Issue: Số 17 - Tháng 6 - 2026Hóa học - Công nghệ thực phẩm
Tối ưu hóa quá trình sản xuất nhiên liệu sinh học từ phản ứng este hóa acid palmitic khi có dư methanol bằng mạng thần kinh nhân tạo (ANN) một lớp ẩn
Published: June 20, 2026
Abstract
Nghiên cứu này nhằm tối ưu hóa quá trình sản xuất nhiên liệu sinh học thông qua phản ứng este hóa acid palmitic khi dư methanol sử dụng mạng thần kinh nhân tạo (ANN) một lớp ẩn, kết hợp với phương pháp thiết kế thí nghiệm. Cấu trúc ANN tối ưu được xây dựng với sự kết hợp của 29 thần kinh, hàm kích hoạt TanH, 16 thần kinh tuyến tính (Linear) và 50 thần kinh Gaussian. Mô hình ANN đạt độ chính xác dự đoán vượt trội so với các phương pháp thiết kế thí nghiệm, với R² đạt 0,9830 và RMSE thấp hơn, đạt 0,2030. Hiệu suất FAME cực đại đạt 97,86%, chứng minh rằng mô hình kết hợp giữa ANN và DOE là một phương pháp hoàn toàn phù hợp trong hướng nghiên cứu này.
Keywords
ANNnhiên liệu sinh họcxúc tác rắnaxit palmiticmethanol
References
1.
Dang, T. H., & Chen, B. H. (2014). Application of response surface methodology to optimize biodiesel production from the esterification of palmitic acid in excess methanol. Journal of Science and Technology, 53(2), 10.
2.
Ferreira, S. L. C., Bruns, R. E., Ferreira, H. S., Matos, G. D., et al. (2007). Box-Behnken design: An alternative for the optimization of analytical methods. Analytica Chimica Acta, 597(2), 179–186.
3.
Gaurav, N., Sivasankari, S., Kiran, G. S., Ninawe, A., & Selvin, J. (2017). Utilization of bioresources for sustainable biofuels: A review. Renewable and Sustainable Energy Reviews, 73, 205–214.
4.
Hoseini, S. S., Najafi, G., Ghobadian, B., Mamat, R., Sidik, N. A. C., & Azmi, W. H. (2017). The effect of combustion management on diesel engine emissions fueled with biodiesel-diesel blends. Renewable and Sustainable Energy Reviews, 73, 307–331.
Klemeš, J. J., Varbanov, P. S., Pierucci, S., & Huisingh, D. (2010). Minimising emissions and energy wastage by improved industrial processes and integration of renewable energy. Journal of Cleaner Production, 18(9), 843–847.
7.
Mansir, N., Teo, S. H., Rashid, U., Saiman, M. I., Tan, Y. P., Alsultan, G. A., et al. (2018). Modified waste egg shell derived bifunctional catalyst for biodiesel production from high FFA waste cooking oil: A review. Renewable and Sustainable Energy Reviews, 82, 3645–3655.
8.
Melero, J. A., Iglesias, J., & Morales, G. (2009). Heterogeneous acid catalysts for biodiesel production: Current status and future challenges. Green Chemistry, 11(9), 1285–1308.
9.
Montgomery, D. C. (2005). Design and analysis of experiment (6th ed.). John Wiley & Sons.
10.
Prakash, N., Manikandan, S. A., Govindarajan, L., & Vijayagopal, V. (2008). Prediction of biosorption efficiency for the removal of copper(II) using artificial neural networks. Journal of Hazardous Materials, 152(3), 1268–1275.
11.
Sarve, A., Sonawane, S. S., & Varma, M. N. (2015). Ultrasound assisted biodiesel production from sesame (Sesamum indicum L.) oil using barium hydroxide as a heterogeneous catalyst: Comparative assessment of prediction abilities between response surface methodology (RSM) and artificial neural network (ANN). Ultrasonics Sonochemistry, 26, 218–228.
12.
Shanmugaprakash, M., & Sivakumar, V. (2013). Development of experimental design approach and ANN-based models for determination of Cr(VI) ions uptake rate from aqueous solution onto the solid biodiesel waste residue. Bioresource Technology, 148, 550–559.
13.
Vicente, G., Martínez, M., & Aracil, J. (2007). Optimisation of integrated biodiesel production: Part I. A study of the biodiesel purity and yield. Bioresource Technology, 98(9), 1724–1733.
