عنوان پایان‌نامه
بهینه سازی راکتور های بستر متحرک ریفیمینگ نفتا جهت افزایش تولید بنزین
- رشته تحصیلی
- مهندسی شیمی - طراحی فرآیندها
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 965.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 46415
- تاریخ دفاع
- ۳۰ شهریور ۱۳۸۹
- دانشجو
- سمیه کریمی
- استاد راهنما
- رحمت ستوده قره باغ, نوید مستوفی
- چکیده
- غیر خطی بودن و بر هم کنش های پیچیده میان متغیرهای عملیاتی و طراحی در مسائل مهندسی فضای جستجو با راه حل های بهینه چندگانه را شکل می دهد که اغلب بهینه های محلی، مقدار تابع هدف فرعی و نامناسب دارند. طی دهه اخیر، الگوریتم های تکاملی و کاوشی به عنوان ابزار بهینه سازی و جستجوی کارا در حیطه های مختلفی از مسائل مانند علوم، تجارت و مهندسی به کار گرفته شده است. در تقسیم بندی الگوریتم های تکاملی، بهینه سازی مبنی بر ذرات حوزه جدیدی از مطالعات است که از رفتار طبیعی حشرات به هدف مدل سازی الگوریتم های بهینه سازی، الهام گرفته است. الگوریتم بهینه سازی با روش جفت گیری زنبور عسلHoney bee Mating) optimization ) یکی از جدید ترین الگوریتم های بهینه سازی مبنی بر ذرات است که روش جستجوی آن با شبیه سازی رفتار جفت گیری زنبور عسل توسعه یافته است. در این پایان نامه این این الگوریتم ارائه شده است و جهت نمایش کارایی آن، مقایسه با الگوریتم ژنتیک در دو بخش جداگانه انجام شده است. بخش اول، مطالعه موردی با توابع آزمایشی شناخته شده ریاضی از انواع پیچیده و ساده و شامل بهینه های متعدد محلی است و بخش دوم، بهینه سازی مدل ریفرمینگ نفتا با هدف افزایش تولید بنزین می باشد. نکته با اهمیت در این پایان نامه، انتخاب مدل ریفرمینگ نفتا به عنوان اولین کاربرد این روش بهینه سازی در مهندسی شیمی است. نتایج حاکی از این است که با وجود قرار گرفتن این الگوریتم در مراحل اولیه توسعه، روشی کاراست و عملکرد بهتری نسبت به الگوریتم ژنتیک در یافتن بهینه مطلق با تعداد کمتر دفعات ارزیابی تابع هدف دارد. قابلیت دیگر این روش، توانایی بیشتری در گرفتار نشدن در بهینه محلی و یافتن بهینه کلی با ضریب اطمینان بیشتر، است.
- Abstract
- Nonlinearities and complex interactions between design and operation variables in engineering problems form a search space with multiple optimal solutions, in which most local optima have inferior objective function values. Over the last decade, evolutionary and meta-heuristic algorithms have been extensively used as search and optimization tools in various problem domains, including science, commerce, and engineering. Swarm based optimization as evolutionary algorithm has been the context of the emerging area where is inspired by the behavior of real insects to model the optimization algorithms. Honey-bee mating may also be considered as one of the newest swarm-based approaches to optimization, in which the search algorithm is inspired by the process of marriage in real honey-bee. In this thesis, this algorithm is presented and a comparison study with GA in two separate parts has been implemented to show its performance. The first part includes case study of the test functions and the second part is the optimization of naphtha reforming model for increasing reformate production. In this work, Naphtha reforming model was used as the first application of this optimization algorithm in chemical processes. Although this algorithm in the preliminary steps of development, the results show that HBMO is an effective method and works better than GA. HBMO has better performance in finding the global optimum than GA with less objective function evaluation number. Also HBMO has more ability not to get stuck in local optimum and finding the global optimum with a more safe certain.
