AI-Driven Modeling of Catalytic Pyrolysis for Sustainable Fuel Production: A Neural Network Approach

ادريس مولود خضر; صبا عدنان غني; زينب فلاح حسن; مروان ابراهيم حمد; نالان توركوز Karakullukcu; عطا الله خلف طه

doi:10.52716/jprs.v15i4.1090

المؤلفون

ادريس مولود خضر قسم الهندسة الكيميائية، كلية الهندسة، جامعة تكريت، العراق
صبا عدنان غني قسم الهندسة الكيميائية، كلية الهندسة، جامعة تكريت، العراق
زينب فلاح حسن مركز البحث والتطوير النفطي .بغداد -العراق
مروان ابراهيم حمد شركة نفط الشمال، وزارة النفط، العراق
نالان توركوز Karakullukcu مركز أبحاث وتطبيقات التكنولوجيا المتقدمة، جامعة أوندوكوز مايس، سامسون، تركيا
عطا الله خلف طه شركة مصافي النفط الشمالية (NRC)، بيجي، صلاح الدين، وزارة النفط، العراق.

DOI:

https://doi.org/10.52716/jprs.v15i4.1090

الكلمات المفتاحية:

Catalytic pyrolysis, Waste Plastics, artificial intelligence, Green fuel

الملخص

ألهم الطلب على معضلة النفايات البلاستيكية وخيارات الوقود الدائم في جميع أنحاء العالم البحث في التحلل الحراري التحفيزي كطريقة محتملة لتحويل النفايات البلاستيكية إلى وقود حيوي مربح. إن شدة عمليات التحلل الحراري المتأثرة بالعديد من عوامل العملية تجعل طرق النمذجة التقليدية صعبة. يستخدم هذا البحث الشبكة العصبية الاصطناعية ( (ANNSلإنشاء نموذج تنبؤ يهدف إلى زيادة تحويل الوقود الحيوي في التحلل الحراري للمحفز. تم استخدام مجموعة بيانات تحتوي على درجة الحرارة ومدة الإقامة ونوع المحفز لتدريب نموذج الشبكة العصبية الاصطناعية (ANNS)، مما يعطي تنبؤات دقيقة لإنتاج الوقود الحيوي في ظل ظروف مختلفة. تم استخدام طريقة Levenberg-Marquard لتدريب الشبكة، مما يضمن دقة أفضل وخطأ منخفض. تعكس المقارنة المقارنة بين أداء النمذجة التقليدية والأساليب التي تعمل بالذكاء الاصطناعي ميزة نموذج الشبكة العصبية الاصطناعية ((ANN في إدارة التفاعلات غير الخطية في الوقت الفعلي وتحسين العمليات. تشير الاستنتاجات إلى أن الأساليب التي تعمل بالذكاء الاصطناعي تعزز بوضوح كفاءة العملية وتقلل من النفايات وتحسن عملية اتخاذ القرار في السياقات الصناعية. يسلط هذا البحث الضوء على قدرة الذكاء الاصطناعي على زيادة الأداء الدائم للهندسة الكيميائية وتحسين إنتاج الوقود الحيوي من نفايات البلاستيك إلى نفايات البلاستيك.

المراجع

M. F. da Costa, R. d. S. Araújo, A. R. Silva, L. Pereira, and G. M. Silva, "Predictive artificial neural networks as applied tools in the remediation of dyes by adsorption—A review", Applied Sciences, vol. 15, no. 5, p. 2310, 2025. https://doi.org/10.3390/app15052310.

Z. Sun, S. Jayasinghe, A. Sidiq, F. Shahrivar, M. Mahmoodian, and S. Setunge, "Approach Towards the Development of Digital Twin for Structural Health Monitoring of Civil Infrastructure: A Comprehensive Review", Sensors, vol. 25, no. 1, p. 59, 2024. https://doi.org/10.3390/s25010059.

A. AGGARWAL, "A Critical Analysis of Methodologies for Detection and Classification of Power Quality Events in Smart Grid", IEEE Access, vol. 9, pp. 83507-83534, 2021. https://doi.org/10.1109/ACCESS.2021.3087016.

H. Karali, G. Inalhan, and A. Tsourdos, "Advanced UAV Design Optimization Through Deep Learning-Based Surrogate Models", Aerospace, vol. 11, no. 8, p. 669, 2024. https://doi.org/10.3390/aerospace11080669.

A. Esteva, B. Kuprel, R. A. Novoa, J. Ko, S. M. Swetter, H. M. Blau, and S. Thrun, "Dermatologist-level classification of skin cancer with deep neural networks", Nature, vol. 542, pp. 115-118, 2017. https://doi.org/10.1038/nature21056.

E.G. Kirilova, "Artificial neural networks: Applications in chemical engineering", Modeling and Simulation in Chemical Engineering: Project Reports on Process Simulation, Heat and Mass Transfer, Springer, 127-146, 2022. https://doi.org/10.1007/978-3-030-87660-9_6.

K. Srinivasan, A. Puliyanda, D. Thosar, A. Bhakte, K. Singh, P. Addo, R. Srinivasan, and V. Prasad, "Artificial intelligence and machine learning at various stages and scales of process systems engineering", The Canadian Journal of Chemical Engineering, vol. 103, no. 3, pp. 1004-1035, 2025. https://doi.org/10.1002/cjce.25525.

M. Das, M. Catalkaya, O. E. Akay, and E. K. Akpinar, "Impacts of use PID control and artificial intelligence methods for solar air heater energy performance", Journal of Building Engineering, vol. 65, p. 105809, 2023. https://doi.org/10.1016/j.jobe.2022.105809

H. Zhang, S. Kang, J. Li, Z. Li, J. Chang, Y. Xu, G.M. Lu, and C. Sun, "Near zero-waste biofuel production from bioderived polyhydroxybutyrate", Fuel, vol. 286, part 2, p. 119405, 2021. https://doi.org/10.1016/j.fuel.2020.119405.

K. Ahmed, B. Khan, and M. Shahbaz, "Pathways to China's carbon neutrality and clean energy transition: Evidence from the three decades long stricter environmental regulations", Sustainable Futures, vol. 8, p. 100296, 2024. https://doi.org/10.1016/j.sftr.2024.100296.

J. Park, and D. Kang, "Artificial Intelligence and Smart Technologies in Safety Management: A Comprehensive Analysis Across Multiple Industries", Applied Sciences, vol. 14, no. 24, p. 11934, 2024. https://doi.org/10.3390/app142411934.

S. Albahra, T. Gorbett, S. Robertson, G. D'Aleo, S. V. S. Kumar, S. Ockunzzi, D. Lallo, B. Hu, and H. H. Rashidi, "Artificial intelligence and machine learning overview in pathology & laboratory medicine: A general review of data preprocessing and basic supervised concepts", Seminars in Diagnostic Pathology, vol. 40, no. 2, pp. 71-87, 2023. https://doi.org/10.1053/j.semdp.2023.02.002.

D. Ardila, A. P. Kiraly, S. Bharadwaj, B. Choi, J. J. Reicher, L. Peng, D. Tse, M. Etemadi, W. Ye, G. Corrado, D. P. Naidich, and S. Shetty, "End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography", Nature medicine, vol. 25, no. 6, pp. 954-961, 2019. https://doi.org/10.1038/s41591-019-0447-x.

Y. Chen, and L. Huang, "Inputs and Outputs, MATLAB Roadmap to Applications: Volume I Fundamental", Springer Nature Singapore, pp. 219-240, 2025. https://doi.org/10.1007/978-981-97-8788-3.

Y. Ayub, and J. Ren, "Co-Pyrolysis of biomass and plastic waste: Process prediction and optimization based on Artificial Intelligence and response optimizer surrogate model", Process Safety and Environmental Protection, vol. 186, pp. 612-624, 2024. https://doi.org/10.1016/j.psep.2024.04.049.

F. Abnisa, S. D. Anuar Sharuddin, M. F. bin Zanil, W. M. A. Wan Daud, and T. M. Indra Mahlia, "The yield prediction of synthetic fuel production from pyrolysis of plastic waste by levenberg–Marquardt approach in feedforward neural networks model", Polymers, vol. 11, no. 11, p. 1853, 2019. https://doi.org/10.3390/polym11111853.

MathWorks, https://www.mathworks.com/help/matlab/import_export/read-spreadsheet-data-into-table.html.

MathWorks, https://www.mathworks.com/help/stats/zscore.html.

MathWorks, https://in.mathworks.com/help/optim/ug/fit-ode-problem-based-least-squares.html.