مدلسازی برج های جذب و دفع واحد هیدروژن بخش ایزوماکس پالایشگاه اصفهان با استفاده از شبکه های عصبی

یکی از فرایندهای مهم در تصفیه گاز، جدا نمودن گاز co2 ازمحصولات خروجی ازکوره هیدروژن و تهیه محصولی با خلوص نسبی بالای هیدروژن و با فشار بالا است.به عنوان نمونه محصول تصفیه شده در واحد هیدروژن پالایشگاه اصفهان شامل 41480 متر مکعب هیدروژن در ساعت با خلوص 5/96 درصد (و 5/3درصد متان) و فشاری برابر باbar 7/13 است. در طراحی فرایند تصفیه سازی به روش های مرسوم، برای هر قسمت واحد (نظیر واحد های آمین جذب و دفع که در پالایشگاه اصفهان در واحد هیدروژن مورد استفاده قرار می گیرد) می بایستی مراحل مختلفی را جهت محاسبه و تعیین پارامترهای طراحی اجرا نمود.هم اکنون مدلسازی این گونه واحدها با استفاده از نرم افزارهای تخصصی مهندسی شیمی از جمله hysys و aspen در حال انجام است، ولی از شبکه های عصبی به منظور ارزیابی تواناییش برای شبیه سازی یک چنین فرآیندی استفاده نشده است.از طرفی بدلیل پیچیده بودن مجموعه فرایندهای جذب و دفع در واحد تصفیه (توسط آمین ها) و نیز تاثیر پارامترهای مختلف روی یکدیگر تاکنون یک روش جامع و سریع برای طراحی و بهینه سازی این فرایند ارائه نشده است و اغلب روش های ارائه شده طولانی می باشد. از طرف دیگر استفاده از این روشها جهت کنترل پارامترها در حین عملیات فرایند نیز دشوار و ناقص است. بنابراین استفاده از روش های جدید که سرعت و دقت کافی جهت تعیین و پیش بینی پارامترها و کنترل آنها را داشته باشند بسیار مورد توجه پژوهشگران و طراحان است. شبکه های عصبی مصنوعی یکی از روشهای توانمند جهت مدل سازی فرایندها است که مورد توجه تعداد زیادی از محققین در زمینه های علمی مختلف قرار گرفته است. به همین دلیل تاکنون کاربردهای زیادی در زمینه های علمی-کاربردی پیدا نموده است.لذا هدف از این تحقیق مدلسازی واحد امین واحد هیدروژن پالایشگاه اصفهان، با استفاده از شبکه های عصبی پرسپترون چندلایه می باشد. این نوع شبکه ها با حداقل یک لایه مخفی قادرند هر تابعی را با یک تقریب مناسب تخمین بزنند، مشروط بر اینکه تعداد کافی نرون در لایه مخفی منظور شده باشد. نتایج حاصل از این تحقیق معرف آنست که شبکه عصبی پرسپترون چندلایه توانایی مدلسازی برجهای جذب و دفع این واحد را دارا می باشند. در این پژوهش از شبکه های عصبی برای مدل سازی و آنالیز حساسیت فرایندتصفیه گازخروجی ازکوره هیدروژن استفاده و نتایج آن با داده های تجربی مقایسه خواهد شد.