مدل‌سازي و بهينه‌سازي واحد توليد هيدروژن با شبكه‌ي‌ عصبي مصنوعي و الگوريتم ژنتيك

Modeling and optimization of hydrogen production plant via artificial neural network and genetic algorithm

هدف اصلي اين پژوهش، مدل‌سازي واحد صنعتي توليد هيدروژن براساس تبديل متان با بخار آب با كاربرد شبكه‌ي عصبي مصنوعي است. عامل‌هاي دبي فراورده و انرژي مصرفي به عنوان عامل‌هاي خروجي مدل در نظر گرفته شد و دو شبكه‌ي عصبي مجزا براي پيش‌بيني اين دو عامل‌ مدنظر قرارگرفت. نتيجه‌هاي مدل‌سازي با دقت بسيار خوب، خطاي متوسط مطلق، خطاي متوسط نسبي و خطاي احتمالي بين داده‌هاي واقعي كارخانه و مدل را به ترتيب برابر با 14/2، 21/1 و 9/2 براي شبكه‌ي اول و 37/0، 84/0 و 55/0 براي شبكه‌ي دوم پيش‌بيني كرد. بر اساس تجزيه حساسيت، دماي گاز سنتز خروجي از مبدل، بيشترين تاثير را بر توليد هيدروژن و دبي جريان گاز اتلافي به عنوان تاثيرگذارترين عامل‌ بر ميزان مصرف انرژي واحد شناخته شدند. پس از مدل‌سازي واحد، از الگوريتم ژنتيك به منظور يافتن شرايط عملياتي بهينه استفاده شد. به اين صورت كه سود ناخالص به‌دست آمده از فرايند به عنوان تابع هدف مدنظر قرار گرفت و عامل‌هاي عملياتي به منظور دست‌يابي به حداكثر سود با استفاده از الگوريتم ژنتيك بهينه شد. نتيجه‌هاي الگوريتم ژنتيك سود به‌دست آمده از فرايند را 56/42 دلار بر ساعت پيش‌بيني كرد كه 25 درصد بيشتر از ميانگين سود واحد در شرايط واقعي است.

The main objective of this research was to model an industrial hydrogen plant based on steam methane reforming using artificial neural network (ANN). Two different ANN networks were developed for prediction of hydrogen production rate and corresponding energy consumption using 20 operating parameters as inputs of both networks. The obtained ANN resuls indicated a very close compatibility with average absolute error, average relative error, and probable error of 2.14, 1.21, and 2.9 for hydrogen production, 0.37, 0.84 and 0.55 for energy consumption, respectively. Based on sensitivity analysis, temperature of synthesized gas from reformer was identified as the most important parameter influencing the hydrogen production, and energy consumption was affected the most by the tail gas flow rate. After ANN modeling, genetic algorithm (GA) was used to optimize plant operating conditions. In this regard, plant gross profit was considered as objective function and GA optimization resulted in the profit of $42.56/h which is 25% higher than actual average profit.