۹۸
۱۴۸
۱۷۸
۸۶٫۵
۸۶٫۴
۳۵
۵۷
۹۵
۱۴۲
۱۷۴
۸۷
۸۶٫۹
۴-۹٫ خلاصه فصل
در این فصل پس از جمع آوری داده های مورد نیاز، بررسی و آنالیز آماری آنها بحث شد. داده ها تقسیم بندی و برای مدلسازی آماده گردیدند. پس از انتخاب الگوریتم آموزش مناسب، تعداد ایدهآل لایه های پنهان، تعداد نرون های میانی و همچنین انتخاب توابع انتقال مناسب ، مدلسازی شبکه شروع و با توجه به نتایج به دست آمده مشخص گردید که شبکه انتخاب شده با میانگین Mse معادل با ۰٫۰۸۴۱ و میانگین AARE معادل با ۰٫۷۴۳۷۷۳۵در مرحله آموزش و ارزیابی شبکه ، در زمینه پیش بینی تعیین عدد آرام سوزی بنزین مورد مطالعه موفق عمل نموده است.
فصل پنجم
بحث و نتیجه گیری
۵-۱٫ نتیجه گیری
محاسبه و پیش بینی خواص مشتقات نفتی به خصوص مشتقات پرمصرفی مانند سوخت خودروها نقشی مهم در حوزه پایش کیفیت دارد. امروزه با پیشرفت علم رایانه، شاهد استفاده از آن در تمامی زمینه های علوم هستیم. یکی از خدماتی که این فنآوری جدید به پژوهشهای مبتنی بر روشهای آزمایشگاهی داده است ارائه سختافزارها و نرمافزارهای مناسب میباشد. علوم مهندسی شیمی نیز از این خدمات بیبهره نمانده و استفاده از رایانه در این زمینه علمی نیز منجر به کاهش هزینه و افزایش سرعت و دقت شده است. از جمله این نرمافزارها که در سالهای اخیر رشدی زیاد همراه با کاربری فراوان داشته روشهای مبتنی بر هوش مصنوعی میباشد.
داده های مورد استفاده در این تحقیق با بهره گرفتن از نتایج آزمایشات تجربی انجام شده توسط نگارنده در آزمایشگاه کنترل کیفیت شرکت ملی پخش فرآورده های نفتی منطقه آذربایجان شرقی و همچنین داده های موجود در آزمایشگاه مرکزی شرکت ملی پخش فراورده های نفتی ایران (مرکزی ری) جمع آوری گردیده است. آزمایش تقطیر مطابق استاندارد ASTM – D86 و اندازه گیری عدد آرامسوزی مطابق استاندارد ASTM-D2699 و دستگاه Portable cotane انجام شده است. بنابراین این داده ها بعنوان اولین مرحله از طراحی یک شبکه عصبی مورد استفاده قرار گرفت. پس از بررسی شبکه های مختلف، ساختار بهینه انتخاب گردید. سپس داده های آموزش مورد بررسی نرمال بودن قرار گرفتند و شبکه انتخاب شده با الگوریتم لونبرگ – مارکوات آموزش داده شد. پس از اتمام آموزش، داده های آزمایش به شبکه وارد و پس از آزمایش توابع انتقال مختلف، بهترین شبکه ( بر اساس کمترین خطا) انتخاب شد.
ساختار شبکه عصبی طراحی شده برای پیش بینی عدد آرامسوزی در این پایان نامه عبارت است از:
شبکه دولایه با تابع انتقال لگاریتم سیگموئیدی در لایهی اول با هشت نرون، تابع انتقال تانژانت سیگموئیدی در لایهی دوم با چهار نرون و تابع انتقال تانژانت سیگموئیدی.
پس از طی مراحل فوق، مدلسازی شبکه شروع و با توجه به نتایج به دست آمده مشخص گردید که شبکه انتخاب شده با میانگین Mse 0.0841 در مرحله آموزش و ارزیابی شبکه ، در زمینه پیش بینی تعیین عدد آرام سوزی بنزین مورد مطالعه موفق عمل نموده است. همچنین نتایج حاصل از وارد کردن داده های حاصل از تقطیر در نرم افزار Matlab بیانگر موفقیت شبکه در پیش بینی عدد آرامسوزی بنزین موتور پالایشگاه تبریز، با دقتی قابل قبول میباشد.
۵-۲٫ پیشنهادات و زمینه های تحقیقات بعدی
با توجه به پیشرفتهای بسیار زیاد مفاهیم رایانه ای و جنبه های کاربردی آنها و همچنین سرعت و دقت بسیار زیاد در محاسبات و همچنین صرفه جویی بسیار زیاد در هزینه های آزمایش، انجام تحقیقات بیشتر در جهت کاربردی کردن یافته های رایانه ای بسیار ضروری می باشد. لذا با توجه به محدود بودن مطالعه در این زمینه و اینکه مدل ارائه شده قابلیت تعمیم به دیگر فراورده های نفتی را دارد، پیشنهادات زیر جهت کارهای آتی ارئه می گردد:
تحقیق و مدل سازی شبکه ای برای پیش بینی فشار بخار بنزین موتور با بهره گرفتن از داده های تقطیر.
تحقیق و مدل سازی شبکه ای برای پیش بینی گرانروی[۸۷] نفتکوره با بهره گرفتن از داده های نقطه ریزش[۸۸] و وزن مخصوص[۸۹].
منابع و مراجع
[۱] W.E Morris, The interaction approach to gasoline blending paper no. AM-75-30-1975
[۲] B.S.N Murty and R.N. Rao, global optimization for prediction of gasoline of desired octane number and properties Fuel processing technology, vol 85, 2004, pp 1595-1602
[۳] N.Pasadakis, V.Gaganis and C.Foteinopulos, Octane number prediction for gasoline blends Fuel processing technology, vol 87, 2006, pp. 505-509
[۴] م. کوچکزاده، اصول پالایش نفت خام، ادبستان- جهان نو، تهران، ۱۳۸۷٫
[۵] م.امیری، کتابچه مشخصات فراورده های نفتی ایران، مدیریت برنامه ریزی تلفیقی شرکت ملی پالایش و پخش فراورده های نفتی ایران، ۱۳۸۲٫
[۶]A. Singh, “Modeling and model updating in a Real-Time optimization of gasoline blending", Department of Chemical Engineering and Applied Chemistry, Univ. Toronto,1999.
[۷] W.Yu,A.Morales,"GasolineBlending System Modeling via Static and Dynamic Neural Networks", International Journal of Modeling and Simulation, vol. 24,2004, pp.151-160.
[۸] خالوزادهحمید ."مدلسازیغیرخطیوپیشبینیرفتارقیمتسهامدربازاربورستهران". پایاننامهدکترا،دانشگاهتربیتمدرس، ۱۳۷۷
[۹] http://wikipedia.com
[۱۰] گ. ابوالحمد، مبانی پالایش نفت، انتشارات دانشگاه تهران، ۱۳۸۰
[۱۱] مجله شیمی، مرکز نشر دانشگاهی، سال پانزدهم، سال ۱۳۸۱
[۱۲] ا. جعفری نژاد، “جایگزینی اتانول به جای MTBEاستراتژی موفقیت آمیز کاهش خطرات زیست محیطی” ، نفت ، سال چهارم، شماره ۱۱، ۱۳۸۷
[۱۳] کوروش امیر اصلانی، سوخت و احتراق ، دانشگاه آزاد اسلامی واحد تهران جنوب
[۱۴] دکتر مقصود امیری ، کنترل کیفیت و تحلیل آماری همراه با Minitab.
[۱۵]M.H.Rusin,H.S.ChungandJ.F. Marshall, “A Transformation Method for Calculating the Research And Motor OctaneNumbersOfGasolineBlends",Ind.Eng.Chem.Fund,vol20,1989,pp.195-204.