E.A., Kovalenko, Y.F., Shulaev, N.S. Advanced Materials Research, 2014, 1040, pp. 581-584
  • Ксандров Н.В. Ресурсосбережение в химической технологии: учебное пособие для вузов / Н. В. Ксандров, О. Р. Ожогина, А. А. Перетрутов. Н.Новгород. 2014. 101с.
  • Коваленко Ю.Ф., Шулаева Е.А., Шулаев Н.С. Моделирование молекулярно-массового распределения при получении поливинилхлорида суспензионным способом // Вестник молодого ученого УГНТУ. 2016. № 1. С. 128-131.
  • Шулаева Е.А., Шулаев Н.С., Коваленко Ю.Ф. Компьютерное моделирование технологических процессов // Бутлеровские сообщения. 2018. Т. 54. № 4. С. 40-55.
  • Муравьева Е.А., Казанцев Р.В., Подлесский Д.В. Разработка нейронной сети для управления процессом щелочной отмывки изопентан- изопрен-толуольной фракции с использованием виртуального анализатора // Вестник Пермского национального исследовательского политехнического университета. Химическая технология и биотехнология. 2022. № 2. С. 120–137.
  • Расчеты аппаратов кипящего слоя / Под ред. И.П. Мухленова, Б.С. Сажина, В.Ф. Фролова. Издательство: «Химия», Ленинградское отделение, 1986. 352 c.
  • Шулаева Е.А., Коваленко Ю.Ф., Серебряков Е.А. Моделирование процесса диафрагменного электролиза // Естественные и технические науки. 2021. № 8 (159). С. 190–192.
  • Шулаева Е.А., Даминев Р.Р., Исламутдинова А.А. Особенности создания имитационно-моделирующих комплексов распространенных нефтехимических процессов на примере процесса синтеза винилацетата // Электротехнические и информационные комплексы и системы. 2013. Т. 9, № 4. 127–134.
  • Шулаева Е.А., Коваленко Ю.Ф. Математическое моделирование и анализ параметров технологического процесса диафрагменного электролиза // Естественные и технические науки. 2022. № 7 (170). С. 214–215.
  • Шулаева Е.А., Шулаев Н.С., Коваленко Ю.Ф. Моделирование параметров электролизера в производстве едкого натра, хлора и водорода // Нефтегазовое дело. 2016. Т. 14. № 4. С. 103–107.
  • Shulaeva E.A., Kovalenko Yu.F., Shulaev N.S. Simulation and Modeling Software in Chemical Technology: Polymerization of Vinyl Chloride. Advanced Materials Research Vol. 1040 (2014), pp. 581–584.
  • Штовба С.Д. Обеспечение точности и прозрачности нечеткой модели Мамдани при обучении по экспериментальным данным // Проблемы управления и информатики. 2007. № 4. С. 102–114.
  • Яхъяева Г.Э. Нечеткие множества и нейронные сети: учеб. пособие. М.: Бином. Лаборатория знаний, 2008. 316 c.
  • Галушкин А.И. Нейронные сети: основы теории. М.: ГЛТ, 2010. 496 c.
  • Галушкин А.И., Цыпкин Я.З. Нейронные сети: история развития теории: учеб. пособие для вузов. М.: Альянс, 2015. 840 c.
  • Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. М.: РиС, 2013. 384 c.
  • Ширяев В.И. Финансовые рынки: Нейронные сети, хаос и нелинейная динамика. М.: КД Либроком, 2016. 232 c.
  • Редько В.Г. Эволюция, нейронные сети, интеллект: Модели и концепции эволюционной кибернетики. М.: Ленанд, 2017. 224 c.
Еще
Статья научная