عنوان پایان‌نامه
توسعه شبکه بیزین و بهینه سازی آن برای فرایند های شیمیایی بازگشتی
- رشته تحصیلی
- مهندسی شیمی - طراحی فرآیندها
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1311.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 59660
- تاریخ دفاع
- ۱۰ شهریور ۱۳۹۲
- دانشجو
- شهاب گلشن
- استاد راهنما
- فرهنگ جلالی فراهانی
- چکیده
- فرایند اصلی مورد مطالعه در این پژوهش برای پیاده سازی شبکه های بیزین در ساختار جریان بازگشتی ، یک واحد شیرین سازی گاز است که در شبکه های بیزین ساخته شده و به بررسی آن پرداخته شده است. علاوه بر این فرآیند که هر دو روش اصلی ارائه شده در این پایان نامه در آن پیاده سازی شده اند، از دو فرآیند ساده شیمیایی دارای جریان بازگشتی نیز که داده¬های آن از شبیه سازی بدست آمده اند، برای آزمودن روش¬ها استفاده شده است. این پژوهش به بررسی گراف¬های حاوی حلقه پرداخته است و سعی شده تا آن¬ها در قالب شبکه های بیزین بررسی شوند. از آنجایی که شبکه های بیزین ساختارهایی جهت دار و بدون حلقه تعریف می¬شوند، کار با این حلقه¬ها در شبکه بیزین در حالت عادی امری غیرممکن است. از سویی در فرایندهای شیمیایی به علت وجود جریان¬های بازگشتی، برای تعریف یک ساختار علت و معلولی، بروز حلقه در این گراف¬ها امری اجتناب ناپذیر است. در این پایان نامه از چند روش برای کار با این ساختارها استفاده شده است. یکی ازین روش¬ها تبدیل شبکه استاتیک حاوی حلقه به شبکه دینامیکی است که حلقه در آن وجود نداشته باشد ولی در طول زمان، اثر یک گره به خودش بازگردد. در فرایندهای شیمیایی نیز در واقع همین اتفاق روی می¬دهد یعنی اثر یک گره در یک جریان بازگشتی پس از گذشت زمان دوباره به خودش برمی¬گردد نه به صورت آنی. یکی دیگر از روش¬هایی که در این پایان نامه برای کار با ساختار حلقوی ابداع شده است، روش ایجاد یک گره پنهان مجازی و تشکیل پارامترهای آن با استفاده از الگوریتم ژنتیک است تا با اضافه شدن به شبکه، ساختار حلقه را بشکند. برای بررسی صحت نتایج از قدرت پیش بینی شبکه¬های بیزین ساخته شده با دانش گره¬های شاهد و مقایسه آن¬ها با مقادیر واقعی داده¬ها استفاده شده است. برای ساخت شبکه بیزین از داده¬های دو فرایند شبیه سازی شده و یک واحد صنعتی استفاده شده است و نتایج مطلوبی نیز کسب شده اند.
- Abstract
- The main case study of this research for implementing cyclic causalities in Bayesian networks is a gas sweeting process. Two simple simulation processes are also studied here. Since Bayesian networks are directed acyclic graphs, study of cyclic causalities in these networks are an impossible task using ordinary methods. On the other hand, in chemical processes due to recycle flows, any causal structure for these processes include directed cycle. In this research, two methods are used to encounter this problem. One of the methods is converting static cyclic network to a dynamic one that defines cycle through time. In real processes the same thing happens, effect of one node in a recycle flow returns to itself after some time. The second main method that is implemented in this research is adding a virtual hidden node to the cyclic graph. Parameters of this hidden node are leaned in a way that maximizes the mutual information. In this work, genetic algorithm is used for optimization. This hidden node can break the cycle and change the concept of the graph to a Bayesian network. For validation of models, the ability of Bayesian networks in prediction is used and predicted values are compared with the real data. All the results have high accuracies.
