پيش بيني دماي بحراني واقعي مخلوط هاي دو جزيي نرمال آلكان ها با هيدروكربن ها با استفاده از SVR-PSO

با توجه به اهمیت خواص بحرانی در صنایع نفت و پتروشیمی و نیز با توجه به اینكه معمولا به علت هزینه زیاد، انجام آزمایشگاهی برخی از فرآیندهای شیمیایی امكان پذیر نیست، توانایی پیش بینی این خواص بدون انجام آزمایش از اهمیت ویژه ای برخوردار است. از سویی با توجه به رابطه غیرخطی میان داده های ورودی و خواص بحرانی مخلوط ها، تحلیل رگرسیونی برای این منظور كارا نبوده و نیاز است از روشهای هوشمند مدرن بهره گرفته شود. لذا به علت كاربرد زیاد مخلوط های دو جزیی نرمال آلكان ها با هیدروكربن ها در صنایع پتروشیمی، در این مقاله با استفاده از الگوریتم رگرسیونبردار پشتیبان (SVR) به پیش بینی دمای بحرانی این مخلوط ها به عنوان یكی از خواص بحرانی رایج پرداخته شده است. همچنین از آنجایی كه بهینه سازی پارامترهای SVR در دقت پیش بینی مدل تاثیر بسزایی دارد، از الگوریتم بهینه سازی جامعه ذرات برای بهینه سازی آنها استفاده شده است. توسعه مدل با استفاده از مقادیر تجربی واقعی صورت گرفته و نتایج شبیه سازی ها دقت بالای مدل را با خطای 0.0127%ARD تایید می كند.

Given the importance of the critical properties of the oil and petrochemical industries and also considering that usually due to high costs, there is not possible to run Laboratory test for some chemical processes, the ability to predict these properties without run Laboratory testing is important. On the one hand due to the nonlinear relationship between the input data and the critical properties of the mixtures, Regression analysis is not effective for this purpose and there is need to use the modern intelligent methods. So due to the widely using the two-component mixtures of normal alkanes with hydrocarbons in the petrochemical industry, in this paper, the critical temperature of the mixtures as one of the common critical properties has been predict using the support vector regression (SVR) algorithm. Although since the optimization parameters of the SVR has a considerable impact on the accuracy of the models prediction, the particle swarm optimization (PSO) used to optimize these parameters. The model developed by the real practical data and simulation results confirmed the high accuracy with the 0.0127% ARD error.