مدلسازی ستون تقطیر با استفاده از ساختار مدل ARX و شبکه‌های عصبی مصنوعی
محورهای موضوعی : انرژی های تجدیدپذیر
رضا پیرمرادی
1
,
سید محمد کارگر
2
,
امیر زارع بیدکی
3
1 - مربی/دانشگاه آزاد اسلامی واحد علوم و تحقیقات
2 - مربی/دانشگاه آزاد اسلامی واحد نجف آباد
3 - مربی/دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
کلید واژه: شبکه‌های عصبی, مدلسازی, مدل ARX, ستون تقطیر,
چکیده مقاله :
فرآیند تقطیر یک فرآیند صنعتی پیچیده و به شدت غیرخطی می‌باشد. به طور کلی پیدا کردن مدل دقیق تحلیلی از ستونهای تقطیر با خلوص بالا همواره امکان پذیر نمی‌باشد. از طرفی توسعه مدلهای تحلیلی معمولا وقت‌گیر و هزینه‌بر است. برای غلبه بر این مشکلات می‌توان از مدلهای تجربی نظیر شبکه‌های عصبی استفاده کرد. یکی از ایرادات اساسی شبکه‌های عصبی این است که پیش‌بینی‌های آن تنها در محدوده اطلاعات شناسایی معتبر است. مدلسازی ستون تقطیر در مقالات مختلف توسط شبکه‌های بازگشتی انجام شده است. مدلهای بازگشتی برای منظور مدلسازی مناسب می‌باشند ولی پیچیدگی و هزینه محاسباتی آنها بالاست. هدف این مقاله پیشنهاد یک مدل ساده و معتبر برای ستون تقطیر است. مدل پیشنهادی از شبکه مستقیم استفاده می‌کند که در نتیجه پارامترهای کمتری داشته و زمان آموزش آن کمتر است. نتایج شبیه‌سازی نشان می‌دهد که پیش بینی‌های شبکه عصبی در تمام نواحی به خروجی‌های مدل واقعی نزدیکتر بوده و خطا قابل چشم پوشی می‌باشد. این نتیجه بیانگر این است که مدل در تمام نواحی معتبر است.
Distillation is a complex and highly nonlinear industrial process. In general it is not always possible to obtain accurate first principles models for high-purity distillation columns. On the other hand the development of first principles models is usually time consuming and expensive. To overcome these problems, empirical models such as neural networks can be used. One major drawback of empirical models is that the prediction is valid only inside the data domain that is sufficiently covered by measurement data. Modeling distillation columns by means of neural networks is reported in literature by using recursive networks. The recursive networks are proper for modeling purpose, but such models have the problems of high complexity and high computational cost. The objective of this paper is to propose a simple and reliable model for distillation column. The proposed model uses feed forward neural networks which results in a simple model with less parameters and faster training time. Simulation results demonstrate that predictions of the proposed model in all regions are close to outputs of the dynamic model and the error in negligible. This implies that the model is reliable in all regions.
_||_