مقايسه كاربرد روش هاي خطي و غيرخطي دسته بندي در پيش بيني رفتار ريفرمر كاتاليستي در واحد احياي مستقيم

با توجه به نقش برجسته ريفرمر كاتاليستي در توليد گاز سنتز با كيفيت در واحد هاي احياي مستقيم، روش هاي فرواني براي شبيه سازي اين فرآيند استفاده مي گردد. مدل هاي خطي و غير خطي بسياري با هدف تخمين آنلاين مشخصات محصول با توجه به پارامترهاي ورودي جهت بهينه سازي و كنترل پيش بين اين فرآيند قابل توسعه مي باشند. در اين تحقيق، مجموعه اي از داده هاي ورودي- خروجي بدست آمده از يك پايلوت ريفرمينگ كاتاليستي كه با استفاده از كاهش مقياس ريفرمر موجود در يك واحد ميدركس ساخته شده است، براي توسعه مدل مناسب استفاده شد. جهت شناسايي پارامترهاي موثر در سيستم، حذف نويز در داده ها و همچنين داده هاي پرت از سه شيوه مدلسازي غير نظارت شده شامل شبكه عصبي مصنوعي،PCA وK-means استفاده شده و عملكرد هر يك از اين روش ها كه همگي جزء روش هاي خوشه بندي داده ها هستند ارزيابي شد. نتايج گزارش شده مبين قابليت بالاتر شبكه هاي عصبي در شبيه سازي فرآيند نسبت به روش PCA و قابليت بالاتر اين روش در مقايسه روش K-means مي‌باشد.