در این پایان نامه مدل سازی هیبرید، شبیه سازی و بهینه سازی چند هدفه راکتور کاتالیستی بستر ثابت ریفرمینگ متان جهت تولید گاز سنتز مورد بررسی قرارگرفته است. مدل سازی ریاضی فرآیند با استفاده از مدل یک بعدی و با در نظر گرفتن مقاومت انتقال جرم درونی دانه کاتالیست انجام شد و پروفایل های دما، میزان تبدیل متان و کسر مولی گونه ها در طول راکتور بدست آمدند. به منظور کاهش زمان بهینه سازی مدل هیبرید فرایند ریفرمینگ متان توسعه داده شد. مدل سازی هیبرید با تلفیق مدل ریاضی و مدل های جعبه سیاه نظیر شبکه عصبی و رگرسیون بردار پشتیبان انجام شد. استفاده از مدل هیبرید ساخته شده با شبکه عصبی خطای کمتری نسبت به رگراسیون بردار پشتیبان در محاسبه پروفایل های دما و کسر مولی گونه ها بدست داد. شبیه سازی راکتور ریفرمینگ با استفاده از مدل هیبرید شبکه عصبی، زمان محاسبه پروفایل های دما و غلظت گونه ها را از 45 ثانیه به 4 ثانیه کاهش داد.در مرحله بعد بهینه سازی چند هدفه راکتور ریفرمینگ برای موارد مطالعاتی مختلف با استفاده از الگوریتم ژنتیک مرتب سازی غیرغالب (NSGA-ІІ) انجام شد و مجموعه جواب های بهینه پارتو برای هر مورد محاسبه گردید. استفاده از مدل هیبرید برای بدست آوردن مجموعه جواب های بهینه در ماکزیمم سازی همزمان میزان تبدیل متان و هیدروژن تولیدی زمان محاسبات را از 24/8 ساعت به 9/2 ساعت کاهش داد. مطالعات نشان داد که محدوده مرز پارتو برای ماکزیمم سازی همزمان این توابع هدف به ترتیب 67/0 تا 1 و 3/3 تا mol/s 9/4 بود. در حالیکه محدوده مرز پارتو برای ماکزیمم سازی میزان تبدیل متان و مینیمم سازی خوراک ورودی و همچنین ماکزیمم سازی هیدروژن تولیدی و مینیمم سازی کربن دی اکسید خروجی باریک اما دارای تنوع مناسبی بود. مهمترین متغیرهای تاثیرگذار برای این مورد مطالعاتی دبی خوراک و نسبت بخار به متان بود. در بهینه سازی سه هدفه، ماکزیمم سازی همزمان میزان تبدیل متان و هیدروژن تولیدی و مینیمم سازی کربن دی اکسید تولیدی بررسی شد. مجموعه جواب پارتو برای این مطالعه نیز با محدوده وسیع و تنوع مطلوب بدست آمد.
