مدل سازی واحد تولید هیدروژن با استفاده از شبکه ی عصبی مصنوعی

هیدروژن به عنوان یک سوخت پاک و ماده ی اولیه برای تولید مواد شیمیایی مانند آمونیاک و متانول، از اهمیت ویژه ای برخودار است. هدف از این پایان نامه، مدل سازی و بهینه سازی واحد تولید هیدروژن، بر پایه ی فرآیند ریفرمینگ با بخار آب گاز طبیعی، مستقر در شرکت فولاد مبارکه اصفهان، با ظرفیت تولید نامی 250 نرمال متر مکعب است. در این راستا، ابتدا واحد مورد نظر با استفاده از نرم افزار تجاری اسپن هایسیس شبیه سازی شده است. با توجه به محدودیت های شبیه سازی، در این پایان نامه، یک روش جایگزین مبنی بر استفاده از شبکه ی عصبی مصنوعی برای مدل سازی واحد، مورد استفاده قرار گرفته است. پارامترهای دبی تولید محصول و مقدار انرژی مصرفی به عنوان پارامترهای خروجی مدل در نظر گرفته شده اند و دو شبکه ی عصبی مجزا برای پیش بینی این دو پارامتر با استفاده از 20 پارامتر عملیاتی به عنوان ورودی، در نظر گرفته شده است. به منظور مدل سازی با استفاده از شبکه ی عصبی مصنوعی، داده های ثبت شده در واحد به مدت 8 ماه، که شامل 690 مقدار است، برای ورودی ها و خروجیهای شبکهی عصبی جمعآوری شده است. این دادهها به طور تصادفی به دو دستهی دادههای مدلسازی و دادههای آزمون تقسیمبندی شدهاند. با استفاده از دادههای مدل سازی، دو شبکهی عصبی مجزا برای پیشبینی تولید هیدروژن و مصرف گاز طبیعی ایجاد شده است. هر دو شبکه دارای یک لایهی ورودی (با 20 نرون برای هر شبکه)، یک لایهی پنهان (با تعداد نرون 30 برای شبکهی اول و 32 نرون برای شبکهی دوم) و یک لایهی خروجی (با یک نرون) است. بر طبق نتایج حاصل از این پایاننامه، خطای متوسط مطلق (aae)، خطای متوسط نسبی (are) و خطای احتمالی (pe) بین داده های واقعی کارخانه و پیشبینی حاصل از مدل برای دادههای مدلسازی، به ترتیب برابر با 14/2، 21/1 و 9/2 برای شبکهی اول و 37/0، 84/0 و 55/0 برای شبکهی دوم حاصل شده است. بعد از مدلسازی فرآیند و ایجاد مدل مناسب، به منظور بررسی عملکرد و تعیین دقت مدل برای دادههایی به جز دادههای مدلسازی، دادههای آزمون (90 گروه داده) به عنوان پارامترهای ورودی به مدل، در نظر گرفته شده و پارامترهای خروجی متناظر با پارامترهای ورودی توسط شبکههای عصبی آموزش دیدهی قبلی، پیشبینی شدهاند. مقادیر aae، are و pe در این حالت به ترتیب برابر با 12/4، 39/3 و 47/6 برای شبکهی عصبی مصنوعی اول و 88/0، 01/2 و 15/1 برای شبکهی عصبی مصنوعی دوم به دست آمده است. به منظور بررسی تأثیر پارامترهای مختلف ورودی بر پیشبینی مدل، آنالیز حساسیت با استفاده از روش statsoft انجام شده است. بر طبق نتایج حاصل از آنالیز حساسیت، دمای گاز سنتز خروجی از ریفرمر، بیشترین ضریب حساسیت را برای شبکهی عصبی مصنوعی اول و دبی جریان گاز اتلافی به عنوان تأثیرگذارترین پارامتر بر میزان مصرف انرژی واحد شناخته شدهاند. پس از مدلسازی واحد و به منظور تعیین شرایط بهینهی عملیاتی واحد، از الگوریتم ژنتیک به منظور یافتن شرایط عملیاتی بهینه استفاده شده است. بدین صورت که سود ناخالص حاصل از فرآیند به عنوان تابع هدف در نظر گرفته شده است و پارامترهای عملیاتی بهینه به منظور دستیابی به حداکثر سود فرآیند با استفاده از الگوریتم ژنتیک تعیین شدهاند. بر طبق نتایج حاصل از بهینهسازی، حداکثر سود حاصل از فرآیند (در ظرفیت 75 درصد) برابر با 56/42 دلار بر ساعت است که 25 درصد بیشتر از میانگین سود واحد در شرایط غیر از بهینه است.کلمات کلیدی: هیدروژن، فرآیند ریفرمینگ با بخار آب گاز طبیعی، مدل سازی، شبکه ی عصبی مصنوعی، آنالیز حساسیت، بهینه سازی، الگوریتم ژنتیک