عنوان پایان‌نامه
تعیین متغییر های پنهان فرایند های شیمیایی در توسعه شبکه بیزین
- رشته تحصیلی
- مهندسی شیمی - طراحی فرآیندهای جداسازی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1313.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59659
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۲
- دانشجو
- احد محمدی
- استاد راهنما
- فرهنگ جلالی فراهانی
- چکیده
- فرایند شیرین سازی نقش بسیار مهمی در صنایع گاز کشور دارد و بررسی چگونگی رفتار آن در شرایط مختلف موثر بر تولید گاز شیرین، بسیار مهم است. به طور کلی در یک فرایند شیمیایی عوامل زیادی روی متغیرها برای رسیدن به یک نتیجه مطلوب موثر هستند. در حالت واقعی تمام این متغیرها در دسترس نیستند که معمولا برای آن¬ها حسگری تعبیه نشده است تا مقدار آنها را اندازه¬گیری کند و بدون در نظر گرفتن این متغیر¬ها ممکن است نتایج مطلوب مورد انتظار حاصل نشود. در این پژوهش بیشتر متغیر¬های پنهان و دادهای ناقص مورد بررسی قرار گرفته و با توجه به داده¬های ناقص نتایج خیلی خوبی برای پیش¬بینی متغیرهایی مورد نظر حاصل شده است. همچنین برای متغیر-هایی که برای آن ها حسگر وجود ندارد به کمک شبکه بیزین یک حسگر نرم طراحی شده تا در تصمیم گیری به کاربر کمک کند. برای برج جذب هم یک خطا¬یاب با توجه به متغیر¬های دیگر طراحی شد که در زمان مناسب خطا را تشخیص داد. برای آموزش شبکه از روش حداکثر انتظار به عنوان روش اصلی آموزش پارامترهای متغیر مخفی استفاده شده و به عنوان نوآوری الگوریتم¬های بهینه سازی و روش¬های نمونه گیری برای آموزش شبکه نیز مورد استفاده قرار گرفته شده اند. با استفاده از یک شبیه¬سازی و دادهای واحد صنعتی مقایسه¬ای برای اعتبار سنجی نتایج صورت گرفته شده است.
- Abstract
- Gas sweetening process has a very important role in the gas industry and investigate how it behaves in different conditions affecting the production of sweet gas it is important. Generally, a lot of chemical process variables to achieve a desired result are effective all these variables are not available in real mode that for variables the sensors are usually not installed to make their values to be measured and without considering these variables the expected results may not be achieved. In this study hidden variables and missing data was studied and According to the missing data very good results have been obtained for the predicted variables. For variables which there is no sensor a sensor was designed with Bayesian Network that identify the fault in a proper time. For hidden node parameter learning expectation maximization method is used as basic method and optimization and sampling algorithms are used for novelty of this work. For validation data of an industrial plant and a simulation is used.
