کاربرد برنامه‌نویسی پایتون در مهندسی شیمی

پایتون (Python) به عنوان یک زبان برنامه‌نویسی قدرتمند و همه‌کاره، به‌طور فزاینده‌ای در حوزه‌های مختلف مهندسی، به‌ویژه مهندسی شیمی، مورد استفاده قرار می‌گیرد. پایتون با دارا بودن کتابخانه‌های گسترده و ابزارهای متنوع، به مهندسان شیمی امکان می‌دهد تا مسائل پیچیده را مدل‌سازی، شبیه‌سازی و تحلیل کنند و به راه‌حل‌های بهینه دست یابند. در این مقاله، به بررسی مزایای پایتون، کتابخانه‌های کلیدی آن و نمونه‌هایی از کاربرد این زبان برنامه‌نویسی در مهندسی شیمی می‌پردازیم.

مزایای پایتون برای مهندسان شیمی

انتخاب یک نرم افزار کامل محاسباتی مناسب برای حل مسائل مهندسی شیمی، همواره یک چالش بوده است. نرم‌افزارهای تجاری مانند هایسیس و  اسپن پلاس، با وجود کاربرپسند بودن، جزئیات محاسبات را پنهان می‌کنند و کنترل کمتری به کاربر می‌دهند. بسته‌های نرم‌افزاری ریاضی مانند MATLAB و MathCAD، کنترل بیشتری بر محاسبات ارائه می‌دهند، اما نسخه اصلی آن‌ها می‌توانند بسیار گران باشند و نیاز به دانش تخصصی‌تری دارند. در این میان، پایتون به عنوان یک زبان برنامه‌نویسی متن‌باز و رایگان، مزایای متعددی را برای مهندسان شیمی ارائه می‌دهد:

• رایگان و در دسترس بودن: پایتون به‌صورت رایگان در دسترس است و بر روی اکثر سیستم‌عامل‌ها (ویندوز، macOS و لینوکس) قابل اجراست.
• کتابخانه‌های گسترده: پایتون دارای کتابخانه‌های متعددی است که قابلیت‌های ریاضی و محاسباتی آن را به‌طور چشمگیری افزایش می‌دهند. بسیاری از این کتابخانه‌ها نیز رایگان می‌باشند.
• یادگیری آسان: پایتون دارای سینتکس ساده و خوانا است که یادگیری آن را برای مهندسان آسان می‌کند.
• جامعه‌ی کاربری فعال: پایتون دارای جامعه‌ی کاربری بزرگ و فعالی است که منابع آموزشی، پشتیبانی و کتابخانه‌های متعددی را فراهم می‌کنند.
• قابلیت ادغام: پایتون به راحتی با سایر زبان‌های برنامه نویسی و نرم افزارها ادغام می شود.

بیشتر بخوانید: آموزش نرم افزار های مهندسی شیمی (7 نرم افزار کاربردی) 

 کتابخانه‌های کلیدی پایتون در مهندسی شیمی

نمونه‌هایی از کاربرد پایتون در مهندسی شیمی

محاسبات دیفرانسیل و انتگرال

در طراحی راکتورهای شیمیایی، معادلات دیفرانسیل و انتگرال نقش مهمی ایفا می‌کنند. به عنوان مثال، فرض کنید غلظت یک ماده‌ی A در یک راکتور با زمان، طبق معادله‌ی زیر تغییر می‌کند:

CA = CA0 * exp(-k * t)

که در آن CA غلظت ماده A، CA0 غلظت اولیه A، k ثابت سرعت واکنش و t زمان است. برای تعیین سرعت واکنش، نیاز به محاسبه‌ی مشتق CA نسبت به زمان داریم. با استفاده از کتابخانه‌ی SymPy در پایتون، می‌توان این مشتق را به‌صورت نمادین محاسبه کرد:

CA0, k, t = symbols('CA0 k t')

CA = CA0 * exp(-k * t)

dCA_dt = diff(CA, t)

print(dCA_dt)

خروجی این کد، -CA0*k*exp(-k*t) خواهد بود که می‌توان آن را به -k*CA ساده کرد.

همچنین، می‌توان از SymPy برای محاسبه‌ی انتگرال توابع استفاده کرد. به عنوان مثال، برای محاسبه‌ی انتگرال تابع sin(x)، می‌توان از کد زیر استفاده کرد:

x = symbols('x')

integral = integrate(sin(x), x)

print(integral)

double_integral = integrate(sin(x), (x, 0, pi))

print(double_integral)

طراحی راکتور

در طراحی راکتور، برای تعیین اندازه‌ی یک راکتور Batch که حاوی یک واکنش مرتبه دوم برگشت‌ناپذیر (A -> B) است، نیاز به محاسبه‌ی انتگرال زیر داریم:

     ∫(1 / (CA0 * (1 - X)^2)) dX

که در آن X تبدیل A است. با استفاده از SymPy، می‌توان این انتگرال را به‌صورت نمادین محاسبه کرد:

CA0, X = symbols('CA0 X')

integral = integrate(1 / (CA0 * (1 - X)**2), (X, 0, X))

print(integral)

 X/(CA0*(1 - X) خروجی به صورت

حل دستگاه معادلات خطی

در بسیاری از مسائل مهندسی شیمی، مانند محاسبات موازنه‌ی جرم و انرژی، نیاز به حل دستگاه معادلات خطی داریم. پایتون با استفاده از کتابخانه‌ی NumPy، ابزارهای قدرتمندی برای حل این‌گونه مسائل ارائه می‌دهد. به عنوان مثال، برای حل دستگاه معادلات زیر:

2x + y = 5

x - y = 1

می‌توان از کد زیر استفاده کرد:

 import numpy as np

A = np.array([[2, 1], [1, -1]])

b = np.array([5, 1])

x = np.linalg.solve(A, b)

print(x)

حل معادلات دیفرانسیل

بسیاری از سیستم‌های مهندسی شیمی با معادلات دیفرانسیل توصیف می‌شوند. پایتون با استفاده از کتابخانه‌ی SciPy، ابزارهایی برای حل عددی معادلات دیفرانسیل ارائه می‌دهد. به عنوان مثال، برای حل معادله‌ی دیفرانسیل زیر با شرط اولیه y(0) = 1:

     dy/dt = -y

می‌توان از کد زیر استفاده کرد:

import numpy as np

from scipy.integrate import odeint

import matplotlib.pyplot as plt

def model(y, t):

    dydt = -y

    return dydt

y0 = 1

t = np.linspace(0, 5, 50)

y = odeint(model, y0, t)

plt.plot(t, y)

plt.xlabel('time')

plt.ylabel('y(t)')

plt.show()

دوره‌های آموزشی پایتون

گروه آموزشی پارس‌پژوهان، دوره‌های تخصصی برنامه‌نویسی پایتون را برای مهندسان شیمی ارائه می‌دهد. این دوره‌ها با تمرکز بر کاربردهای پایتون مانند آموزش پایتون مقدماتی و آموزش پایتون پیشرفته، به شما کمک می‌کنند تا مهارت‌های لازم برای حل مسائل واقعی و صنعتی را کسب کنید و به یک مهندس شیمی با تجربه تبدیل شوید.

جمع‌بندی

پایتون با دارا بودن مزایای متعدد، کتابخانه‌های قدرتمند و کاربردهای گسترده، به یک ابزار ضروری برای مهندسان شیمی تبدیل شده است. یادگیری پایتون به شما امکان می‌دهد تا مسائل پیچیده‌ی مهندسی شیمی را به‌طور مؤثرتری حل کنید، شبیه‌سازی‌های دقیق‌تری انجام دهید و به راه‌حل‌های بهینه‌تری دست یابید. با سرمایه‌گذاری در یادگیری پایتون، می‌توانید آینده‌ی شغلی خود را در مهندسی شیمی تضمین کنید.

نویسندگان: فائزه کاظمی زاد، کارشناسی ارشد مهندسی شیمی- علی بهرام، کارشناسی ارشد مهندسی شیمی (فرایند).