شماره ركورد كنفرانس :
3315
عنوان مقاله :
مدل سازي و شبيه سازي واحد تبديل كاتاليستي نفتا با استفاده از شبكه هاي عصبي مصنوعي
عنوان به زبان ديگر :
Modeling and Simulation of Catalytic reforming of naphtha using artificial neural networks
پديدآورندگان :
موسوي مهدي دانشگاه كاشان - دانشكده شيمي - گروه شيمي كاربردي , عسگري باجگيراني مهديه دانشگاه كاشان - دانشكده شيمي - گروه شيمي كاربردي
كليدواژه :
تبديل كاتاليستي نفتا , مدل سازي و شبيه سازي , شبكه عصبي مصنوعي
عنوان كنفرانس :
دومين سمينار شيمي كاربردي ايران
چكيده فارسي :
هدف از اين تحقيق، مدل سازي و شبيه سازي واحد تبديل كاتاليستي نفتا به كمك شبكه عصبي مصنوعي ميباشد. براي اين منظور از 57 داده ي بدست آمده از واحد تبديل كاتاليستي نفتا پالايشگاه نفت لاوان در سال 1393 استفاده شده است. اين داده ها شامل 5 متغيير ورودي و 2 پاسخ خروجي بودند. متغييرهاي ورودي شامل فشار راكتورها، دماي خوراك راكتور اول، دبي حجمي خوراك نفتا، دبي حجمي گاز برگشتي و نسبت مولي هيدروژن به هيدروكربن و پاسخ ها شامل عدد اكتان پژوهشي و دبي حجمي بنزين توليدي بودند. از 45 داده براي آموزش شبكه عصبي مصنوعي و مابقي داده ها براي تست كردن عملكرد شبكه طراحي شده استفاده شد. در اين تحقيق شبكه هاي پرسپترون چند لايه با الگوريتم پس انتشار خطا با ساختارهاي متفاوت تعريف و بررسي شد. به عبارتي با تغيير تعداد نرونهاي لايه مياني، توابع انتقال و الگوريتم هاي آموزش بهترين ساختار شبكه براي مدل سازي اين واحد يافت شد. نتايج نشان داد كه يك شبكه عصبي پرسپترون سه لايه با 15 نرون در لايه مياني، الگوريتم آموزش لونبرگ ماركوآت، تابع انتقال لايه مياني از نوع Tansig و تابع انتقال لايه خروجي از نوع Pureline ، داراي بيشترين مقدار ضريب همبستگي (R2=0.99808) وكمترين مجموع مربعات خطا (MSE=0.023) بود.
چكيده لاتين :
The purpose of this research is to model and simulate of the Catalytic reforming of naphtha using artificial neural network. For this purpose, 51 data from the reforming unit of Lavan Oil Refinery in 2014 were used. The data included 5 input variables including; reactor pressure, feed temperature, volume of feed, volume of return gas and molar ratio of hydrogen to hydrocarbon, and responses including research octane number (RON) and volume of gasoline product. The 45 data were used for training the ANN and the others were used to test. In this study, multi-layer perceptron networks with different structures were defined and examined. In other words, by changing the number of intermediate-layer neurons, transfer functions and training algorithm, the best network for modelling of this unit were found.