عنوان پایان‌نامه
طراحی سیستم خبره جهت پیش بینی و استفاده در فرایند های پلایشگاهی
- رشته تحصیلی
- مهندسی شیمی - طراحی فرآیندهای جداسازی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 888.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 43544
- تاریخ دفاع
- ۲۸ دی ۱۳۸۸
- دانشجو
- آرش دولت آبادی
- استاد راهنما
- مجید نیلی احمدآبادی, فرهنگ جلالی فراهانی
- چکیده
- در این پایان نامه با استفاده از شبکه (اعتقادی) بیزی، سیستمی خبره برای ستون تقطیر خام اتمسفریک ارائه شده است. داده¬های تجربی از برج خام اتمسفریک به عنوان واحد اصلی فرایندی در پالایشگاه، در شرایط نرمال و پایدار جمع¬آوری گشته است. در این روش گره-های مدل مذکور بیانگر پارامترها و متغیرهای فرایندی و یال¬های آن نمایش¬گر رابطه¬ی بین آن¬ها می¬باشد. در بررسی پیش¬رو متغییرهای فرایندی، خواص برج تقطیر اتمسفریک بوده که شامل دبی جریان خوراک، نوع و دمای خوراک، فشار برج، دبی خوراک و دبی جریان محصولات، نفتا، کروسن و گازوییل است. در این پایان¬نامه، دو قابلیت عمده¬ی مدل ارائه شده در فرایندهای پالایشگاهی که پیش¬بینی و تصمیم¬گیری هستند، نشان داده شده است. مقایسه¬ی نتایج این شبکه و داده¬های تجربی نشان¬دهنده¬ی صحت بیش از 94% پیش¬بینی و 91% تصمیم¬گیری بوده. همچنین استفاده از این شبکه صرفه¬جویی 23 دقیقه¬ای در کار را فراهم می¬کند، که این¬ها بیانگر قابلیت بالای این سیستم در پیش¬بینی و تصمیم¬گیری می¬باشد.
- Abstract
- An expert system was developed for atmospheric crude distillation column using the Bayesian Belief Network (BBN). The experimental data was gathered from atmospheric crude tower as the major processing unit in a refinery in Iran, at the normal condition (steady state). In this method nodes of a BBN model present the parameters and state variables of the process under study and edges of BBN present their relationships. In the present work, the process variables are the CDU properties which are feed flow rate, quality and temperature at the tower entrance (furnace product), tower pressure, steam flow rate (replacement for reboiler), and flow rate of products; blend naphtha, kerosene and gasoil. In this work, the two main capabilities of the developed model in the refinery processes, prediction and decision making, were illustrated. Comparing network results and the practical data (history matching) shows that more than 94% of predictions and 91% of suggested decisions are reliable and also using the network saves us twenty three minutes, which indicates high capability of this system in decision making and prediction.
