مقایسه الگوریتم‌های فراابتکاری در تعیین ضرایب بهینه آرنیوس برای کاهش مکانیزم سینتیکی دومرحله‌ای احتراق متان

اسحاقی, علیرضا; پورانصاری, زینب

doi:10.22060/mej.2026.25246.7932

مقایسه الگوریتم‌های فراابتکاری در تعیین ضرایب بهینه آرنیوس برای کاهش مکانیزم سینتیکی دومرحله‌ای احتراق متان

نوع مقاله : مقاله پژوهشی

نویسندگان

علیرضا اسحاقی

زینب پورانصاری

دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران

10.22060/mej.2026.25246.7932

چکیده

یکی از چالش‌های مهم در شبیه‌سازی فرایندهای احتراق، تعیین دقیق ضرایب سینتیکی معادله آرنیوس است؛ زیرا این ضرایب تأثیر مستقیمی بر دقت پیش‌بینی نرخ واکنش دارند. در این پژوهش، چهار الگوریتم فراابتکاری شامل الگوریتم ژنتیک، الگوریتم گرگ خاکستری، الگوریتم ترکیبی ژنتیک–ازدحام ذرات و الگوریتم نهنگ برای بهینه‌سازی ضرایب معادله آرنیوس به کار گرفته شدند. به‌منظور ارزیابی عملکرد این الگوریتم‌ها، کاهش مکانیزم دومرحله‌ای احتراق متان به یک مکانیزم تک‌مرحله‌ای به‌عنوان مطالعه موردی انتخاب شد. نوآوری این پژوهش در ارزیابی تطبیقی و هم‌زمان عملکرد الگوریتم‌های مذکور و تعیین مناسب‌ترین روش بر اساس دو معیار ریشه میانگین مربعات خطا و زمان اجرا است. نتایج نشان داد که الگوریتم نهنگ با مقدار ریشه میانگین مربعات خطا برابر3325 0/0 دقیق‌ترین عملکرد را در تعیین ضرایب آرنیوس ارائه می‌دهد، درحالی‌که الگوریتم گرگ خاکستری با زمان اجرای 1/89ثانیه سریع‌ترین عملکرد را دارد. این مقایسه امکان انتخاب الگوریتم مناسب را بر اساس نیازهای دقت و سرعت محاسباتی فراهم می‌کند. نتایج این پژوهش نشان می‌دهد که روش پیشنهادی علاوه بر کاربرد در کاهش مکانیزم احتراق متان، قابلیت استفاده برای تعیین ضرایب آرنیوس در سایر واکنش‌های شیمیایی را نیز دارد.

کلیدواژه‌ها

معادله آرنیوس

الگوریتم ژنتیک

الگوریتم نهنگ

الگوریتم گرگ خاکستری

الگوریتم ژنتیک - ازدحام ذرات

موضوعات

احتراق و آلودگی هوا

عنوان مقاله English

Comparison of the Metaheuristic Algorithms for Determining Optimal Arrhenius Coefficients in the Reduction of a Two-Step Methane Combustion Kinetic Mechanism

نویسندگان English

Alireza Eshaghi

Zeinab Pouransari

Department of Mechanical Engineering, Iran University of Science and Technology, Tehran, Iran

چکیده English

one of the significant challenges in simulating combustion processes is the precise determination of the Arrhenius kinetic coefficients, as these parameters directly influence the accuracy of reaction rate predictions. In this study, four metaheuristic algorithms—including the Genetic Algorithm (GA), Grey Wolf Optimizer (GWO), a hybrid Genetic–Particle Swarm Optimization algorithm, and the Whale Optimization Algorithm (WOA)—were employed to optimize the coefficients of the Arrhenius equation. To evaluate the performance of these algorithms, the reduction of a two-step methane combustion mechanism into a single-step mechanism was selected as a case study. The novelty of this research lies in the comparative and simultaneous assessment of the aforementioned algorithms, determining the most suitable method based on two criteria: Root Mean Square Error (RMSE) and computational runtime. The results indicated that the Whale Optimization Algorithm provided the most accurate performance in determining Arrhenius coefficients, with an RMSE of 0.03325, whereas the Grey Wolf Optimizer exhibited the fastest performance with a runtime of 1.89 seconds. The findings suggest that the proposed methodology is not only applicable to the reduction of methane combustion mechanisms but also possesses the potential for determining Arrhenius coefficients in other chemical reactions.

کلیدواژه‌ها English

Arrhenius Equation

Genetic Algorithm

Whale Optimization Algorithm

Grey Wolf Optimization Algorithm

Genetic-Particle Swarm Optimization

[1] H.K. Versteeg, An introduction to computational fluid dynamics the finite volume method, 2/E, Pearson Education India, 2007.

[2] N. Sullivan, A. Jensen, P. Glarborg, M.S. Day, J.F. Grcar, J.B. Bell, C.J. Pope, R.J. Kee, Ammonia conversion and NOx formation in laminar coflowing nonpremixed methane-air flames, Combustion and Flame, 131(3) (2002) 285-298.

[3] S. Logan, The origin and status of the Arrhenius equation, Journal of Chemical Education, 59(4) (1982) 279.

[4] R. Edelman, O. Fortune, A quasi-global chemical kinetic model for the finite rate combustionof hydrocarbon fuels with application to turbulent burning and mixing in hypersonic engines and nozzles, in: 7th Aerospace Sciences Meeting, 1969, pp. 86.

[5] I.V. Novosselov, Eight-step global kinetic mechanism on methane oxidation with nitric oxide formation for lean-premixed combustion turbines, University of Washington, 2002.

[6] C.K. Westbrook, F.L. Dryer, Simplified reaction mechanisms for the oxidation of hydrocarbon fuels in flames, Combustion science and technology, 27(1-2) (1981) 31-43.

[7] J. Bibrzycki, T. Poinsot, Reduced chemical kinetic mechanisms for methane combustion in O2/N2 and O2/CO2 atmosphere, Work. note ECCOMET WN/CFD/10/17, CERFACS, (2010).

[8] D. Nicol, P. Malte, A. Hamer, R. Roby, R. Steele, Development of a five-step global methane oxidation-NO formation mechanism for lean-premixed gas turbine combustion, (1999).

[9] A. Eshaghi, Z. Pouransari, Optimizing Arrhenius parameters for multi-step reactions via metaheuristic algorithms, Journal of Mathematical Chemistry, (2025) 1-28.

[10] S.R. Turns, Introduction to combustion, McGraw-Hill Companies New York, NY, USA, 1996.

[11] I. Glassman, R.A. Yetter, N.G. Glumac, Combustion, Academic press, 2014.

[12] T. Chai, R.R. Draxler, Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature, Geoscientific model development, 7(3) (2014) 1247-1250.

[13] C.J. Willmott, K. Matsuura, Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance, Climate research, 30(1) (2005) 79-82.

[14] G. Chen, Z. Ren, H. Sun, Curve fitting in least-square method and its realization with Matlab, Ordnance industry automation, 3 (2005) 063.

[15] C.R. Houck, J. Joines, M.G. Kay, A genetic algorithm for function optimization: a Matlab implementation, Ncsu-ie tr, 95(09) (1995) 1-10.

[16] S. Mirjalili, A. Lewis, The whale optimization algorithm, Advances in engineering software, 95 (2016) 51-67.

[17] S.N. Makhadmeh, M.A. Al-Betar, I.A. Doush, M.A. Awadallah, S. Kassaymeh, S. Mirjalili, R.A. Zitar, Recent advances in Grey Wolf Optimizer, its versions and applications, Ieee Access, 12 (2023) 22991-23028.

[18] Y.-T. Kao, E. Zahara, A hybrid genetic algorithm and particle swarm optimization for multimodal functions, Applied soft computing, 8(2) (2008) 849-857.

[19] F.L. Dryer, I. Glassman, High-temperature oxidation of CO and CH4, in: Symposium (International) on combustion, Elsevier, 1973, pp. 987-1003.