سال انتشار: ۱۳۸۵

محل انتشار: اولین همایش ملی تخصصی گاز ایران

تعداد صفحات: ۱۲

نویسنده(ها):

رضا اسلاملوئیان – استادیار بخش مهندسی شیمی، نفت و گاز – دانشکده مهندسی، دانشگاه شیراز
آمنه صحرانشین – دانشجوی کارشناسی ارشد بخش مهندسی شیمی، نفت و گاز – دانشکده مهندسی، دان

چکیده:

در این تحقیق، شبکه های عصبی مصنوعی جهت عیب یابی یکی از فرایندهای مورد استفاده در فرآورش گاز طبیعی به کار رفته است. این شبکه ها در مدلسازی فرآیند های غیر خطی و پیچیده قابل استفاده می باشند و ازاین رو کاربرد زیادی در فرآیندهای صنایع نفت و گاز دارند. یکی از کاربردهای شبکه های عصبی تشخیص عیوب فرایند با استفاده از داده های به دست آمده از سیستمهای اندازه گیری کمیت های فرایندی می باشد. عدم تشخیص به موقع مشکلات و عیوب باعث ادامه وضعیت غیر نرمال فرایند شده که این موضوع منجر به کاهش بازده فرایند، کیفیت محصول و استانداردهای ایمنی می شود. به طور کلی وجود شرایط غیر نرمال در علمیات فرایند، عامل ایجاد خسارت های مادی و در بدترین وضعیت، تلافات جانی می باشد. فرآیندی که در این تحقیق مورد بررسی قرار گرفته برج تفکیک بوتان است. این فرایند شامل یک برج تقطیر سینی دار مجهز به کندانسور، ربویلر، و تجهیزات جانبی از قبیل محفظه تبخیر ناگهانی، پمپ و سیستمهای کنترل و اندازه گیری میباش. خوراک فرآیند به صورت دو جریان مجزا وارد سینی های چهارم و هشتم یک برج تقطیر سینی دار می شود. محصول بالای برج عمدتا شامل بوتان و بوتیلن و محصول پایین آن حاوی پنتان و هیدروکربنهای سنگین تر می باشد. داده های مورد نیاز برای آموزش شبکه عصلی از شبیه سازی واحد در حالت ناپایا به دست می آید. بدین منظور فرایند مذکور با استفاده از نرم افزار HYSYS در حالت دینامیکی شبیه سازی شد. ده عیب محتمل بر اساس تجهیزات موجود در فرایند، در نظر گرفته شد. همچنین، سیزده کمیت اندازه گیری شده توسط سیستم کنترل و ابزار دقیق واحد، جهت تشخیص عیب به عنوان بردار ورودی بهش بکه عصلی لحاظگردیدند. داده های آموزشی، آزمایشی و ارزیابی مورد نیاز برای طراحی شبکه عصلی از شبیه سازی دینامیکی واحد به دست آمد. شبکه مورد استفاده در این تحقیق از نوع شبکه های پیشرونده (Multi-Layer Perceptron (MLP) می باشد . این شبکه عصبی شامل یک لایه مخفی و یک لایه خروجی هر کدام شامل ده نرون است. توابع انتقالی لایه مخفی و لایه خروجی به ترتیب از نوع logsig , tansing می باشند. سیستم عیب یابی طراحی شده با استفاده از شبیه سازی واحد درحالت ناپایا مورد ارزیابی قرار گرفت. بررسی نتایج ارزیابی نشان داد که شبکه عصبی طرا حی شده در اکثر موارد با دقت نسبتا مناسبی قادر به تشخیص عیوب فرایند می باشد.