مدلسازي ديگ بخار واحد يوتيليتي توسط شبكه عصبي مصنوعي

كارشناسي ارشد

مهندسي شيمي

تهران ئشمال

1403

تاريخ ثبت در تهران شمال سه شنبه 1403/11/30

صحافي شده ندارد

محمديان

دانشگاه پيام نور مركز تهران شمال

اين تحقيق به بررسي و مدلسازي بازدهي بويلرها با استفاده از تكنيك‌هاي هوش مصنوعي و يادگيري ماشين مي‌پردازد. هدف اصلي اين مطالعه ارائه مدلي دقيق براي تخمين بازدهي بويلر با توجه به شاخص‌هاي كاري مختلف است. براي اين منظور، سه مدل مختلف شامل رگرسيون خطي، شبكه عصبي مصنوعي(ANN) و رگرسيون بردار پشتيبان(SVR) با استفاده از داده‌هاي اندازه‌گيري شده از بويلر شركت پالايش نفت لاوان مورد بررسي قرار گرفت. در اين تحقيق، ابتدا ارتباط بين شاخص‌هاي كاري بويلر نظير جريان هواي ورودي، حجم سوخت ورودي، نرخ بخار خروجي، دماي بخار خروجي و درصد گاز O2 در خروجي دودكش با بازدهي بويلر تحليل شد. نتايج نشان داد كه عوامل مختلف تأثيرات متفاوتي بر بازدهي بويلر دارند، به‌ويژه نرخ بخار خروجي و دماي بخار كه با بازدهي بويلر همبستگي مثبت قابل توجهي داشتند، در حالي كه درصد گاز O2 همبستگي منفي نشان داد. مدلسازي با استفاده از رگرسيون خطي به ضريب همبستگي R2= 0.9783 دست يافت. در ادامه، شبكه عصبي مصنوعي با استفاده از سه تابع انتقال مختلف (purelin، logsig و tansig) مورد ارزيابي قرار گرفت. نتايج نشان داد كه تابع انتقال tansig بهترين عملكرد را با ضريب همبستگي R2=0.9992 ارائه داد. همچنين، رگرسيون بردار پشتيبان با كرنل چندجمله‌اي درجه سوم به بهترين دقت رسيد (R2 =0.9989). نتايج مقايسه مدل‌ها نشان داد كه مدل‌هاي يادگيري عميق و SVR عملكرد بهتري نسبت به رگرسيون خطي در تخمين بازدهي بويلر دارند. اين مطالعه بر اهميت استفاده از تكنيك‌هاي پيشرفته يادگيري ماشين براي بهبود دقت پيش‌بيني و مديريت بهينه عملكرد بويلرها تأكيد مي‌كند.

77355