Neural network modeling of low temperature CO oxidation over Pt based catalysts

Abstract

ÖZET DÜŞÜK SICAKLIKLARDA CO OKSIDASYONU İÇİN KULLANILAN Pt BAZLI KATALİZÖRLERİ YAPAY SİNİR AĞLARI İLE MODELLEME Bu çalışmanın amacı, düşük sıcaklıklarda CO oksidasyonu için kullanılan `Pt-Ce02- C03O4/AI2O3`, 'Tt-Ce02-Co304/MgO` ve `Pt-Sn02/Al203` katalizör sistemlerinin dizaynı, modellenmesi, test edilmesi ve optimize edilmesidir. Modelleme, yapay sinir ağları ile yapılıp, modellerin doğruluğu ve tutarlılığı istatistiksel olarak test edilip maksimum CO dönüşümünü sağlayan optimum dizayn parametreleri saptanmıştır. `Pt-Ce02-Co304 /AI2O3` katalizör sistemi için en iyi model, deney zamanının da giriş parametresi olarak kullanıldığı; R2, R2adjUsted ve standart hata olarak sırasıyla 0.978, 0.949 ve 4.925 şeklinde değerler gösteren; iki gizli katmanlı 5+2 nöronlu modeldir. Bu model için optimum Pt%, Ce%, Co%, kalsitleşme sicaklığı ve zamanı 1.662, 2.562, 2.596, 500 °C ve 2.527 saat olarak bulunup, 60 dakika için 99.999% CO dönüşümü sağlanmıştır. `Pt-Ce02-Co304/MgO` katalizör sistemi için en iyi model, deney zamanının da giriş parametresi olarak kullanıldığı; R2, R2adjusted ve standart hata olarak sırasıyla 0.936, 0.872 ve 2.740 şeklinde değerler gösteren; iki gizli katmanlı 4+2 nöronlu modeldir. Bu model için optimum Ce% ve Co%, 0.779 ve 2.078 olarak bulunup 60 dakika için 39.315% CO dönüşümü sağlanmıştır. `Pt-Sn02/Al203` katalizör sistemi için, en iyi model deney zamanının da giriş parametresi olarak kullanıldığı; R2, R2adjusted ve standart hata olarak sırasıyla 0.954, 0.802 ve 0.941 şeklinde değerler gösteren; iki gizli katmanlı 4+2 nöronlu modeldir. Bu model, için optimum `HNO3`, `H2O`, `Aliminyum Nitrat` ve `Karıştırma Hızı` seviyeleri sırasıyla 0.65 mi, 338.4 mi, 5 g ve 200 rpm değerlerine denk gelip 30 ve 60 dakika için 21.08% ve 16.97% CO dönüşümü sağlanmıştır.

IV ABSTRACT NEURAL NETWORK MODELING OF LOW TEMPERATURE CO OXIDATION OVER Pt BASED CATALYSTS The objective of this study was to design, model, test and optimize the three catalyst systems; `Pt-CeOz-CosCVAW, `Pt-Ce02-Co304/MgO` and `Pt-SnCVAkOg`, which are used for CO oxidation at low temperatures. Each catalyst was modeled by using artificial neural networks, statistically tested using measures of regression, validated using residual and cross validation analyses. Optimum design parameters resulting maximum CO conversions were found by using the Steepest Descent and the Newton Method. For the `Pt-Ce02-Co304 /AI2O3` Catalyst; the model in which sampling time was treated as another input parameter, with two hidden layers and 5+2 neurons was the best, having R2, R2adjusted and a standard error of 0.978, 0.949 and 4.925 respectively. The optimum Pt%, Ce%, Co%, calcination temperature and time were found for this model as 1.662, 2.562, 2.596, 500 °C and 2.527 hours, resulting 99.999% conversion of CO at 60 minutes. For the `Pt-Ce02-Co304/MgO` Catalyst, the model in which sampling time was treated as another input parameter, with two hidden layers and 4+2 neurons was the best, having R2, R2adjusted and a standard error of 0.936, 0.872 and 2.740 respectively. The optimum Ce% and Co% for this model was found as 0.779 and 2.078, resulting 39.315% conversion of CO at 60 minutes. For the `Pt-Sn02/Aİ203` Catalyst, the model in which sampling time was treated as another input parameter, with two hidden layers, 3+2 neurons was the best model, having R2, R2adjusted and a standard error of 0.954, 0.802 and 0.941 respectively. The optimum `HNO3`, `H20`, `Aluminum Nitrate` and the `Stirring Rate` levels correspond to 0.65, 338.4, 5 and 200; resulting 21.08% and 16.97% conversions of CO at 30 and 60 minutes.