Application of Machine Learning Methods for Modeling Steam Import Reduction aimed at Energy Resources Management

Subject Areas :

Ehsan Sharifara ¹ (Department of Energy Systems Engineering, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran)
Madjid Abbaspour ² (Sharif University of Technology, School of Mechanical Engineering, Tehran, Iran)
Alireza saraei ³ (Department of Mechanic Engineering, South Tehran Branch, Islamic Azad University, Tehran, Iran)

Received: 2024-03-01 Accepted : 2024-05-20 Published : 2024-08-16

Keywords: Energy conservation opportunity, Energy modeling, Machine learning, Steam consumption prediction.,

Abstract :

Integrated Ethylene Oxide/Ethylene Glycol (EO/EG) plants are major energy consumers, particularly in High-Pressure Steam (HPS) usage. This study proposes a data processing and modeling framework for high-accuracy machine learning modeling to predict the HPS import of an EO/EG petrochemical plant. The study employed Python3 and analyzed raw historical data from the plant's DCS, spanning five years of operation under the same EO catalyst. Daily feed and glycol production data were used to calculate catalyst selectivity and the plant's production capacity as models’ input features, while HPS import served as the models’ output target. Various regression algorithms were evaluated to select the best model for this case study, with their hyperparameters tuned using Grid Search and Bayesian Search algorithms. Random forest regression outperformed other methods in R2, MAPE, and RMSE metrics but had the longest training time. Polynomial ridge regression was a suitable choice considering both time consumption and performance. The tuned random forest regression model revealed an approximate 291 Tonne/Day potential for HPS import savings equivalent to 16% of the plant’s average HPS import through enhanced steam import management strategies. Adopting this HPS saving measure would enable the HPS supplier to avert 38 tonnes of CO2 emissions daily equivalent to 0.37% of its nominal HPS generation capacity. Our methodology in this paper can be applied to other EO/EG plants and is currently being integrated into the plant's energy management system, enabling continuous monitoring of steam import behavior relative to catalyst and plant performance.

References:

Ahmadi, A., Noorpoor, A. R., Kani, A. R., Saraei, A. (2021) Modeling and Economic Analysis of MED-TVC Desalination with Allam Power Plant Cycle in Kish Island. Iran. J. Chem. Chem. Eng, 40(6), 1882.
Hauke, J., Kossowski, T. (2011) Comparison of values of Pearson's and Spearman's correlation coefficients on the same sets of data. Quaestiones geographicae, Jun 24;30(2):87-93.
James, G.M., Witten, D., Hastie, T., Tibshirani, R. (2013) An Introduction to Statistical Learning, Page 181.
Mhlanga, D. (2021) Artificial Intelligence in the Industry 4.0, and Its Impact on Poverty, Innovation, Infrastructure Development, and the Sustainable Development Goals: Lessons from Emerging Economies?, Sustainability, vol. 13, no. 5788, pp. 1–16.
Moghadasi, M., Izadyar, N., Moghadasi, M., Ghadamian, H. (2021) Applying machine learning techniques to implement the technical requirements of energy management systems in accordance with ISO 50001: 2018, an industrial case study. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, Dec 20:1-8.
Moghadasi, M., Ozgoli, H.A., Farhani, F. (2021) Steam consumption prediction of a gas sweetening process with methyldiethanolamine solvent using machine learning approaches. International Journal of Energy Research, Jan;45(1):879-93.
Qian, Y.Y. , Chen, R.L., Chen, J.J., Ding, G.R. (2016) Analysis of the Production and Market of Ethylene Oxide in China. Chem. Ind., 34(2), 46-48.
Rahimpour, M. R., Shayanmehr, M., Nazari, M. (2011) Modeling and Simulation of an Industrial Ethylene Oxide (EO) Reactor Using Artificial Neural Networks (ANN). Industrial & Engineering Chemistry Research, 50(10), 6044-6052.
Sharifara, E. Abbaspour, M., Saraei, A. (2023) Analysis of the high-pressure steam import behaviour of an integrated ethylene oxide/ethylene glycol petrochemical plant under different production scenarios. Canadian Journal of Chemical Engineering. 2023,1. https://doi.org/10.1002/cjce.25143
Shell International Chemicals, Shell Research and Technology Centre Amsterdam, EO/EG Process and Site Support, EO/EG Process Design Package.
Statista. (2023) Retrieved from Statista: https://www.statista.com/statistics/1245260/ethylene-oxide-market-volume-worldwide/.
Zahedi, G. Lohi, A. Mahdi, K. A. (2011) Hybrid Modeling of Ethylene to Ethylene Oxide Heterogeneous Reactor. Fuel Processing Technology, 92(9), 1725-1732.
Zapf, F., Wallek, T. (2022) Case-study of a flowsheet simulation using deep-learning process models for multi-objective optimization of petrochemical production plants. Computers & Chemical Engineering, 162: 107823.
Zendehboudi, S., Rezaei, N., Lohi, A. (2018) Applications of hybrid models in chemical, petroleum, and energy systems: A systematic review. Applied energy, 228: 2539-2566.
Zendehboudi, S., Zahedi, G., Bahadori, A., Lohi, A., Elkamel, A., Chatzis, I. (2014) A dual approach for modelling and optimisation of industrial urea reactor: Smart technique and grey box model. The Canadian Journal of Chemical Engineering, 92.3: 469-485.

Full-Text:



مجله تحقیقات منابع طبیعی تجدیدشونده، سال پانزدهم، شماره1بهار و تابستان1403(پیاپی چهل و یک )، ص 45-27، نوع مقاله : علمی پژوهشی/1

 

 

 

 

 

به­کارگیری روش­های یادگیری ماشین جهت مدل­سازی کاهش واردات بخار با هدف مدیریت منابع انرژی

 

احسان شریف­آرا1، مجید عباسپور2* و علیرضا سرائی3

 

 

1)       دانشجوی دکتری رشته مهندسی سیستم­های انرژی، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

2) استاد دانشگاه صنعتی شریف، دانشکده مهندسی مکانیک، تهران، ایران. *رایانامه نویسنده مسئول مکاتبات: [e-mail]

3) استادیار گروه آموزشی مکانیک، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران.

 

تاریخ دریافت: 11/12/1402                تاریخ پذیرش: 31/02/1403

 

چکیده

واحدهای تولید اتیلن­اکساید، اتیلن­گلایکول یکپارچه، مصرف­کنندگان مهم حامل­های انرژی به­ویژه بخار پرفشار هستند. در این پژوهش، چارچوب مدل­سازی دقیق برای واردات بخار پرفشار در یک واحد پتروشیمی پیشنهاد گردید. بدین منظور از زبان برنامه­نویسی پایتون نسخه 3 برای آنالیز داده­های خام کارکردی روزانه واحد پتروشیمی مورد مطالعه در بازه زمانی کارکرد 5 ساله تحت یک نوع کاتالیست استفاده شد. گزینش­پذیری کاتالیست و ظرفیت تولید واحد به­عنوان شاخص­ها و واردات بخار پرفشار به­عنوان هدف، جهت مدل­سازی در نظر گرفته شد. الگوریتم­های رگرسیون متفاوتی برای گزینش بهترین مدل مورد ارزیابی قرار گرفتند و فراپارامترهای آنها با استفاده از الگوریتم­های جستجوی شبکه­ای و بیزین تنظیم گردیدند. روش درخت تصادفی بهترین عملکرد را در شاخص­های ارزیابی نسبت به سایر روش­های رگرسیون، اما با بیشترین مدت زمان پردازش به خود اختصاص داد. با در نظر گرفتن مدت زمان پردازش و عملکرد، روش رگرسیون ریج چندجمله­ای، انتخاب مناسبی تشخیص داده شد. با استفاده از مدل رگرسیون درخت تصادفی تنظیم­شده، میزان تقریبی 291 تن در روز صرفه­جویی واردات بخار پر فشار (16 درصد میانگین واردات بخار) معادل با انتشار تقریبی روزانه 38 تن دی­اکسید­کربن (37/0 درصد انتشار معادل ظرفیت اسمی تولید بخار تامین­کننده) حاصل شد. روش پیشنهادی در سیستم مدیریت انرژی واحد مورد مطالعه یکپارچه­سازی شده است و می­تواند در دیگر واحد­های مشابه نیز به­منظور پایش مداوم رفتار واردات بخار پرفشار بر حسب عملکرد کاتالیست و تولیدات واحد پیاده­سازی شود.

 

واژه­های کلیدی: پیش­بینی مصرف بخار، فرصت­های صرفه­جویی انرژی، مدل­سازی انرژی، یادگیری ماشین.

 

 

مقدمه

سرعت بالای صنعتی شدن و رشد جمعیت جهانی، باعث ایجاد چالش­های اساسی در مقیاس جهانی به­ویژه در بخش انرژی و آب شده است (Ahmadi et al., 2021). این چالش­ها همراه با کاهش قابل توجه ذخایر انرژی و افزایش قابل توجه قیمت انرژی، اکثر مدیران صنایع، به­ویژه صنعت پتروشیمی را که در تولید اتیلن­اکساید¹ و اتیلن­گلیکول² فعالیت می­کنند، وادار کرده است تا بهینه­سازی مصرف سرویس­های جانبی و تولید و افزایش بهره­وری انرژی را بیش از پیش مورد توجه قرار دهند. در میان فرآیندهای تولید مختلف در صنعت پتروشیمی، فرآیند تولید اتیلن­اکساید و اتیلن­گلیکول در دسته صنایع انرژی برقرار دارند. در نتیجه، حتی بهبود جزیی در کارآیی این فرآیندها می­تواند تاثیر مثبت قابل توجهی بر پایداری آنها داشته باشد.

اتیلن­اکساید به­عنوان یک محصول میانی مهم در صنعت پتروشیمی و سومین ماده خام شیمیایی آلی مهم در میان مشتقات اتیلن به شمار می­رود. این محصول به طیف متنوعی از کالاهای با ارزش از جمله ضد یخ، مواد شوینده، مواد دارویی و پلاستیک تبدیل می­شود. بر اساس داده­های سایت استاتیستا³، حجم بازار جهانی اکسیداتیلن در سال 2022 به 58/31 میلیون­تن رسید و پیش­بینی می­شود تا پایان سال 2030 به 45/36 میلیون­تن برسد (Statista, 2023). علی‌رغم تلاش‌های متعدد برای معرفی راه‌حل‌های صرفه‌جویی در مصرف انرژی در این فرآیند صنعتی، روش‌های بهینه‌سازی پیشنهادی اغلب هنگام اجرا در فرآیندهای تولید واقعی با چالش‌هایی مواجه می‌شوند (Qian et al., 2016).

بخش قابل توجهی از اتیلن­اکساید به اتیلن­گلیکول تبدیل می­شود. در نتیجه، واحدهای اتیلن­اکساید/اتیلن­گلایکول یکپارچه به­عنوان یکی از سودآورترین واحدها در صنعت پتروشیمی به­شمار می­روند. محصول اولیه این واحدها که به نام مونواتیلن­گلایکول⁴ شناخته می­شود، در تولید الیاف پلی­استر، پلی­اتیلن­ترفتالات⁵ و همچنین ضدیخ و داروهای آرایشی و بهداشتی کاربرد دارد. با این حال، این واحدها همچنین مصرف­کنندگان قابل توجه انرژی به­ویژه به شکل بخار پرفشار هستند. این بخار اهداف مختلفی را در سیستم­های بخار پیچیده این تاسیسات انجام می­دهد. واحدهای اتیلن­اکساید/ اتیلن­گلایکول علاوه بر این، بخار پرفشار را در سمت پوسته راکتورهای اتیلن­اکساید خود و بخار کم­فشار را در بخش تولید اتیلن­گلایکول تولید می­کنند.

در سال‌های اخیر، پیشرفت فناوری، مجموعه‌ای از اصطلاحات و ایده‌های جدید را معرفی کرده است. مفاهیم نوظهور مانند داده­های بزرگ⁶، صنعت چهارم⁷، هوش مصنوعی⁸ و شاخه خاص آن، یادگیری ماشین⁹ در صنایع مختلف کاربرد پیدا کرده­اند. این کاربردها طیف گسترده‌ای را نظیر پیش‌بینی نتایج مقاوم‌سازی ساختمان‌های تجاری تا اجرای روش‌های مدل‌سازی جعبه سیاه و جعبه خاکستری در صنایع نفت، گاز، پتروشیمی و انرژی شامل می‌شوند و پذیرش و ادغام این فناوری­ها به­ویژه در صنعت پتروشیمی روند افزایشی داشته است (Mhlanga, 2021).

Rahimpour و همکاران (2011) برای شبیه­سازی دینامیکی رفتار یک راکتور با بستر ثابت که برای تولید اتیلن­اکساید استفاده می­شود از یک مدل ناهمگن تک­بعدی استفاده کردند. آنها از یک شبکه عصبی پرسپترون چندلایه¹⁰ برای تعیین غلظت بهینه اتیلن­دی­کلراید استفاده کردند. علاوه بر این، آنها بررسی کردند که چگونه سرعت گاز ورودی بر کسر مولی­اتیلن­اکساید در هر دو فاز گاز و جامد تاثیر می­گذارد. آنها مدل خود را در یک دوره عملیاتی سه ساله با مقایسه پیش‌بینی‌های آن با شرایط صنعتی در حالت واقعی اعتبارسنجی کردند. نتایج شبیه‌سازی‌های مدل پویا و داده‌های فرآیند تاریخی، سطح رضایت‌بخشی از همخوانی را در شبیه‌سازی با عدم دقت کمتر از 5 درصد نشان دادند. 

Zahedi و همکاران (2011) یک مدل جعبه خاکستری¹¹ پویا را برای راکتور اتیلن­اکساید با بستر ثابت توسعه دادند. در ابتدا آنها یک مدل کینتیک برای واکنش‌ها را با استفاده از رویکرد شبکه عصبی مصنوعی ایجاد کردند. این مدل بر اساس داده‌های عملیاتی یک راکتور اتیلن­اکساید معمولی با ورودی‌های شامل زمان، کسر مولی C2H4، C2H4O، CO2، H2O، و O2، و خروجی‌هایی که نشان‌دهنده حاصلضرب سرعت واکنش و غیرفعال‌ شدن کاتالیست (r*a) است، ایجاد کردند. پس از آزمایش الگوریتم­های آموزشی مختلف، Zahedi و همکاران (2011) نشان دادند الگوریتم شبکه تابع پایه شعاعی¹² دقیق­ترین تخمین داده­ها را به همراه دارد. نتایج تولیدشده توسط شبکه عصبی با داده­های پیش­بینی نشده مطابقت نزدیکی داشت و توانایی آن را برای تعمیم نشان داد. آنها با استفاده از شبکه عصبی، (r*a) را برآورد کردند و مدل راکتور هیبریدی را استخراج نمودند. آنها به این نتیجه رسیدند مدل جعبه خاکستری، 437/8 برابر دقت بیشتری نسبت به مدل مکانیستیک نشان می­دهد. 

Zampf و Wallek (2022) از تکنیک‌های یادگیری ماشین برای ایجاد مدل‌های فرآیندی با استفاده از داده‌های استخراج‌شده از یک پالایشگاه استفاده کردند. سپس این مدل‌ها در یک فرآیند فراگیر ادغام شدند که با استفاده از روش متوالی- مدولار حل شدند. اهداف بهینه­سازی بر به حداکثر رساندن حاشیه تولید و در عین حال به حداقل رساندن انتشار CO2 متمرکز بود که منجر به یک راه­حل عددی بسیار پایدار برای بهینه­سازی چندهدفه بعدی گردید. مطالعه آنها شامل استفاده از هر دو مدل جعبه سیاه و جعبه خاکستری بود که با رویکرد LP به خوبی تثبیت شده مقایسه شدند. Zampf و Wallek (2022) به این نتیجه رسیدند ادغام دانش مهندسی با تکنیک‌های داده­محور برای واحدهای فرآیندی، استفاده موثر از اطلاعات غیرمستقیم را ممکن می‌سازد و می‌تواند قابلیت‌های پیش‌بینی مدل‌های واحد را در مقایسه با مدل‌هایی که از این ترکیب استفاده نمی‌کنند، به طور قابل‌توجهی افزایش دهد. به­عنوان یک توصیه کلی برای مدل­سازی تجهیزات فرآیندهای شیمیایی، آنها از ادغام مدل‌های جعبه سفید در کنار مدل‌های جعبه سیاه برگرفته از روش‌های یادگیری ماشین برای دستیابی به مدل‌های جعبه خاکستری قوی و قابل اعتماد استفاده کردند و پیشنهاد کردند که تحقیقات بیشتر باید در حوزه توسعه و گسترش مدل‌های جعبه خاکستری مبتنی بر داده به­ویژه در زمینه راکتورهای شیمیایی صورت پذیرد. 

Zendehboudi و همکاران (2018) یک بررسی جامع از مدل‌های هیبریدی¹³ در زمینه‌های نفت، گاز، فرآیندهای شیمیایی و سیستم‌های انرژی انجام دادند. تحقیقات آنها شامل تجزیه و تحلیل مدل‌های فرعی، راهبرد‌های هیبریداسیون، طرح‌های ساختاری، معیارهای غربالگری و روندهای نوظهور در مدل‌سازی ترکیبی با تاکید خاص بر این بخش‌های صنعتی بود. آنها تاکید کردند ماهیت پیچیده فرآیندهای شیمیایی و انرژی، استفاده از ابزارهای ریاضی پیشرفته را به­دلیل پیچیدگی‌های ریاضی و درک محدود این فرآیندها که شامل غیرخطی بودن، داینامیک گسترده و چندمقیاسی، بازه‌های زمانی طولانی، عدم­قطعیت‌ها و ابعاد بالا را ناگزیر می­سازد. Zendehboudi و همکاران (2018) تاکید کردند مدل­های هیبریدی در رسیدگی به چالش­های مرتبط با فرآیندهای پیچیده موثر بوده­اند. آنها همچنین نمونه­هایی از ترکیب­های مختلف مدل­های جعبه سیاه و جعبه سفید را ارایه کردند که برای کاهش پیچیدگی مدل طراحی شده بودند. علاوه بر این، آنها بر اهمیت مدل‌های جعبه خاکستری ترکیبی که ویژگی‌های تعمیم‌پذیری و تفسیرپذیری فیزیکی مدل‌های جعبه سفید را با قابلیت‌های کاهش پیچیدگی مدل‌های جعبه سیاه ترکیب می‌کنند، تاکید کردند. آنان نشان دادند چگونه این ادغام، فرآیند مدل­سازی را ساده کرده و بهبود می­بخشد. 

Zendehboudi و همکاران (2014) در یک مطالعه جداگانه یک مدل ریاضی را معرفی کردند و از قدرت شبکه­های عصبی مصنوعی برای شبیه­سازی و بهینه­سازی یک واحد تولید اوره استفاده کردند. مدل ریاضی آنها تعادل‌های بخار- مایع را برای سیستم NH3-CO2-H2O-(NH2)2CO در هر دو چارچوب ترمودینامیکی و واکنش یکپارچه می‌کند. ایشان پیش‌بینی‌های شبکه عصبی مصنوعی را با داده‌های واقعی و نتایج تولیدشده توسط مدل ریاضی مقایسه کردند و سطح رضایت‌بخشی از توافق بین این روش‌ها آشکار شد. Zendehboudi و همکاران (2014) از طریق تحلیل حساسیت سیستماتیک، شرایط فرآیندی بهینه برای تولید اوره را شناسایی کردند و دریافتند که رویکرد شبکه عصبی توسعه­یافته ابزار بسیار موثری برای مدل‌سازی تعادل‌های فازی پیچیده شامل واکنش‌ها در یک واحد تولید اوره صنعتی است. 

Moghadasi و همکاران (2021) یک چارچوب جامع شامل پیش­پردازش داده­ها و مدل­سازی برای ایجاد یک مدل یادگیری ماشینی فوق­العاده دقیق با هدف پیش­بینی استفاده از بخار در فرآیند شیرین­سازی گاز ابداع کردند. آنها طیف گسترده­ای از پیشرفته­ترین الگوریتم­های رگرسیون را برای شناسایی راه­حل بهینه متناسب با مطالعه موردی منحصر به فرد خود بررسی کردند. هدف نهایی آنها استفاده از این مدل به­عنوان وسیله­ای برای یافتن فرصت­های بالقوه صرفه­جویی در انرژی در این نوع واحدها بود. آنها برای تقویت تحقیقات خود، داده­های تاریخی از سال 2017 تا 2019 را از تصفیه­خانه گاز در مجتمع گاز پارس جنوبی به­دست آوردند. Moghadasi و همکاران (2021) این داده­ها را تحت یک روش پردازش داده چندمرحله­ای قرار دادند که شامل تجزیه و تحلیل چندخطی و انتخاب ویژگی مبتنی بر مدل بود. در فرآیند انتخاب مدل، آنها مجموعه گسترده­ای از تکنیک­های رگرسیون را مورد بررسی قرار دادند. آنان مشخص کردند مدل ماشین‌های تقویت­کننده گرادیان¹⁴ نسبت به رقبا بهتر عمل کرده و کمترین خطای اعتبارسنجی متقاطع¹⁵ را ارایه می‌دهد. در یک سناریوی آزمایشی، مدل آنها به دقت قابل توجه 98 درصد ضریب تعیین¹⁶ برای پیش‌بینی مصرف بخار دست یافت. علاوه بر این، مدل آنها پتانسیل کاهش 2 درصد در مصرف بخار را به میزان صرفه­جویی سالانه 24,000 تن شناسایی کردند. 

Moghadasi و همکاران (2021) در مطالعه‌ای جداگانه، یک چارچوب مبتنی بر داده‌های نوآورانه را معرفی کردند که از مدل‌های یادگیری ماشین برای ایجاد سیستم‌های مدیریت انرژی کارآمد در صنایع انرژی­بر، در راستای استانداردهای ISO 50001:2018 استفاده می‌کرد. از طریق اجرای این چارچوب سه لایه، آنها با موفقیت الزام­های استاندارد شامل موارد پیش­رو را برآورده کردند: (الف) شناسایی متغیرهایی که به­طور قابل توجهی بر عملکرد انرژی تاثیر می‌گذارند؛ (ب) توسعه شاخص‌های عملکرد انرژی و خط پایه انرژی؛ (ج) تجزیه و تحلیل عملکرد انرژی موجود؛ (د) کمی­سازی فرصت­های صرفه­جویی انرژی؛ (ه) تعیین اهداف انرژی؛ و (و) تدوین یک برنامه اقدام انرژی. رویکرد مدیریت انرژی مبتنی بر داده آنها در یک واحد کربن­زدایی اتان در مقیاس صنعتی واقع در مجتمع گاز پارس جنوبی در ایران به­کار گرفته شد. مجموعه داده آنها شامل 52,560 رکورد از بخش­های واحد است که در طول سال 2020 جمع­آوری شده است و به­عنوان دوره پایه عمل می­کند. با به­کارگیری الگوریتم ماشین­های تقویت­کننده گرادیان، آنان یک مدل بسیار دقیق با دقت قابل توجه 99 درصد ضریب تعیین برای پیش­بینی مصرف انرژی واحد به­عنوان خط پایه انرژی ایجاد کردند. یافته‌های آنها پتانسیل قابل‌توجهی برای صرفه‌جویی در انرژی، معادل 31/10 درصد یا 63,119 تن مصرف بخار سالانه و کاهش 7,027 تن انتشار دی‌اکسیدکربن در سال را نشان داد. آنها تاکید کردند با بهینه‌سازی حالت‌های عملیاتی واحد تحت بهترین شیوه‌ها، می‌توان به این نتایج مطلوب دست یافت.

همانطور که تحقیقات فوق نشان می­دهند، در چند سال گذشته، تجزیه و تحلیل­های مرتبط با پیش­بینی مبتنی بریادگیری ماشین توجه بسیاری را در صنعت پتروشیمی به خود جلب کرده است. با این حال، کاربرد این روش­ها برای پیش‌بینی و بهینه­سازی مصرف انرژی، به­‌ویژه در مورد واردات بخار پرفشار در واحد های پتروشیمی اتیلن­اکساید / اتیلن­گلایکول یکپارچه مورد بررسی قرار نگرفته است. این شکاف تحقیقاتی انگیزه مطالعه حاضر است که هدف آن ارایه یک چارچوب تجزیه و تحلیل داده­ها و مدل­سازی جامع با استفاده از ابزارهای یادگیری ماشین و پیش‌بینی رفتار واردات بخار فشار بالای یک واحد پتروشیمی اتیلن­اکساید/ اتیلن­گلایکول یکپارچه با استفاده از داده‌های عملیاتی پنج­ساله استخراج‌شده از سیستم کنترل گسترده¹⁷ این واحد است. هدف بعد، استفاده از مدل تولیدشده به­عنوان مرجعی برای واردات بخار پرفشار واحد است که متعاقبا امکان ارزیابی عملکرد واردات بخار واحد را به­عنوان بخشی جدایی­ناپذیر از سیستم مدیریت انرژی (ISO-50001)  واحد مورد مطالعه فراهم می­کند. این روش به نوبه خود شناسایی فرصت­های بالقوه صرفه­جویی انرژی را تسهیل می­کند. همچنین، این مدل قابلیت یکپارچه­سازی با سیستم اینترنت اشیاء صنعتی¹⁸ واحد را دارد که منجر به هوشمند شدن آن می­گردد. نتایج این تحقیق این پتانسیل را دارد که به­عنوان سنگ بنای محققان و متخصصان صنعت پتروشیمی در راستای افزایش کارآیی عملیاتی و عملکرد انرژی واحدهای پتروشیمی اتیلن­اکساید/ اتیلن­گلایکول از طریق رویکردهای داده-‌ محور باشد.

 

مواد و روش­ها

واحدها و شیمی فرآیند

فرآیند تولید اتیلن­اکساید/ اتیلن­گلایکول شامل دو بخش اصلی است: بخش تولید اتیلن­اکساید (EO) و اتیلن­گلیکول (EG). در بخش اول، اتیلن تحت اکسیداسیون مستقیم روی یک کاتالیست حاوی نقره بر پایه آلومینا قرار می گیرد که در دماهای معمولا از 220 تا 270 درجه سانتی­گراد از طریق واکنش شیمیایی رابطه (1) رخ می­دهد:

(1)

 

واکنش جانبی در رابطه (2) که غیرانتخابی و بسیار گرمازا است نیز با واکنش اصلی رابطه (1) رقابت و دی­اکسیدکربن و آب تولید می­کند:

(2)  

 

سرکوب واکنش رابطه (2) با استفاده از اتیل­کلراید¹⁹ انجام می­شود. اتیلن­اکساید خود مقاومت نسبتا بالایی در برابر اکسیداسیون بیشتر از خود نشان می­دهد. گرمای تولیدشده در طی واکنش با تولید بخار فشار بالا در پوسته راکتور و بخار با فشار متوسط در خنک­کننده محصول اولیه کنترل می­شود. دی­اکسیدکربن تولیدشده به­عنوان محصول جانبی در واکنش جانبی رابطه (2) از طریق یک واکنش شیمیایی با پتاسیم­کربنات محلول در آب در بخش حذف CO2 از سیکل گاز حذف می­شود.

اتیلن­اکساید تولیدشده در راکتورها با جذب در آب در بخش بازیابی اتیلن­اکساید از گاز محصول راکتور جدا می­شود. متعاقبا، اتیلن­اکساید از حلال در بخش جداسازی استخراج می­شود. سیستم بازیافت ترکیبات سبک²⁰ به­منظور حذف CO2 و ترکیبات سبک است که در جذب­کننده اتیلن­اکساید جذب شده و سپس در استریپر اتیلن­اکساید خارج می­شود. حذف ترکیبات سبک برای اطمینان از عملکرد طبیعی واکنش گلیکول و به حداقل رساندن خوردگی ناشی از حضور CO2 ضروری است (Shell EO/EG Process Design Package, 2023). 

در بخش واکنش اتیلن­گلایکول و آب­زدایی، یک واکنش هیدرولیز حرارتی فاز مایع EO در حضور آب اضافی بر اساس واکنش رابطه (3) رخ می­دهد:

 

 

واکنش­های جانبی رقابتی با واکنش رابطه (3) منجر به تشکیل دی­اتیلن­گلایکول، تری­اتیلن­گلایکول و گلیکول­های سنگین­تر بر اساس واکنش­های رابطه (4) و (5) می­شود:

 

(3)

 

محصول راکتور گلیکول تحت یک فرآیند تبخیر سه مرحله‌ای قرار می‌گیرد تا اکثریت محتوای آب آن حذف شود و به دنبال آن آب باقی­مانده در ستون آب‌گیری حذف می‌شود. در بخش خالص­سازی گلایکول، گلایکول­های خام استخراج شده از سیستم حذف آب به مونواتیلن­گلیکول²¹، دی­اتیلن­گلیکول²²، تری­اتیلن­گلیکول²³ و گلیکول­های سنگین­تر جدا می­شوند.

در این مطالعه موردی، کاربران انرژی قابل توجه حرارتی، بخار مصرف می‌کنند که از مرز واحد به شکل بخار پرفشار در فشار 40 بار نسبی²⁴ و دمای 410 درجه سانتی‌گراد تامین می‌شود. سپس این بخار با استفاده از یک سیستم توزیع بخار پیچیده در سراسر واحد توزیع می­شود (Shell EO/EG Process Design Package, 2023).

 

ویژگی­های مرتبط با واردات بخار پرفشار

رفتار واردات بخار واحد تحت شرایط مختلف خوراک و تولید، تغییرپذیری را نشان می‌دهد. این تنوع را می­توان از طریق مدل­های رگرسیونی که خطوط پایه واردات بخار نیروگاه را تعیین می­کند، تجزیه و تحلیل کرد. همان­طور که قبلا در بخش شیمی فرآیند مورد بحث قــرار گرفت، ورودی

واحد شامل اتیلن و اکسیژن است که نتیجه آن تولید اتیلن­اکساید در راکتورهای اتیلن­اکساید واحد به­عنوان یک محصول واسطه است. متعاقبا، هنگامی که این محصول میانی با آب ترکیب می­شود، مونواتیلن­گلایکول، دی­اتیلن­گلایکول و تری­اتیلن­گلایکول تولید می­کند. هدف طراحی این واحد، تولید مداوم مقدار مشخصی گلایکـول در هـر روز در طـول عمـر

 

 

---

[1]  Ethylene Oxide

[2]  Ethylene Glycol

[3]  Statista

[4]  Mono Ethylene Glycol (MEG)

[5]  Polyethylene Terephthalate (PET)

[6]  Big Data

[7]  Industry 4.0

[8]  Artificial Intelligence

[9]  Machine Learning

[10]  Multi-Layer Perceptron

[11]  Gray Box Model

[12]  Radial Basis Function Network

[13]  Hybrid Models

[14]  Gradient Boosting

[15]  Cross Validation 

[16]  R-Squared (Coefficient of Determination)

[17]  Distributed Control System

[18]  Industrial Internet of Things

[19]  Ethyle Chloride 

[20]  Light Ends Recovery

[21]  Mono Ethylene Glycol (MEG)

[22]  Diethylene Glycol (DEG)

[23]  Tri ethylene Glycol (TEG)

[24]  Bar Gauge (barg)

عملیاتی کاتالیست انیلن­اکساید است. این مقدار از پیش­تعیین­شده به­عنوان مبنایی برای محاسبه ظرفیت تولید واحد تحت سناریوهای عملکردی مختلف با استفاده از رابطه (6) به کار می­رود (Shell EO/EG Process Design Package, 2023).

(6)              

برای در نظر گرفتن تاثیر مقدار مصرف خوراک بر واردات بخار پرفشار واحد، می‌توان از پارامتر گزینش­پذیری¹ کاتالیست استفاده کرد. این پارامتر نشان­دهنده نسبت مقدار اکسیژن و اتیلن است که در راکتورهای اتیلن­اکساید واکنش می­دهد. این شاخص ارزشمند برای سنجش عملکرد راکتورهای اتیلن­اکساید و در نتیجه عملکرد کلی واحد به­شمار می­رود و تسلط واکنش اصلی را در راکتورهای اتیلن­اکساید بر واکنش جانبی غیرانتخابی بسیار گرمازا به­طور کمی نشان می‌دهد. محاسبه گزینش­پذیری را می­توان با استفاده از مقدار خوراک اکسیژن و اتیلن ورودی به واحد با استفاده از رابطه (7) انجام داد (Shell EO/EG Process Design Package, 2023).

(4)
(5)

در معادله داده شده، ثابت های 2/1 و 35/0 نقش مهمی ایفا می­کنند، زیرا ارتباط خاصی بین نسبت واکنش­دهنده­ها و گزینش­پذیری حاصل برقرار می­کنند. این ثابت­ها از بینش­های نظری در مورد مکانیسم­های واکنش تثبیت­شده و سینتیک­های حاکم بر تولید اتیلن­اکساید مشتق شده­اند. ذکر این نکته ضروری است که این معادله بر اساس اندازه­گیری اکسیژن و اتیلن واکنش نشان داده است. در این مطالعه موردی خاص به‌­دلیل استفاده از خوراک با خلوص بالا، این موارد را می‌توان با نرخ‌های خوراک ورودی واقعی تقریب زد (Shell EO/EG Process Design Package, 2023).

گزینش­پذیری و ظرفیت تولید به­عنوان دقیق­ترین معیارها برای ارزیابی عملکرد کاتالیست و خوراک واحد و شرایط مربوط به تولید گلایکول به­شمار می­روند. در نتیجه، این معیارها بینش مستقیمی را در مورد وضعیت عملیاتی واحد و کارآیی کلی آن ارایه می‌کنند که به نوبه خود تاثیر قابل ‌توجهی بر واردات بخار پرفشار واحد دارد. تصمیم به گنجاندن آنها به­عنوان ویژگی­ها² در رویکرد یادگیری ماشین، ریشه در درک عمیق نویسندگان این پژوهش از عملکرد واحد مورد مطالعه و تحقیقات قبلی آنها در مورد رفتار واردات بخار فشار بالای واحد در سناریوهای مختلف تولید و بارگیری کاتالیست دارد (Sharifara et al., 2023).

 

روش پژوهش

ابتدا داده­های تاریخی خام برای مطالعه موردی از سیستم کنترل گسترده واحد جمع آوری گردید. داده‌ها شامل واردات روزانه بخار پرفشار، خوراک اکسیژن و اتیلن و تولید گلیکول­ها برای پنج سال کارکرد واحد تحت یک نوع کاتالیست اتیلن­اکساید با فعالیت بالا³ بود. برای محاسبه گزینش­پذیری روزانه، از مقادیر روزانه­اتیلن و اکسیژن وارداتی و برای محاسبه ظرفیت تولید روزانه از مقادیر تولید روزانه گلیکول استفاده شد. بنابراین، مجموعه داده­ها شامل گزینش­پذیری و ظرفیت تولید روزانه به­عنوان متغیرهای ویژگی و واردات روزانه بخار پرفشار به­عنوان متغیر هدف⁴ بود. در این بخش، رویکرد و روش پژوهش برای پاک­سازی، مدل‌سازی و ارزیابی این مجموعه داده­ها شرح داده می­شود. مراحل پاک­سازی و آماده­سازی مجموعه داده­ها برای مدل­سازی در بخش «پیش­پردازش داده­ها» و مراحل مدل­سازی مجموعه داده­های پاک­سازی شده با استفاده از روش­های یادگیری ماشین در بخش «پردازش داده­ها» و ارزیابی عملکرد مدل­های آموزش دیده با داده­های آزمایشی در بخش «ارزیابی داده­ها» شرح داده شده است. از زبان برنامه­نویسی پایتون3⁵ و کتابخانه سایکیت­لرن⁶ آن برای اعمال روش در مجموعه داده­ها استفاده گردید. فلوچارت مراحل مربوط به این فرآیند در شکل (1) نشان داده شده است.

 

 

 

 

(7)

---

[1]  Selectivity

[2]  Features

[3]  High Activity

[4]  Target

[5]  Python 3

[6]  Scikit-Learn

 

شکل 1. فلوچارت مراحل مدل­سازی

 

 

پیش­پردازش داده­ها

 

داده­های صنعتی اغلب دارای نقاط پرت¹، نادرست یا ناقص هستند. هنگامی که این داده­ها برای تجزیه و تحلیل یا یادگیری ماشین استفاده می­شوند، می­توانند منجر به نتایج گمراه­کننده شوند. برای جلوگیری از این امر، مهم است که داده­ها پیش از پردازش، از نقاط پرت پاک­سازی و ساختاردهی شوند. ترسیم داده­های خام می­تواند در شناسایی مشکلات بالقوه، مانند نقاط پرت یاری­رسان باشد. در شکل (2)، مشاهده می­گردد که مجموعه داده حاوی مقادیر پرت بسیاری است که پیش از ادامه مرحله پردازش داده­ها باید حذف می­شدند.

 

پاکسازی داده­های پرت

برای حذف نقاط پرت از مجموعه داده خام، از روش محدوده بین چارکی² برای شناسایی نقاط پرت در هر یک از زیرمجموعه‌های داده­های گزینش­پذیری، ظرفیت تولید و واردات بخار پرفشار استفاده شد. برای روش IQR، چارک اول و سوم به­ترتیب 25 و 75 درصد و آستانه 5/1 در نظر گرفته شد. سپس اتحاد شاخص‌های داده­های پرت شناسایی‌شده از هر زیرمجموعه داده از مجموعه کلی داده خام اصلی حذف گردید.

هدف این پژوهش، ایجاد بهترین مدل برای پیش‌بینی واردات بخار و شناسایی فرصت‌های صرفه‌جویی در شرایط عملیاتی پایدار است. برای دستیابی به این هدف، داده‌های مرتبط با ظرفیت‌های تولید زیر 70 درصد نیز از مجموعه داده‌ها حذف گردید. این تصمیم بر اساس مستندات واحد است که بیان می‌کند نسبت کاهش تولید³ واحد 50 درصد ظرفیت تولید است و همچنین سابقه کارکردی واحد که نشان می‌دهد واحد مورد مطالعه معمولاً بالای 70 درصد ظرفیت تولید کار می‌کند. بنابراین، ظرفیت­های تولید روزانه کمتر به­عنوان فازهای انتقالی در نظر گرفته شد که طی آن واحد به سمت ظرفیت­های تولید بالای 70 درصد حرکت می­کند. مصرف بخار پرفشار در طی این فازهای انتقالی، رفتار مصرف بخار نرمال واحد را منعکس نمی­کند، بنابراین برای تمرکز بر سناریوهای پایدار، داده‌های مربوط به این ظرفیت‌های تولید پایین‌تر در مرحله پیش­پردازش داده­ها حذف گردید.

در مجموع 648 نقطه داده به­عنوان نقاط پرت شناسایی شد و از مجموعه داده­های خام حذف گردید. همان­طور که در جدول (1) نشان داده شده است، حذف نقاط پرت به­طور قابل توجهی انحراف استاندارد را برای همه زیرمجموعه‌های داده کاهش داد. تعداد زیاد نقاط داده در مجموعه داده­ها، این امکان را فراهم آورد تا این نقاط پرت به راحتی حذف گردد. مجموعه داده­های تمیز شده در شکل (3) نشان داده شده است.

 

 

 

 

 

 

---

[1]  Outliers

[2]  Inter Quartile Range (IQR)

[3]  Turndown Ratio

 

 

شکل 2. داده­های خام واردات بخار پرفشار واحد (بالا) و تغییرات واردات بخار پرفشار (پایین)

 

 

 

 

 

جدول 1. توضیحات مجموعه داده­های اصلی و پاک­سازی شده

	مجموعه داده­های اصلی			داده­های پاک­سازی شده
	گزینش­پذیری	ظرفیت تولید	بخار پرفشار	گزینش­پذیری	ظرفیت تولید	بخار پر فشار
تعداد	00/1927	00/1927	00/1927	1279	1279	1279
میانگین	66/0	67/0	05/1596	8/0	88/0	88/1774
انحراف معیار	30/0	35/0	78/704	01/0	1/0	94/343
کمینه	00/0	00/0	00/0	77/0	7/0	31/878
25%	78/0	65/0	91/1372	78/0	78/0	76/1518
50%	80/0	78/0	19/1764	8/0	88/0	81/1773
75%	81/0	93/0	88/2121	81/0	98/0	22/2038
بیشینه	20/1	04/1	56/5060	82/0	04/1	89/2496

 

شکل3. مجموعه داده­های پاک­سازی شده واردات بخار واحد (بالا) و تغییرات واردات بخار (پایین)

 

 

 

آنالیز همبستگی¹

پس از پاک­سازی مجموعه داده­ها، ضرایب همبستگی پیرسون² و اسپیرمن³ برای درک بهتر روابط بین متغیرها محاسبه گردید. ضریب همبستگی پیرسون اندازه­گیری قدرت رابطه خطی بین دو متغیر است. ضریب اسپیرمن از سوی دیگر معیاری از رابطه یکنواخت بین دو متغیر است و زمانی استفاده می‌شود که توزیع داده‌ها ضریب همبستگی پیرسون را نامطلوب یا گمراه‌کننده کند (Hauke & Kossowski, 2011). نتایج آنالیز همبستگی برای مجموعه داده پاک شده در جداول (2) و (3) نشان داده شده است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1]  Correlation Analysis

[2]  Pearson

[3]  Spearman

جدول 2. ضرایب همبستگی پیرسون برای داده­های پاک­سازی­شده

پیرسون	گزینش­پذیری	ظرفیت تولید	بخار پرفشار
گزینش­پذیری	00/1	05/0	63/0
ظرفیت تولید	05/0	00/1	58/0-
بخار پرفشار	63/0	58/0-	00/1

 

جدول 3. ضرایب همبستگی اسپیرمن برای داده­های پاک­سازی­شده

اسپیرمن	گزینش­پذیری	ظرفیت تولید	بخار پرفشار
گزینش­پذیری	00/1	17/0	53/0
ظرفیت تولید	17/0	00/1	56/0-
بخار پرفشار	53/0	56/0-	00/1

 

 

 

همان­طور که ضرایب به وضوح در جداول (2) و (3) نشان می­دهد، بین بخار پرفشار و گزینش­پذیری و بخار پرفشار و ظرفیت تولید همبستگی خوبی وجود دارد، اما بین پارامترهای گزینش­پذیری و ظرفیت تولید همبستگی بسیار کم وجود دارد. هر دو ضرایب پیرسون و اسپیرمن برای ظرفیت تولید- بخار پرفشار، منفی و برای گزینش­پذیری- بخار پرفشار مثبت بودند که نشان‌دهنده همبستگی معکوس بین بخار پرفشار و ظرفیت تولید و یک رابطه مستقیم بین بخار پرفشار و انتخاب‌پذیری است.

 

جداسازی داده­های آموزشی- آزمایشی

سپس مجموعه داده­های پاک­سازی شده به دو مجموعه تقسیم شدند: یک مجموعه آموزشی (80 درصد) و یک مجموعه آزمایشی (20 درصد). مجموعه آزمایشی برای ارزیابی خطای تعمیم مدل و انجام ارزیابی نهایی مدل برای ارزیابی عملکرد مدل بر روی داده­های جدیدی که قبلا هرگز ندیده است کنار گذاشته شد. جدول (4) توضیحات مجموعه داده­ها را برای مجموعه­های آموزشی و آزمایشی نشان می­دهد.

 

 

جدول 4. توضیحات مجموعه داده­های آموزشی و آزمایشی

	مجموعه داده­های آموزشی			مجموعه داده­های آزمایشی
	گزینش­پذیری	ظرفیت تولید	بخار پرفشار	گزینش­پذیری	ظرفیت تولید	بخار پرفشار
تعداد	00/1023	00/1023	00/1023	00/256	00/256	00/256
میانگین	80/0	88/0	84/1778	80/0	89/0	05/1759
STD	01/0	10/0	79/342	01/0	10/0	70/348
کمینه	77/0	70/0	31/878	77/0	70/0	78/900
25%	79/0	78/0	54/1526	78/0	79/0	58/1489
50%	80/0	88/0	41/1779	80/0	89/0	20/1747
75%	81/0	98/0	66/2043	81/0	98/0	39/2024
بیشینه	82/0	04/1	89/2496	82/0	04/1	72/2473

 

 

استانداردسازی

 

استانداردسازی یک روش پیش­پردازش داده است که می­تواند برای بهبود عملکرد الگوریتم­های یادگیری ماشین استفاده شود. این روش یک نوع تبدیل داده است که داده­ها را به گونه­ای مقیاس­بندی می­کند که میانگین صفر و انحراف استاندارد 1 داشته باشند. این کار با کم کردن میانگین از هر نقطه داده و سپس تقسیم بر انحراف استاندارد انجام می­شود. استانداردسازی می‌تواند به مقایسه بیشتر ویژگی‌های مجموعه داده با یکدیگر کمک کند و یادگیری رابطه بین ویژگی‌ها و متغیر هدف را برای الگوریتم آسان‌تر کند. استانداردسازی همچنین می‌تواند با سخت‌تر کردن شرایط منجر به جلوگیری از برازش بیش از حد مدل روی داده‌های آموزشی شود. بنابراین در این پژوهش، تمام خطوط لوله¹ مدل‌سازی شامل کلاس StandardScaler می­باشند که کلاسی در کتابخانه Scikit-Learn نرم­افزار پایتون برای استانداردسازی ویژگی‌های مجموعه داده­ها قبل از مرحله پردازش داده‌ها است.

 

پردازش داده­ها و آنالیز رگرسیون روی مجموعه داده­های واردات بخار پاک­سازی شده

اعتبارسنجی متقاطع K لایه²

اثربخشی مدل­های یادگیری ماشین آموزش دیده و عملکرد آنها باید قبل از استقرار به­طور کامل ارزیابی شود. در این راستا، اعتبارسنجی متقاطع K لایه یک تکنیک ارزشمند است. در این تکنیک، مجموعه داده‌های آموزشی به‌طور تصادفی به گروه‌های k، به نام لایه­ها با اندازه تقریبا مساوی تقسیم می‌شوند. سپس در تقسیم‌های k، یک لایه به­عنوان مجموعه اعتبارسنجی عمل می‌کند، درحالی­که مدل یادگیری ماشین روی لایه­های k-1 باقی‌مانده آموزش داده می‌شود. سپس عملکرد مدل با میانگین‌گیری عملکرد آن در تمام لایه­ها محاسبه می‌شود (James et al., 2013).

با آموزش و ارزیابی مدل بر روی چندین زیرمجموعه متنوع از داده­های آموزشی، درک عمیق­تری از عملکرد آن بر روی داده­های دیده­نشده به­دست می­آید. این اطلاعات ارزشمند می‌تواند برای بهینه‌سازی فراپارامترهای مدل مورد استفاده قرار گیرد، در نتیجه قابلیت‌های تعمیم آن را افزایش داده و آن را قادر می‌سازد تا با در نظر گرفتن مبادله بایاس- واریانس، به­طور موثر بر روی داده‌های دیده نشده قبلی عمل کند. در این مطالعه از اعتبارسنجی متقاطع با تعداد لایه 5 برای ارزیابی عملکرد خطوط لوله مدل­سازی در تقسیم‌بندی‌های مختلف داده‌های آموزشی استفاده گردید.

 

 

 

 

روش­های یادگیری ماشین و تنظیم فراپارامترها

برای یافتن بهترین روش یادگیری ماشین برای مدل‌سازی داده‌های پاک‌سازی شده، روش‌های یادگیری ماشین زیر در نظر گرفته شد. رگرسیون حداقل مربعات معمولی خطی³، رگرسیون چندجمله‌ای ریج⁴، رگرسیون بردار پشتیبان⁵، رگرسیون تقویت­کننده گرادیان⁶ و رگرسیون جنگل تصادفی⁷. 

تمامی روش‌های یادگیری ماشین ذکر شده به جز رگرسیون خطی حداقل مربعات معمولی دارای فراپارامترهایی هستند که باید برای بهینه‌سازی مدل و دستیابی به بهترین نتایج تنظیم شوند. فراپارامترها پارامترهای مدل یادگیری ماشین هستند که نمی­توان از داده­ها یاد گرفت. آنها باید به صورت دستی یا با استفاده از روش‌های مختلف از جمله جستجوی شبکه­ای⁸ یا بیزین⁹ تنظیم شوند.

برای تنظیم فراپارامترهای خطوط لوله مدل­سازی، روش جستجوی شبکه­ای برای روش رگرسیون چندجمله‌ای ریج انتخاب گردید، زیرا یک روش نسبتا ساده با تنها دو فراپارامتر است. روش جستجوی بیزین برای سایر روش‌های یادگیری ماشین انتخاب شد، زیرا آنها مدل‌های پیچیده‌تری با تعداد فراپارامترهای بیشتری هستند. از روش‌های تنظیم فراپارامتر و اعتبارسنجی متقابل برای یافتن بهترین مقادیر فراپارامترها با استفاده از کلاس‌های GridSearchCV و BayesSearchCV در کتابخانه Scikit-Learn استفاده گردید. فضاهای جستجوی فراپارامتر و مقادیر بهینه برای روش‌های یادگیری ماشینی فوق به تفصیل در بخش نتایج و بحث مورد اشاره قرار گرفته‌اند.

جهت پایبندی به API امتیازدهی استانداردشده معرفی شده در Scikit-learn، هر دو الگوریتم جستجو از پارامتر امتیازدهی میانگین مربعات خطای منفی¹⁰ استفاده می‌کنند. اما حتی برای معیارهایی مانند MSE که باید به حداقل برسد، این مدل‌ها برای به حداکثر رساندن معیارهای عملکرد طراحی شده‌اند. در نتیجه، از آنجایی که به حداقل رساندن MSE معادل به حداکثر رساندن MSE منفی است، مقادیر MSE منفی می­شوند.

خطوط لوله پس از تنظیم، با کل مجموعه داده آموزشی، آموزش داده شدند. سپس مدل‌های به­‌دست‌ آمده روی مجموعه داده­های آزمایشی با استفاده از معیارهای مناسب، ارزیابی شدند. این معیارهای ارزیابی با جزییات بیشتری در زیربخش ارزیابی مدل­ها مورد بحث قرار گرفتند.

 

ارزیابی داده­ها

ارزیابی داده­ها مرحله نهایی یادگیری ماشینی است که در آن عملکرد یک مدل آموزش­دیده بر روی داده­های دیده­نشده ارزیابی می­شود. این کار برای تعیین میزان تعمیم مدل به داده­های جدید انجام می­شود. معیارهای مختلفی را می­توان برای ارزیابی عملکرد یک مدل یادگیری ماشین، بسته به نوع مشکلی که در تلاش برای حل آن است، استفاده کرد. علاوه بر مبادله بایاس/واریانس، که با استفاده از اعتبارسنجی متقاطع در مرحله مدل‌سازی در مجموعه داده آموزشی به آن پرداخته شد، مدل‌های آموزش‌دیده نهایی نیز با استفاده از پارامترهای ضریب تعیین¹¹، ریشه میانگین مجذور خطا¹² و میانگین درصد خطای مطلق¹³ ارزیابی شدند. 

 

نتایج

نتایج پردازش داده­ها

در شکل (4) فضای جستجوی شبکه­ای درجه چندجمله­ای و مقدار آلفا در قالب یک نقشه حرارتی از میانگین نمرات آزمون برای روش رگرسیون چندجمله‌ای ریج نشان داده شده است که در آن رنگ­های روشن­تر نشان­دهنده میانگین نمرات آزمون بالاتر و رنگ­های تیره­تر نشان­دهنده میانگین نمرات آزمون پایین­تر است. این نقشه حرارتی به­طور موثر مناطقی از فضای جستجوی شبکه را برجسته می­کند که عملکرد برتر را برای روش رگرسیون چند­جمله‌ای ریج نشان می­دهند. مقادیر فراپارامترهای بهینه شناسایی شده با استفاده از این رویکرد برای تولید بالاترین میانگین نمرات آزمون در جدول (5) نشان داده شده­اند که نشان­دهنده اثربخشی آنها در افزایش عملکرد پیش­بینی مدل رگرسیون چندجمله‌ای ریج است.

شکل‌های (5)، (6) و (7) بهبود تدریجی میانگین نمرات آزمون را در هر تکرار از الگوریتم جستجوی بیزین نشان می‌دهند و کارآیی الگوریتم را در دستیابی به فراپارامترهای بهینه در فضای جستجوی مشخص شده برای همه روش‌های رگرسیون به­کار گرفته شده برجسته می‌کنند. الگوریتم جستجوی بیزین به خوبی در حداکثر تکرارهای مجاز 100 برای همه مدل­ها به همگرایی دست یافت. فراپارامترهای بهینه شناسایی شده در فضاهای جستجوی مدل­ها با استفاده از الگوریتم جستجوی بیزین در جداول (6)، (7) و (8)  آورده شده­اند.

 

شکل 4. نقشه حرارتی میانگین امتیاز آزمون¹⁴ برای روش رگرسیون چندجمله‌ای ریج

 

جدول 5. فضای جستجوی فراپارامترها و مقادیر تنظیم شده برای روش رگرسیون چندجمله‌ای ریج 

فراپارامتر	فضای جستجو	مقدار تنظیم­شده
درجه چندجمله­ای	1-10	5
آلفا	0-1	1/0

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1]  Pipeline

[2]  K-Fold Cross Validation

[3]  Ordinary Least Squares Linear Regression

[4]  Polynomial Ridge Regression

[5]  Support Vector Regression

[6]  Gradient Boosting Regression

[7]  Random Forest Regression

[8]  Grid Search

[9]  Bayesian Search

[10]  MSE

[11]  Coefficient of Determination (R2)

[12]  Root Mean Squared Error (RMSE)

[13]  Mean Absolute Percentage Error (MAPE)

[14]  Mean Test Score

 

شکل 5. تکامل میانگین امتیاز آزمون طی فرآیند بهینه­سازی فراپارامترهای SVR 

 

 

شکل 6. تکامل میانگین امتیاز آزمون طی فرآیند بهینه­سازی فراپارامترهای رگرسیون تقویت­کننده گرادیان 

 

 

شکل 7. تکامل میانگین امتیاز آزمون طی فرآیند بهینه­سازی فراپارامترهای رگرسیون جنگل تصادفی

 

جدول 6. فضای جستجوی فراپارامترها و مقادیر تنظیم­شده برای روش رگرسیون بردار پشتیبان 

فراپارامتر	فضای جستجو	مقدار تنظیم­شده
C	01/0-600	76/418
اپسیلون	005/0-1	95/0
کرنل	Linear, Poly, RBF, Sigmoid	RBF
گاما	Scale, Auto	Scale

 

جدول 7. فضای جستجوی فراپارامترها و مقادیر تنظیم شده برای روش رگرسیون تقویت­کننده گرادیان 

فراپارامتر	فضای جستجو	مقدار تنظیم­شده
تعداد تخمین­گرها	10-500	321
نرخ یادگیری	01/0-1	0107/0
عمق بیشینه	2-20	6
کمینه جداسازی نمونه­ها	2-20	10

 

  

 

جدول8. فضای جستجوی فراپارامترها و مقادیر تنظیم­شده برای روش رگرسیون جنگل تصادفی 

فراپارامتر	فضای جستجو	مقدار تنظیم­شده
تعداد تخمین­گرها	10-1000	920
بیشینه عمق	1-20	17
کمینه جداسازی نمونه­ها	2-20	2
کمینه نمونه برگ	1-20	5
بیشینه تعداد ویژگی­ها	Sqrt, Log2, None	Log2
بوت استرپینگ1	True, False	False

 

 

 

 

---

[1]  Bootstrapping

همان­طور که در شکل (8) و جدول (9) نشان داده شده است، روش­های مدل­سازی مجموعه­ای¹، مانند رگرسیون جنگل تصادفی و رگرسیون تقویت­کننده گرادیان، در هر سه معیار عملکرد (R2، RMSE و MAPE) از سایر تکنیک­ها بهتر عمل کردند. در بین مدل‌های رگرسیونی، مدل رگرسیون جنگل تصادفی بهترین و مدل رگرسیون خطی حداقل مربعات معمولی بدترین عملکرد را داشتند. عملکرد مدل‌های رگرسیون چندجمله‌ای ریج و رگرسیون بردارپشتیبان درجه‌ای از شباهت را نشان دادند. مقایسه عملکرد بهترین و بدترین مدل‌های یادگیری ماشینی در شکل (9) با استفاده از 50 نقطه نمونه تصادفی از مجموعه داده‌های آزمایشی نشان داده شده است.

همانطور که در شکل (8) و جدول (9) نشان داده شده است، رگرسیون جنگل تصادفی به­عنوان روش با بهترین عملکرد در بین روش­های رگرسیون در نظر گرفته شده، ظاهر شد و بهترین امتیازها را در هر سه معیار عملکرد به­دست آورد. با این حال، همان­طور که در شکل (10) و جدول (9) نشان داده شده است، همچنین طولانی­ترین زمان آموزش را نیز به خود اختصاص داد و به دنبال آن رگرسیون تقویت­کننده گرادیان، تکنیک مدل­سازی مجموعه­ای دیگر بهترین عملکرد و بالاترین زمان آموزش را داشت. در مقابل، مدل­های رگرسیون چندجمله‌ای ریج و رگرسیون خطی حداقل مربعات معمولی زمان‌های آموزش بسیار سریع‌تری را در مقایسه با مدل­های مجموعه­ای و مدل رگرسیون بردارپشتیبان نشان دادند. با این وجود، رگرسیون خطی حداقل مربعات معمولی بدترین عملکرد را نیز در سه معیار نشان داد. برعکس، رگرسیون چندجمله‌ای ریج عملکرد قابل قبولی را نشان داد که قابل مقایسه با تکنیک‌های مدل‌سازی مجموعه­ای و کاملا مشابه با مدل رگرسیون بردارپشتیبان بود. بنابراین در سناریوهایی که مدت زمان اجرا یک محدودیت حیاتی محسوب می­شود، روش رگرسیون چندجمله‌ای ریج می­تواند جایگزین مناسبی برای رگرسیون جنگل تصادفی در نظر گرفته شود.

 

ارزیابی فرصت­های صرفه­جویی انرژی

برای شناسایی فرصت‌های صرفه‌جویی در مصرف انرژی در مجموعه داده‌های واردات بخار پرفشار، از مدل رگرسیون جنگل تصادفی تنظیم‌شده استفاده شد، زیرا بالاترین کارآیی را در بین پنج مدل رگرسیون ارزیابی‌شده نشان داد. سپس تفاوت بین هر مقدار واردات بخار پرفشار و مقدار پیش­بینی­شده آن توسط مدل رگرسیون جنگل تصادفی محاسبه گردید. سپس، مقادیر واردات بخار پرفشار با درصد تغییری بیش از 5 درصد از مقادیر پیش‌بینی‌شده آنها استخراج شد و به­عنوان مقادیر واردات بخار پرفشار غیرکارآمد طبقه‌بندی گردید. به­طور مشابه، آنهایی که درصد تغییر کمتر از 5- درصد از مقادیر پیش‌بینی‌شده را داشتند، به­عنوان مقادیر واردات بخار پرفشار کارآمد استخراج شدند. سپس میانگین تفاوت‌های واردات بخار پرفشار برای مجموعه داده‌های وارداتی بخار پرفشار غیرکارآمد و کارآمد به مقدار 11/151 و 11/140- تن در روز محاسبه گردید. با جمع کردن مقدار مطلق این دو میانگین، فرصت صرفه­جویی در واردات بخار پر فشار برابر با 22/291 تن در روز معادل 16 درصد از میانگین واردات بخار پرفشار واحد با توجه به توضیحات داده پاک­سازی­شده (جدول 1) محاسبه شد. اگر این فرصت صرفه­جویی در بخار پر­فشار محقق شود، منجر به جلوگیری از انتشار تقریبا 38 تن CO2 در روز توسط تامین­کننده بخار پرفشار معادل 37/0 درصد از ظرفیت اسمی تولید بخار پرفشار تامین­کننده خواهد شد. این صرفه­جویی را می­توان با مدیریت بهتر واردات بخار واحد مورد مطالعه و نزدیک کردن مقادیر واقعی واردات بخار پرفشار به مقادیر کارآمد به­دست آورد. مقدار 5 درصد به­عنوان حد پذیرش تغییر درصد قابل قبول انتخاب گردید تا محدودیت­های کلی مدل­های یادگیری ماشین در نظر گرفته شود.

 

 

 

 

 

 

 

 

 

 

 

---

[1]  Ensemble Modeling Methods

 

شکل 8. نتایج پارامترهای ارزیابی برای مدل­های رگرسیون یادگیری ماشین

 

 

 

جدول 9. مقایسه نتایج پارامترهای ارزیابی برای مدل­های رگرسیون یادگیری ماشین

مدت زمان پردازش (ثانیه)	MAPE	RMSE	R2	مدل رگرسیون یادگیری ماشین
300	54/5	12/121	88/0	جنگل تصادفی
208	85/5	52/130	86/0	تقویت­کننده گرادیان
162	55/6	89/145	82/0	بردارپشتیبان
2	67/6	62/145	82/0	چندجمله­ای ریج
1/0	77/7	44/167	77/0	حداقل مربعات معمولی خطی

 

 

 

 

 

 

شکل 9. مقایسه عملکرد بهترین و بدترین مدل یادگیری ماشین با مقادیر واقعی در یک نمونه شامل50 نقطه داده

 

 

 

 

 

 

 

شکل 10. مدت زمان پردازش داده­ها برای روش­های یادگیری ماشین

 

 

بحث و نتیجه­گیری

 

با توجه به سوابق تحقیقاتی بررسی شده در این پژوهش و شناسایی خلاء تحقیقاتی در حوزه مدل­سازی کاهش واردات بخار در واحدهای پتروشیمی و به­طور خاص واحدهای تولید اتیلن­اکساید/اتیلن­گلایکول، یک چارچوب جدید پردازش داده و مدل‌سازی با دقت بالا برای پیش‌بینی مبتنی بر یادگیری ماشین واردات بخار پرفشار در یک واحد پتروشیمی EO/EG ارایه گردید. هدف این چارچوب، دستیابی به پیش‌بینی‌های با دقت بالا با استفاده از روش یادگیری ماشین بود. مجموعه داده­های تاریخی خام، شامل پنج سال داده عملیاتی روزانه واحد تحت یک کاتالیست EO با فعالیت بالا، از سیستم کنترل گسترده واحد¹ بازیابی شد. این مجموعه داده­ها شامل تولید روزانه گلیکول، واردات روزانه اکسیژن و اتیلن و واردات روزانه بخار پرفشار بود. با استفاده از نرم­افزار پایتون 3، مجموعه داده جدیدی ساخته شد که شامل ظرفیت تولید روزانه واحد محاسبه شده از تولید روزانه گلیکول و گزینش­پذیری کاتالیست روزانه محاسبه شده از واردات روزانه اکسیژن و اتیلن به‌عنوان متغیرهای ویژگی و همچنین واردات روزانه بخار پرفشار به­عنوان متغیر هدف بود. سپس مجموعه داده­ها تحت یک مرحله پیش­پردازش جامع قرار گرفت تا از کیفیت و ثبات مجموعه داده­ها پیش از ورود به مرحله پردازش اطمینان حاصل شود.

در مرحله پردازش داده­ها، روش­های رگرسیون مختلفی از جمله رگرسیون جنگل تصادفی، رگرسیون تقویت­کننده گرادیان، رگرسیون بردارپشتیبان، رگرسیون چندجمله‌ای ریج و حداقل مربعات معمولی خطی برای انتخاب بهترین مدل در نظر گرفته شد و فراپارامترهای آنها با استفاده از الگوریتم­های جستجوی شبکه­ای و بیزین با کمک کتابخانه‌های ماژول سایکیت لرن تنظیم گردید. نتایج ارزیابی داده‌ها نشان داد روش رگرسیون جنگل تصادفی در سه معیار عملکرد R2، MAPE و RMSE بهتر از سایر روش‌ها عمل می‌کند. با این حال، مدل رگرسیون جنگل تصادفی طولانی­ترین زمان را برای آموزش به خود اختصاص داد. از سوی دیگر، رگرسیون چندجمله‌ای ریج عملکرد قابل قبولی، قابل مقایسه با تکنیک‌های مدل‌سازی مجموعه ای و کاملا مشابه رگرسیون بردارپشتیبان نشان داد. بنابراین، رگرسیون چندجمله‌ای ریج می‌تواند جایگزین مناسبی برای رگرسیون جنگل تصادفی در پروژه‌هایی باشد که مدت زمان پردازش یک محدودیت حیاتی است. همچنین، با به­کارگیری مدل رگرسیون جنگل تصادفی بهینه شده، فرصت تقریبی 291 تن در روز صرفه­جویی در واردات بخار پرفشار معادل 16 درصد از میانگین واردات بخار پرفشار واحد از طریق راهبردهای مدیریت واردات بخار پیشرفته شناسایی گردید. دستیابی به این فرصت صرفه­جویی در بخار پرفشار منجر به جلوگیری از انتشار تقریبا 38 تن CO2 در روز توسط تامین­کننده بخار پرفشار می­شود که معادل 37/0 درصد از ظرفیت اسمی تولید بخار پرفشار است.

در حال حاضر روش مدل‌سازی پیشنهاد شده در این پژوهش در حال یکپارچه­سازی در چارچوب سیستم مدیریت انرژی² واحد مورد مطالعه می­باشد تا واردات بخار پرفشار کارآمد روزانه واحد بر اساس گزینش­پذیری و ظرفیت تولید روزانه واحد مورد مطالعه به­طور دقیق محاسبه گردیده و با مقدار بخار پرفشار واقعی روزانه مقایسه و درصد تغییر از مقدار کارآمد محاسبه گردد. با نظارت بر درصد تغییرات روزانه، افزایش میزان واردات بخار پرفشار قابل تشخیص بوده و امکان اجرای سریع اقدامات اصلاحی در سیستم بخار برای کاهش واردات بخار و نزدیک‌تر کردن آن به مقدار کارآمد، مسیر خواهد گردید.

به­عنوان بخشی از تلاش‌های تحقیقاتی آینده، ادغام این چارچوب مدل‌سازی در سیستم اینترنت اشیاء صنعتی³ واحد به­طور کامل مورد بررسی قرار خواهد گرفت تا قابلیت‌­های شناختی و هوشمند، به­‌ویژه با استفاده از روش رگرسیون چندجمله‌ای ریج به­دلیل مزیت آن در کاهش قابل‌ توجه زمان پردازش با حفظ کارآیی قابل قبول، به آن داده شود.

 

منابع

Ahmadi, A., Noorpoor, A.R., Kani, A.R. and Saraei, A. (2021) Modeling and Economic analysis of MED-TVC desalination with Allam Power Plant Cycle in Kish Island. Iran. Iranian Journal of Chemistry and Chemical Engineering, 40(6): 1882. 

Hauke, J. and Kossowski, T. (2011) Comparison of values of Pearson's and Spearman's correlation coefficients on the same sets of data. Quaestiones Geographical, 30(2): 87-93. 

James, G.M., Witten, D., Hastie, T. and Tibshirani, R. (2013) An Introduction to Statistical Learning, Springer, p. 181. 

Mhlanga, D. (2021) Artificial intelligence in the industry 4.0, and its impact on poverty, innovation, infrastructure development, and the sustainable development goals: Lessons from emerging economies. Sustainability, 13(5788): 1-16. 

Moghadasi, M., Izadyar, N., Moghadasi, M. and Ghadamian, H. (2021) Applying machine learning techniques to implement the technical requirements of energy management systems in accordance with ISO 50001: 2018, an industrial case study. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, Dec 20, pp.1-8.

Moghadasi, M., Ozgoli, H.A. and Farhani, F. (2021) Steam consumption prediction of a gas sweetening process with methyldiethanolamine solvent using machine learning approaches. International Journal of Energy Research, 45(1): 879-93.

Qian, Y.Y., Chen, R.L., Chen, J.J. and Ding, G.R. (2016) Analysis of the production and market of Ethylene Oxide in China. Chemical Industry, 34(2): 46-48.

Rahimpour, M.R., Shayanmehr, M. and Nazari, M. (2011) Modeling and simulation of an industrial Ethylene Oxide (EO) reactor using Artificial Neural Networks (ANN). Industrial and Engineering Chemistry Research, 50(10): 6044-6052.

Sharifara, E., Abbaspour, M. and Saraei, A. (2024) Analysis of the high‐pressure steam import behavior of an integrated ethylene oxide/ethylene glycol petrochemical plant under different production scenarios. The Canadian Journal of Chemical Engineering, 102(4): 1538-1557.

Shell International Chemicals, Shell Research and Technology Centre Amsterdam, EO/EG Process and Site Support. (2023) Shell EO/EG Process Design Package. 

Statista. (2023) Retrieved from https://www.statista.com/statistics/1245260/ethylene-oxide-market-volume-worldwide/

Zahedi, G., Lohi, A. and Mahdi, K.A. (2011) Hybrid modeling of Ethylene-to-Ethylene Oxide heterogeneous reactor. Fuel Processing Technology, 92(9): 1725-1732.

Zapf, F. and Wallek, T. (2022) Case-study of a flowsheet simulation using deep-learning process models for multi-objective optimization of petrochemical production plants. Computers and Chemical Engineering, 162: 107823. 

Zendehboudi, S., Rezaei, N. and Lohi, A. (2018) Applications of hybrid models in chemical, petroleum, and energy systems: A systematic review. Applied Energy, 228: 2539-2566. 

Zendehboudi, S., Zahedi, G., Bahadori, A., Lohi, A., Elkamel, A. and Chatzis, I. (2014) A dual approach for modelling and optimisation of industrial urea reactor: Smart technique and grey box model. The Canadian Journal of Chemical Engineering, 92(3): 469-485.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

---

[1]  DCS

[2]  ISO-50001

[3]  Industrial Internet of Things

Application of Machine Learning Methods for Modeling Steam Import Reduction aimed at Energy Resources Managment

        

Ehsan Sharifara1, Madjid Abbaspour2* and Alireza Saraei3

 

 

1)       Ph.D. Candidate in Energy Systems Engineering, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran.

2)       Professor at School of Mechanical Engineering, Sharif University of Technology, Tehran, Iran. *Corresponding Author Email Address: [e-mail] 

3)       Assistant Professor at Department of Mechanical Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran.

 

Date of Submission: 2024/03/01                           Date of Acceptance: 2024/05/20

 

Abstract

Integrated Ethylene Oxide/Ethylene Glycol (EO/EG) plants are major energy consumers, particularly in High-Pressure Steam (HPS) usage. This study proposes a data processing and modeling framework for high-accuracy machine learning modeling to predict the HPS import of an EO/EG petrochemical plant. The study employed Python3 and analyzed raw historical data from the plant's DCS, spanning five years of operation under the same EO catalyst. Daily feed and glycol production data were used to calculate catalyst selectivity and the plant's production capacity as models’ input features, while HPS import served as the models’ output target. Various regression algorithms were evaluated to select the best model for this case study, with their hyperparameters tuned using Grid Search and Bayesian Search algorithms. Random forest regression outperformed other methods in R2, MAPE, and RMSE metrics but had the longest training time. Polynomial ridge regression was a suitable choice considering both time consumption and performance. The tuned random forest regression model revealed an approximate 291 Tonne/Day potential for HPS import savings equivalent to 16% of the plant’s average HPS import through enhanced steam import management strategies. Adopting this HPS saving measure would enable the HPS supplier to avert 38 tonnes of CO2 emissions daily equivalent to 0.37% of its nominal HPS generation capacity. Our methodology in this paper can be applied to other EO/EG plants and is currently being integrated into the plant's energy management system, enabling continuous monitoring of steam import behavior relative to catalyst and plant performance.

 

Keywords: Energy conservation opportunity, Energy modeling, Machine learning, Steam consumption prediction.

 

  

 

        

---