طراحی فیلتر کیسهای با استفاده از الگوریتم شبکه عصبی و مدل سازی معادلات ساختاری (مورد مطالعاتی: کارخانجات تولید سیمان)
الموضوعات :
معصومه زینال نژاد
1
,
توحید پوررستم
2
1 - گروه مهندسی صنایع، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران.
2 - گروه مهندسی عمران، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: Bag Filters, data mining, structural equation modeling, Cement industry, Neural Network,
ملخص المقالة :
با وجود آنکه امروزه مدل‌سازی‌های داده‌محور در بهبود فرآیندهای سازمان‌های تولیدی مرسوم گشته، کمتر در طراحی ماشین‌آلات و تجهیزات صنعتی به‌کار گرفته شده اند. در این تحقیق، با توجه به آلودگی‌های زیست محیطی توسعه‌ی صنعت سیمان، فیلترهای کیسهای مورد نیاز جهت کنترل و پالایش هــــــوای آلوده طراحی گردید. محاسبه صحیح و دقیق ابعاد فیلتر کیسهای یا بگ‌فیلتر می‌تواند نقش بسزایی در کاهش آلایندگی کارخانجات سیمان و توجیه‌پذیری اقتصادی آنها داشته باشد. از اینرو، هدف، لحاظ نمودن پارامترهای کلیدی و ارائه روشی کارا به منظور محاسبه ابعاد بهینه کیسه مورد نیاز هر فیلتر با استفاده از تحلیل داده‌های موجود است. برای این منظور از تکنیک‌های داده‌کاوی و مدل‌سازی معادلات ساختاری استفاده گردید. پارامترهای مهم در طراحی بگ‌فیلترها عبارتند از دما، فشار، میزان درصد غبار ورودی، دانه بندی غبار، میزان رطوبت گرد و غبار، نوع ذره و میزان اشتعال پذیری مواد که به دلیل ثابت بودن برخی از پارامترها و عدم اشتعال پذیری ذرات در تولید سیمان، صرفا سه عامل میزان دبی گرد و غبار، میزان گرد و غبار، و اندازه غبار مدل‌سازی شدند. نتایج نشان داد الگوریتم شبکه عصبی ترکیبی (ensemble) با روش boosting می‌تواند سطح مورد نیاز کیسه را با دقت قابل قبول 95.4 درصد پیشبینی نماید. همچنین، در هر فیلتر کیسهای، میزان دبی گرد و غبار 80 درصد در محاسبه میزان سطح پارچه مورد نیاز آن تاثیرگذار است و عوامل میزان گرد و غبار و اندازه آن، با اختلاف زیادی نسبت به دبی، به ترتیب با 15 و 6 درصد، در درجه دوم و سوم اهمیت قرار دارند.
[1] S. Ameraoui, A. Boutaleb, N. Souiher, D. Berdous. Investigation of potential accumulation and spatial distribution of heavy metals in topsoil surrounding the cement plant of Meftah (southeastern Algiers region, Algeria). Arabian Journal of Geosciences.10(21), 464 (2017)
[2] K. Scrivener, A. Ouzia, P. Juilland, A.K. Mohamed. Advances in understanding cement hydration mechanisms. Cement and Concrete Research. 124, 105823 (2019)
[3] Cement Industry Employers Associationhttp://cementassociation.ir
[4] M. Ebrahimi, S.M.T.F. Ghomi, B. Karimi. Application of the preventive maintenance scheduling to increase the equipment reliability: Case study-bag filters in cement factory. Journal of Industrial and Management Optimization. 16(1), 189-205 (2020).
[5] A. Bhargava. Design of Bag Filter for the Control of Dust Emissions for a Cement Plant. International Journal of Scientific Development and Research. 1 (3) (2016).
[6] J.B. Hayes, J. Wang, J.G. Roessler, D. Deford, T.G. Townsend. Evaluation of leaching of trace metals from concrete amended with cement kiln baghouse filter dust. Resources, Conservation and Recycling. 94, 92-98 (2015).
[7] H. Zermane, H. Mouss, T. Oulmi, S. Hemal. Fuzzy-based process control system of a bag-filter in cement manufacturing plant. 16th International Conference on Systems and Control, 7958740, 109-114 (2017).
[8] D.R. Nhuchhen, S.P. Sit, D.B. Layzell. Towards net-zero emission cement and power production using Molten Carbonate Fuel Cells. Applied Energy. 306,118001 (2022).
[9] C.W. Purnomo, W. Budhijanto, M. Alfisyah, M. Triyono. Improvement of cement plant dust emission by bag filter system. IOP Conference Series: Materials Science and Engineering, 316(1), 012031 (2018).
[10] J.I. Bhatty. Innovations in Portland Cement Manufacturing. Portland cement Association, 740-745 (2004).
[11] J.D. McKenna, D. Furlong. Fabric filters, In A. J. Buonicore and W. T. Davis (Eds.), Air Pollution Engineering Manual. New York, Van Nostrand Reinhold (1992).
[12] G. Habert, S.A. Miller, V.M. John, et al. Environmental impacts and decarbonization strategies in the cement and concrete industries. Nat Rev Earth Environ 1, 559–573 (2020).
[13] FLSmidth.com
[14] P.S. Abhishek, P.N. Ramachandran. Design of Pleated Bag Filter System for Particulate Emission Control in Cement Industry. International Research Journal of Engineering and Technology. 2(5) (2015).
[15] J. Brito, R. Kurda. The past and future of sustainable concrete: A critical review and new strategies on cement-based materials. Journal of Cleaner Production. 281, 123558 (2021).
[16] A. Mohammed, S. Rafiq, W. Mahmood, H. Al-Darkazalir, R. Noaman, W. Qadir, K. Ghafor. Artificial Neural Network and NLR techniques to predict the rheological properties and compression strength of cement past modified with nanoclay. Ain Shams Engineering Journal. 12 (2), 1313-1328 (2021).
[17] J.L. García-Alcaraz, J.R. Díaz-Reza, J.L. Hernandez, G. Cortes-Robles. The Application of Structural Equation Models in Industry: Tendencies, International Journal of Management Sciences. 4(10), 429-444 )2014).
[18] A.A. Shubbar, M. Sadique, H.K. Shanbara, K. Hashim. The Development of a New Low Carbon Binder for Construction as an Alternative to Cement. Advances in Sustainable Construction Materials and Geotechnical Engineering. Lecture Notes in Civil Engineering. 35 (2020).
[19] Z.H. Zhou, J. Wu, W. Tang. Ensembling neural networks: Many could be better than all. Artificial Intelligence. 174 (18), 1570 (2010).
طراحی فیلتر کیسهای با استفاده از الگوریتم شبکه عصبی و مدل سازی معادلات ساختاری (مورد مطالعاتی: کارخانجات تولید سیمان)
چکیده:
با وجود آنکه امروزه مدل‌سازی‌های داده‌محور در بهبود فرآیندهای سازمان‌های تولیدی مرسوم گشته، کمتر در طراحی ماشین‌آلات و تجهیزات صنعتی به‌کار گرفته شده اند. در این تحقیق، با توجه به آلودگی‌های زیست محیطی توسعه‌ی صنعت سیمان، فیلترهای کیسهای مورد نیاز جهت کنترل و پالایش هــــــوای آلوده طراحی گردید. محاسبه صحیح و دقیق ابعاد فیلتر کیسهای یا بگ‌فیلتر می‌تواند نقش بسزایی در کاهش آلایندگی کارخانجات سیمان و توجیه‌پذیری اقتصادی آنها داشته باشد. از اینرو، هدف، لحاظ نمودن پارامترهای کلیدی و ارائه روشی کارا به منظور محاسبه ابعاد بهینه کیسه مورد نیاز هر فیلتر با استفاده از تحلیل داده‌های موجود است. برای این منظور از تکنیک‌های داده‌کاوی و مدل‌سازی معادلات ساختاری استفاده گردید. پارامترهای مهم در طراحی بگ‌فیلترها عبارتند از دما، فشار، میزان درصد غبار ورودی، دانه بندی غبار، میزان رطوبت گرد و غبار، نوع ذره و میزان اشتعال پذیری مواد که به دلیل ثابت بودن برخی از پارامترها و عدم اشتعال پذیری ذرات در تولید سیمان، صرفا سه عامل میزان دبی گرد و غبار، میزان گرد و غبار، و اندازه غبار مدل‌سازی شدند. نتایج نشان داد الگوریتم شبکه عصبی ترکیبی (ensemble) با روش boosting می‌تواند سطح مورد نیاز کیسه را با دقت قابل قبول 95.4 درصد پیشبینی نماید. همچنین، در هر فیلتر کیسهای، میزان دبی گرد و غبار 80 درصد در محاسبه میزان سطح پارچه مورد نیاز آن تاثیرگذار است و عوامل میزان گرد و غبار و اندازه آن، با اختلاف زیادی نسبت به دبی، به ترتیب با 15 و 6 درصد، در درجه دوم و سوم اهمیت قرار دارند.
واژگان كليدي: داده‌کاوی، شبکه عصبی، مدل‌سازی معادلات ساختاری، فیلترهای کیسهای، صنعت سیمان
با رشد روز افزون جوامع صنعتی و افزایش روند مصرف منابع محدود، مصرف بتن نیز افزایش یافته است. بتن حاصل اختلاط ماسه، آب و سیمان بوده و از اصلی‌ترین اجزای پروژه‌های ساختمانی به شمار می‌رود. سیمان از مواد اولیه‌ای چون مارل و آهک تهیه می‌شود و در فرایند تولید، پس از خردایش و آسیاب شدن مواد اولیه، در کوره پخته شده تا به کلینکر تبدیل شود و در نهایت، با اختلاط با گچ یا برخی مواد افزودنی دیگر، به سیمان تبدیل می‌شود. طی پروسه تولید سیمان و هر جا انتقال مواد اولیه یا نهایی صورت می‌گیرد، ذرات گرد و غبار با سایزهای مختلف ایجــاد می‌شود که می‌باید توسط فیلترهای الکترواستاتیکی یا کیسه ای از هوا جداسازی شده و میزان گرد و خاک در هوای خروجی دودکش به میزان استاندارد کاهش یابد.
مدت هاست که آلودگی ذرات گرد و غبار سیمان به دلیل پایداری سمیت در محیط، توجه محققان را به خود جلب کرده است. گرد و غبار سیمان با فلزات سنگین سمی غنی شده است و می‌تواند در یک منطقه وسیع توسط باد و باران پخش شود و روی گیاهان، حیوانات و خاک و در نهایت بر سلامت انسان تأثیر سوء داشته باشد [1]. میزان تولید غبار در کارخانجات سیمان به ازای هر تن کلینکر تولیدی 540 گرم است [2] که در یک کارخانه سه هزار تنی در هر روز این رقم به میزانی بالغ بر یک و نیم تن خواهد رسید. مطابق آمار انجمن صنفی کارفرمایان سیمان کشور، ظرفیت سالانه کارخانجات سیمان کشور بیش از 85 میلیون تن بوده ]3[ که جمعا سالانه بیش از 46 هزار تن گرد و غبار تولید کرده و حدود 25 میلیون تن گاز کربنیک را به هوا وارد می نمایند.
آمراو و همکاران [1] در بررسی محیطی کارخانه سیمان مفتاح الجزایر نشان دادند خاک به میزان قابل توجهی توسط فلزاتی مانند سرب، روی، مس و کادمیوم آلوده شده بوده است و بنابراین نظارت سیستماتیک و مستمر بر فیلترهای کیسهای کارخانه برای کاهش انتشار گرد و غبار سیمان بسیار مهم است. از اینرو، ابراهیمی و همکاران [4]، با استفاده از برنامه‌ریزی ریاضی و یک الگوریتم فراابتکاری، زمانبندی تعویض فیلتر کیسهای با هدف نگهداری پیشگیرانه برنامه‌ریزی‌شده را تعیین کردند تا سطح مشخصی از قابلیت اطمینان با حداقل هزینه نگهداری حفظ گردد.
بارگاوا [5] فیلترهای کیسه ای را برای تولید 100 تن سیمان در روز با استفاده از فناوری کوره شفت عمودی در راجستان هندوستان بر اساس داده های میدانی واقعی طراحی کرد. هایس و همکاران [6]، برای کنترل انتشار جیوه در عملیات کوره سیمان پرتلند، فیلتر کیسهای طراحی کردند که ذرات را جمع‌آوری نموده و طی یک فرآیند غیرآلی در کوره مجددا مورد استفاده قرار می‌داد. همچنین، زرمان و همکاران [7] یک سیستم نظارت مستمر بر انتشار آلاینده‌ها مبتنی بر تکنیک هوش مصنوعی فازی طراحی کردند که شامل یک هواکش مکنده، یک فیلتر کیسهای و یک سیستم جمع آوری و تخلیه گرد و غبار بود.
کاربرد الگوریتم‌های هوش مصنوعی و داده کاوی در صنعت و بخش خدمات روز به روز بیشتر شده و اخیرا نیز این امر، به حیطه طراحی تجهیزات وارد شده است که در این مقاله کاربرد الگوریتم شبکه عصبی مصنوعی در طراحی فیلترهای کیسهای مورد ارزیابی قرار گرفته تا بتوان روشی را برای محاسبه تاثیر همزمان پارامترهای اصلی موثر بر طراحی فیلترهای کیسهای در کارخانجات سیمان ارایه نمود. در این مقاله، به صورت موازی از روش معادلات ساختاری برای محاسبه سطح کیسه مورد نیاز فیلترهای کیسه ای استفاده شده و در نهایت، خروجی های هر دو مدل مقایسه شده است.
2-مرور ادبیات تحقیق
دستیابی به انتشار صفر گازهای گلخانه‌ای در تولید سیمان مستلزم کاهش اساسی در انتشارات فرآیند تولید است [8]. اغلب در گدشته، آلاینده‌های صنعت سیمان با نصب رسوب‌دهنده‌های الکترواستاتیک کنترل می‌شدند، اما این تجهیزات با چالش‌هایی همچون حساسیت نسبت به کاهش توان، نوسانات ولتاژ، و نسبت نامناسب سوخت به مواد خام در کوره، مواجه بودند [5]. همچنین، در آنها باید دمای گاز ورودی نسبتا پایین باشد تا بتوانند گرد و غبار را به طور موثر حذف کنند، و این مستلزم آن است که به آب خنک کننده بیشتری در برج تهویه برای خنک کردن گاز از 400 درجه سانتیگراد تا حدود 100 درجه سانتیگراد نیاز باشد [9]. از اینرو، امروزه بگ فیلترها تا حدود زیادی جانشین رسوب‌دهنده‌های الکترواستاتیک شدهاند. پورنومو و همکاران [9] نشان دادند استفاده از بگ فیلترها می تواند به طور قابل توجهی انتشار گرد و غبار را از 30 به 6 میلی گرم بر متر مکعب کاهش دهد و در عین حال انتشار CO2 را 0.24 تن در سال از طریق صرفه جویی در مصرف برق کاهش دهد.
1-2 کاربرد بگ فیلتر
فیلترهای کیسهای یا بگ فیلترها، بیشترین درصد فیلترهای موجود در یک کارخانه سیمان را تشکیل می دهند [7] و در مقایسه با رسوب‌دهنده‌های الکترواستاتیک، اجازه می‌دهند تا دمای گاز ورودی بیشتر باشد و در نتیجه راندمان حذف گرد و غبار بالاتر رود [9]. امروزه در کشور، طراحان در شرکت‌های مشاور از جداول یا نمودارهای خاصی برای طراحی بگ فیلترها استفاده می‌کنند که در دسترس عام قرار ندارند. پارامترهای دخیل در طراحی بگ فیلترها به صورت کلی عبارتند از دما، فشار، میزان درصد غبار ورودی، دانه بندی غبار، میزان رطوبت گرد و غبار، نوع ذره و میزان اشتعال‌پذیری مواد که در صنعت سیمان به دلیل مشخص بودن برخی از پارامترها و عدم اشتعال‌پذیری ذرات، عملا میزان دبی گرد و غبار، دما، اندازه غبار و میزان آن مهم بوده و بر اســـاس آنها، سطح پارچه مورد نیاز محاسبه می‌شود ]10[.
همان‌گونه که در شکل 1 نشان داده شده است غبار ایجاد شده در خط تولید، توسط هودها و داکت‌ها از نقاط غبارخیز جمع‌آوری شده و به صورت شناور در بستر هوا به سمت فیلتر کیسهای، انتقال می‌یابد که این امر، توسط یک دستگاه فن با ایجاد فشار منفی داخل شبکه و دستگاه‌ها انجام می‌گیرد.
شکل 1. شمایی از یک فیلتر کیسه ای ]11[
سرعت انتقال مواد در کانال‌ها، تابع خواص فیزیکی ذرات غبار بوده ولی محدوده مجاز طراحی بین ۱۰ تا ۲۰ متر بر ثانیه در نظر گرفته می‌شود. ذرات غبار به همراه هوا وارد محفظه اصلی دستگاه شده و پس از عبور ازکیسه ها (که از جنس الیاف با خواص و دانسیته متفاوت می‌باشند و بسته به نوع غبار و مشخصات غبار انتخاب می‌شوند) جداسازی شده و در نتیجه هوای تصفیه شده، توسط فن و از طریق دودکش به بیرون رانده می‌شود. پس از پوشیده شدن کیسه ها توسط غبار، سنــــــــسور اختلاف فشار که اختلاف فشار هوا قبل و بعـد از پوشانیده شدن کیسه را به صــــــــورت پیوسته کنترل می نماید، فرمان تمیزکاری را به شیرهای برقی، صادر می‌کند. این شیرهای برقی در زمانی حدود ۱۰۰ تا ۲۵۰ هزارم ثانیه باز می‌گردند و هوای فشرده را با فشار شش بار، از طریق لوله ها به دهانه کیسه‌ها، هــدایت می‌کنند که باعث ایجاد یک موج ضربه روی کیسه‌ها و تخلیه غبار کیسه‌ها می‌گردد ]10[.
2-2 روشهای طراحی بگ فیلتر
علی‌رغم قدمت بیش از 75 ساله صنعت سیمان در ایران، در این‌زمینه، تلاش خاصی برای تدوین روشهای طراحی صورت نگرفته و بررسی‌های محدود صورت گرفته، نیز به دلیل عدم دسترسی به نحوه محاسبه و برخی پیچیدگی‌های موجود، چندان موفق نبوده است [12].
از شیوه‌های طراحی موجود، می‌توان به روش طراحی شرکت FLSmidth دانمارک ]13[ با چـــند دهه سابقه در این امر و مالک شرکت تخصصیFLSAirtech ]14[ که یکی از بزرگان طراحی سیستم های فیلتراسیون در دنیا است، اشاره نمود که در این تحقیق نیز این شیوه مورد استناد قرار گرفته، هر چند که جداول و نمودارهای مربوط به این شیوه نیز، هم‌اکنون در دسترس عموم نمی‌باشد. مثال ارائه شده توسط بارگاوا ]5[ با پیش فرض های خاص یک پروژه تهیه شده، لذا با اطمینان کافی نمی‌توان آن را به‌صورت عمومی به‌کار برد. شــــیوه آبیشک و راماچاندران [15] عمــومی‌تر بوده، هر چند فرمولاسیون ارایه‌شده در آن، دارای اشکالاتی است. در اینجا شیوه محاسبه شرکت FLSmidth ]16[ که مورد استفاده این مقاله بوده به صورت مختصر شرح داده می‌شود:
· ابتدا می‌بایست نوع گرد و غبار انتخاب شود. در صنعت سیمان در بخش تولید کلینکر، با توجه به نوع گرد و غبار، تیپ B انتخاب می‌شود ولی چنانچه هدف انتخاب فیلتر در بخش تولید سیمان از کلینکر باشد، نوع C باید انتخاب شود.
· سایز گرد و غبار تولیدی با توجه به محل خیزش و نوع مواد و تجهیز درحال کار، از جداول خاصی که در هندبوک‌ها و مراجع صنعت سیمان موجود است ]17[ انتخاب می شود.
· دبی گرد و غبار با توجه به مشخصات هر تجهیز از جمله تعداد نقاط خیزش گردوغبار، فاصله تا نقطه غبارگیری و استقرار فیلتر، ظرفیت تجهیزات یا سرعت انتقال مواد، که توسط سازندگان هر تجهیز جداگانه اعلام شده و در مستندات و کاتالوگ‌های شرکت‌های تولیدکننده، ذکر می‌شوند، انتخاب می‌شود که شیوه محاسبات و جداول مربوطه در هندبوک‌های طراحی صنعت سیمان ]17[ ذکر شده است.
شکل 2. بخشی از نمودارهای شرکت FLSmidth برای انتخاب سایز بگ فیلتر (به دلیل حق کپیرایت، گراف ها توسط شرکت طراح، محو گردیده است) ]18[
· پس از انتخاب سایز و میزان دبی، برای تعیین ظرفیت فیلترهای کیسهای از نمودارهای ارایه شده توسط شـــرکت FLSmidth کمــــک می‌گیریم [18] که بخشی هایی از این نمودارها در شکل 2 آمده است:
I. اندازه ذرات را بر حسب میکرون از نمودار مربوط به سایز ذرات پیدا کرده و از آنجا خطی به موازات افق رسم می‌کنیم تا نمودار میزان دبی مورد نظر را در یک نقطه قطع کند (در شکل 2 خطی از سایز 50 میکرون به صورت افقی رسم شده تا خط دبی 700 مترمکعب در دقیقه را قطع نماید. ).
II. از نقطه تقاطع خط دبی و سایز، به صورت عمودی خطی رسم کرده تا خطوط قرمز مایل را با توجه به دما و نوع ذرات گرد و غبار در یک نقطه قطع کند.
III. از نقطه یاد شده در بند قبل، به صورت افقی خطی رسم می کنیم.
IV. میزان Dust Load محاسبه شده را در سمت راست گراف وسط پیدا کرده از آن نقطه خطی عمودی رسم کرده تا خط افقی ایجاد شده در بند III را قطع کند.
V. نقطه تقاطع دو خط رسم شده در دو بند پیشین، سطح مورد نیاز بگ فیلتر خواهد بود.
3- روش تحقیق
3-1- الگوریتم شبکه عصبی مصنوعی
این الگوریتم بر اساس ساختار عصبی انسان بنا شده و شامل مغز و اعصاب متصل به آن می‌باشد. در این شبکه، پردازشگرهای کوچک و بسیار زیادی، با نام نورون، وجود دارد که به عمل پردازش داده‌ها سرعت می‌بخشند و هر یک دارای بخش‌های جسم سلولی یا همان توابع هر مدل، دندریت‌ها یا دربرگیرنده ورودی توابع و آکسون ها یا همان خروجی توابع می‌باشند ]19[.
شکل 3. شمایی از روش کار الگوریتم شبکه عصبی ]20[
همان‌گونه که در شکل 3 نشان داده شده، ساختار شبکه عصبی سه لایه دارد که لایه ورودی پس از دریافت داده‌ها و اعمال وزن به آنها، سیگنال ورودی را به لایه بعد، که لایه میانی یا لایه پنهان یک یا چند لایه نیز نامیده می‌شود، منتقل می‌کند. در انتها خروجی وزن‌دار لایه پنهان به خروجی ارسال می‌گردد که همین لایه، پیشبینی خروجی نهایی شبکه را نیز برعهده دارد ]19[. برای ساخت الگوریتم شبکه عصبی ترکیبی مورد استفاده در تحقیق حاضر، از روش boosting استفاده شد.
2-3- روش معادلات ساختاری
در مدل معادلات ساختاری، با تعریف ساختارهای علی خاص بین مجموعه‌ای از سازه‌های غیرقابل مشاهده ارتباط ایجاد می‌شود. این مدل‌ها از دو نوع خاص تشکیل می‌شوند که در یکی ارتباط بین متغیرهای پنهان تعیین می‌شود و در دیگری روابط بین متغیرهای پنهان و مشاهده شده حدس زده می‌شود. نوع مرسومی از این ساختار در شکل 4 آمده است.
شکل 4. ساختار مدل معادلات ساختاری [20]
3-3- فرض‌های تحقیق
در این مقاله، فرض های اولیه ذیل در نظر گرفته شدهاند:
· میزان دبی گرد و غبار، دما، اندازه غبار و میزان آن از پارامترهای اصلی دخیل در محــــاسبه میزان سطح پارچه بگ فیلترهای خطوط تولید سیمان می‌باشند ]21[.
· تکنولوژی شرکت FLSmidth دانمارک و مبانی و روش های محاسباتی مطرح شده توسط آن شرکت، مبنای محاسبات مربوط به سطح کیسه قرارگرفته است. این شرکت در طرح‌های اخیر خود میزان خروجی را به زیر 2.5 میلی‌گرم در هر نرمال مترمکعب رسانده درحالی‌که استاندارد ایران 100 میلی‌گرم در هر نــــرمال مترمکعب می‌باشد ]22[.
· هنگام طراحی بگ فیلترها دمای استاندارد 25 درجه سانتیگراد برای محیط درنظر گرفته شده و محاسبات بر اساس فیلترکیسه‌ای تیپ B انجام شده اند. بدیهی است تغییرات دمایی و تیپ فیلتر، می‌تواند بر برخی از پارامترهای موثر در طراحی، اثر بگذارد که این امر هنگام به‌کارگیری نتایج نحقیق حاضر، باید مورد توجه قرار گیرد.
· واحدهای اندازه‌گیری میزان دبی، دما، اندازه ذرات، و مساحت کیسه، به ترتیب عبارتند از مترمکعب بر دقیقه، درجه سانتیگراد، میکرون متر، و مترمربع.
4-3- مدل مفهومی تحقیق
مشخصات اساسی موثر در طراحی بگ فیلترها و اثرات ایجاد شده روی طراحی بگ فیلتر در جدول 1 ذکر شده است. بر اساس موارد مندرج در این جدول، پارامترهای ردیف‌های یک الی سه، روی سطح پارچه مورد نیاز فیلتر کیسهای، تاثیر گذاشته و تغییر در سایر عوامل، روی نوع پارچه، مقاومت بدنه خارجی فیلتر کیسهای، فاصله بین رینگ‌هایی که کیسه‌ها در آن قرار داده می‌شوند، و ایزولاسیون فیلتر یا پوششدهی آن، تاثیر می‌گذارند. لذا در بانک اطلاعاتی مورد نیاز، صرفا فیلدهای زیر درنظر گرفته شده است و مابقی پارامترها به دلایل فوق‌الذکر، در جدول اطلاعاتی وارد نشده‌اند.
· Debit: میزان دبی گرد و غبار ورودی به هر بگ فیلتر را نشان می‌دهد.
· Size: نشانگر اندازه متوسط ذرات ورودی به هر فیلتر کیسهای است.
· Dust Load: میزان موجود گرد و غبار در هر نرمال مترمکعب هوای ورودی به بگ فیلتر است.
· فیلد FinalFA هدف ما در این بررسی بوده و سطح موثر مورد نیاز هر فیلتر طراحی شده در این فیلد وارد می‌شود.
جدول 1. پارامترهای اساسی موثر در طراحی بگ فیلتر [17]
ردیف | نام پارامتر | اثر ایجاد شده روی طراحی فیلتر |
1 | میزان دبی گرد و غبار ورودی | سطح پارچه |
2 | سایز متوسط ذرات ورودی | سطح پارچه نوع پارچه |
3 | میزان موجود گرد و غبار در هر نرمال مترمکعب هوای ورودی | سطح پارچه |
4 | دمای هوای ورودی به بگ فیلتر | نوع پارچه |
5 | فشار هوای ورودی به بگ فیلتر | مقاومت بدنه فاصله رینگ های کیسه ها |
6 | میزان رطوبت هوای ورودی به بگ فیلتر | نوع پارچه ایزولاسیون فیلتر |
7 | نوع ذره از دید میزان سایش یا چسبندگی | نوع پارچه |
8 | میزان اشتعال پذیری ذرات | نوع پارچه پوشش بدنه |
پارامترهای موثر، از نوع داده عددی پیوسته هستند و مطابق با مدل مفهومی تشریح شده در شکل 5 مدل‌سازی شدهاند.
شکل 5. مدل مفهومی تحقیق
این مدل براساس دانش کسب شده از مرور ادبیات تحقیق و تجربیات محققین پیشین و نظر کارشناسان و خبرگان صنعت سیمان طراحی و ارائه گردید.
4- تحلیل داده‌ها و مدل‌سازی
1-4- آماده‌سازی داده‌ها
داده‌های مورد استفاده در این مقاله، مشخصات مربوط به 108 فیلتر طراحی شده، می‌باشد. خلاصه مشخصه‌های آماری پارامترهای مربوطه در جدول ذیل ارائه شده است.
جدول 2. مشخصه های آماری پارامترها
انحراف استاندارد | ماگزیمم | مینیمم | پارامتر |
171.579 | 1000 | 500 | Debit |
22.768 | 100 | 30 | Size |
41.723 | 160 | 40 | Dust Load |
2-4- ساخت و اجرای مدل شبکه عصبی
در این تحقیق برای ساخت الگوریتم شبکه عصبی ترکیبی (ensemble) از روش boosting (تقویتی) استفاده شد [23]. مدل شبکه عصبی طراحی شده در نرم افزار IBM Modeler در شکل 6 نمایش داده شده است.
شکل 6. شبکه عصبی تحقیق
نتایج حاصل از اجرای مدل و رابطه بین میزان سطح محاسبه شده و سطح واقعی در شکل 7 آمده است.
شکل 7. نمودار رابطه بین مقادیر پیش بینی شده و مقادیر واقعی
با بررسی خطوط و نقاط ترسیم شده در شکل 7، ملاحظه می‌گردد الگوریتم شبکه عصبی توانسته با تقریب خوبی سطح بگ فیلتر را پیش بینی نماید بجز در قسمت‌هایی که تعداد داده ها کم بوده که در این موارد نیز، عمدتا مقدار سطح را بیش از مقدار واقعی پیش بینی نموده است.
نتایج اجرای مدل با ده بخش در شکل 8 آمده است.
شکل 8. میزان دقت بخش‌های ده‌گانه
مشخصات و تنظیمات شبکه عصبی طراحی شده در شکل 9 ارائه شده است.
شکل 9. پیش فرض های استفاده شده در مدل شبکه عصبی
مقایسه دقت مدل پایه شبکه عصبی با مدل ترکیبی طراحی شده نشان می‌دهد دقت پیشبینی ار 94.1 درصد به 95.4 درصد افزایش یافته است.
3-4- ساخت و اجرای مدل معادلات ساختاری
مدل معادلات ساختاری تحقیق در شکل 10 نمایش داده شده است. این مدل با استفاده از نرم افزار IBM Amos طراحی و اجرا گردید. ضرایب استاندارد محاسبه شده در این شکل مشخص شدهاند.
شکل 10. مدل معادلات ساختاری تحقیق
مقادیر واریانس تخمین زده شده مربوط به متغیرها، وزن‌های رگرسیونی، و کواریانس بین متغیرها در شکل 11 ارائه شده است.
شکل 11. نتایج اجرای مدل معادلات ساختاری
5- تحلیل یافته‌ها و نتیجه‌گیری
مقایسه دقت مدل‌های شبکه عصبی ترکیبی و معادلات ساختاری طراحی شده در تحقیق حاضر نشان می‌دهد شبکه عصبی پیشنهادی نسبت به مدل معادلات ساختاری، با دقت 94.5 درصد، دقیق‌تر عمل کرده، لذا می‌تواند برای طراحی فیلترهای کیسهای در خطوط کارخانجات سیمان گزینه بهتری محسوب گردد. به عبارت دیگر، الگوریتم شبکه عصبیensemble با استفاده از روش boosting و لحاظ نمودن پارامترهای اصلی طراحی فیلترهای کیسهای شامل دبی، غلظت و اندازه ذرات گرد و غبار، قادر است سطح مورد نیاز کیسه را با دقت 95.4 درصد پیشبینی نماید.
همچنین، نتایج مدل‌سازی نشان داد در هر فیلتر کیسهای، میزان دبی گرد و غبار، می‌تواند تا 80 درصد در محاسبه میزان سطح پارچه مورد نیاز آن فیلتر، تاثیر گذار باشد و عوامل میزان گرد و غبار و اندازه آن، با اختلاف زیادی نسبت به دبی، به ترتیب با 15 و 6 درصد، در درجه دوم و سوم اهمیت قرار دارند.
آنچه در این مدل محاسبه می‌شود، سطح مورد نیاز کیسه برای هر فیلتر بر حسب پارامترهای اصلی طراحی یعنی دبی، میزان گرد و غبار و اندازه ذرات است. طراح می تواند برای یکسان‌سازی و یکنواخت نمودن قطعات یدکی کیسه‌ها، ارتفاع و قطر کیسه‌ها را ثابت نگه داشته، ولی تعداد کیسه ها در واحد سطح و یا طول و عرض خود فیلتر را بنا به نیاز و با درنظر گرفتن محدودیت‌های محیطی، طراحی نماید به‌طوری که سطح مورد نظر در هر فیلتر تامین شود.
با روش پیشنهادی تحقیق حاضر می‌توان سطح فیلترهای کیسهای مورد نیاز در صنایع مشابه، ازجمله صنایع معدنی و فولاد را، محاسبه نمود.
6- مراجع
[1] Ameraoui, S., Boutaleb, A., Souiher, N., Berdous, D., “Investigation of potential accumulation and spatial distribution of heavy metals in topsoil surrounding the cement plant of Meftah (southeastern Algiers region, Algeria)”, Arabian Journal of Geosciences, 2017, 10(21), 464.
]2[ چهره‌گانی، حسین. مهندسی محیط زیست در صنعت سیمان، شرکت فن آوری صنعتی،1383، صفحه 19.
]3[ سایت انجمن صنفی سیمان کشور. http://cementassociation.ir
[4] Ebrahimi, M., Ghomi, S.M.T.F., Karimi, B., “Application of the preventive maintenance scheduling to increase the equipment reliability: Case study-bag filters in cement factory”, Journal of Industrial and Management Optimization, 2020, 16(1), 189-205.
[5] Bhargava A., “Design of Bag Filter for the Control of Dust Emissions for a Cement Plant”, International Journal of Scientific Development and Research, 2016, 1 (3).
[6] Hayes, J.B., Wang, J., Roessler, J.G., Deford, D., Townsend, T.G., “Evaluation of leaching of trace metals from concrete amended with cement kiln baghouse filter dust”, Resources, Conservation and Recycling, 2015, 94, 92-98.
[7] Zermane, H., Mouss, H., Oulmi, T., Hemal, S., “Fuzzy-based process control system of a bag-filter in cement manufacturing plant”, 2017, 16th International Conference on Systems and Control, ICSC 2017, 7958740, pp. 109-114.
[8] Nhuchhen, D.R., Sit, S.P., Layzell, D.B., “Towards net-zero emission cement and power production using Molten Carbonate Fuel Cells”, Applied Energy, 2022, 306,118001.
[9] Purnomo, C.W., Budhijanto, W., Alfisyah, M., Triyono “Improvement of cement plant dust emission by bag filter system”, IOP Conference Series: Materials Science and Engineering, 2018, 316(1), 012031.
[10] Bhatty, J.I., “Innovations in Portland Cement Manufacturing”, Portland Cement Association, 2004, 740-745.
[11] McKenna J. D. and Furlong D., “Fabric filters”, In A. J. Buonicore and W. T. Davis (Eds.), Air Pollution Engineering Manual. New York, Van Nostrand Reinhold, 1992.
]12[ شهلا خانی. طراحی سیستم های فیلتراسیون در کارخانجات سیمان. دانشگاه کاشان. 1389.
[13] FLSmidth.com
[14] FLSairtech.com
[15] Abhishek, P.S., and Ramachandran, P.N., “Design of Pleated Bag Filter System for Particulate Emission Control in Cement Industry”, International Research Journal of Engineering and Technology, 2015, 2(5).
[16] FLSmidth, Central Jet Pulse Filters, Basic Data for Project Planning.
]17[ چهره‌گانی، حسین. مهندسی محیط زیست در صنعت سیمان، شرکت فن آوری صنعتی،1383، جداول متعدد فصل دوم.
[18] Platon, R. and Amazouz, M., “Application of Data Mining Techniques for Industrial Process Optimization”, 2007.
]19[ کیا، سید مصطفی. طراحی شبکه های عصبی، انتشارات دانشگاهی کیان. 1394، صفحه 21.
[20] García-Alcaraz, J.L., Díaz-Reza, J.R., Hernandez, J.L., Cortes-Robles, G., “The Application of Structural Equation Models in Industry: Tendencies”, International Journal of Management Sciences, 2014, 4(10), 429-444.
]22[ چهره‌گانی، حسین. مهندسی محیط زیست در صنعت سیمان، شرکت فن آوری صنعتی،1383، صفحه363.
]22[ مصوبه شماره 46590ت9505 هیات وزیران، 1394.
[23] Zhou, Z.H., Wu, J., Tang, W., “Ensembling neural networks: Many could be better than all”, Artificial Intelligence, 2010, 174 (18), 1570.
Bag Filter Design using Neural Network Algorithm and Structural Equation Modeling
(Case Study: Cement Factories)
Abstract:
Although data-driven modeling is now widely used to improve the processes of manufacturing organizations, it is less commonly used in the design of industrial machinery and equipment. In this study, according to the environmental pollution of the cement industry development, bag filters were designed to control and purify polluted air. Accurate calculation of the dimensions of the bag filter can play a significant role in reducing the pollution of cement factories and their economic justification. Therefore, the aim is to take into account the key parameters and provide an efficient method to calculate the optimal bag dimensions required for each filter using the analysis of available data. For this purpose, data mining techniques and structural equation modeling were used. Important parameters in the design of bag filters are temperature, pressure, percentage of inlet dust, dust granulation, dust moisture content, particle type and flammability of materials. Due to the stability of some parameters and non-flammability of particles in cement production, only three factors, dust flow rate, dust volume, and dust size were modeled. The results showed that the Ensemble neural network algorithm along with Boosting can predict the required area of the bag with 95.4% accuracy. Also, in each bag filter, the dust flow rate of 80% was effective in calculating the required surface area of the fabric, and the dust volume and size factors, with 15% and 6%, respectively, were of secondary and tertiary importance.
Keywords: Data Mining, Neural Network, Structural Equation Modeling, Bag Filters, Cement Industry
