17746

17746

ارائه يك مدل بر مبناي روش هاي داده كاوي وتكنيك هاي يادگيري ماشين جهت تخمين نقطه اشتعال مخلوط ها

كارشناسي ارشد

طراحي، شبيه سازي و كنترل فرآيند

1393

بهمن 1395

دكتر محمد امين ثباتي

مهندسي شيمي، نفت و گاز

نقطه اشتعال به‌عنوان دماي تجربي معين تعريف مي‌شود كه در آن يك مايع بخار كافي براي تشكيل يك مخلوط قابل اشتعال با هوا منتشر مي‌كند. خطرات انفجار و اشتعال مايعات در درجه اول توسط نقطه اشتعال آن‌ها مشخص مي‌شود. اگرچه به دست آوردن نقطه اشتعال به صورت تجربي همواره ترجيح داده مي‌شود اما كاري زمان‌بر است و براي بعضي از اجزاي سمي و راديواكتيو بسيار مشكل خواهد بود. از اين‌ رو توسعه روش‌هاي تخمين سريع‌تر نقطه اشتعال مخلوط‌هاي اشتعال‌پذير بسيار مورد توجه قرارگرفته است. در پژوهش پيش رو ابتدا نقاط اشتعال آزمايشگاهي مخلوط و درصد تركيب مولي 107 تركيب شامل 1240 نقطه داده از 28 منبع مختلف جمع‌آوري ‌شده است. اين داده‌ها مربوط به خانواده‌هاي شيميايي متنوع آلي و آبي از جمله الكل‌، آلكان‌، آمين، كتون، اسيد، استات، آلكيل بنزن، استر و ساير هيدروكربن‌ها مي‌شود. سپس با استفاده از روش‌هاي رگرسيون رياضي بر اساس اطلاعات آزمايشگاهي مواد خالص و روش‌هاي داده‌كاوي و تكنيك‌هاي يادگيري ماشين نظير برنامه‌ريزي ژنتيك، شبكه عصبي مصنوعي و رگرسيون بردار پشتيبان بر اساس ساختار و خواص مولكولي متوسط گيري شده براي مخلوط، مدل‌هايي براي تخمين نقطه اشتعال مخلوط‌ها توسعه داده شده‌اند. سپس با استفاده از پارامترهاي آماري نتايج بررسي و مقايسه شده‌اند. در روش رگرسيون رياضي با الهام از روش انديس‌هاي اختلاط مدل ساده‌اي به دست آمده است كه درصد خطاي مطلق متوسط و ضريب همبستگي را به ترتيب برابر با 66/1% و 9003/0 نشان مي‌دهد. همچنين در روش‌هاي يادگيري ماشين بهترين نتايج با اختلاف زياد مربوط به روش رگرسيون بردار پشتيبان مي‌شود كه با درصد خطاي مطلق متوسط و ضريب همبستگي به ترتيب برابر با 2843/0% و 9981/0 بهترين مطابقت را با داده‌هاي تجربي نشان مي‌دهد، بنابراين نتايج آماري كاملاً رضايت‌بخش است؛ به عبارت ديگر، مدل‌هاي توسعه يافته قادر به پيش‌بيني نسبتاً دقيقي از نقطه اشتعال مخلوط هستند.

1396/06/13

1/1/1900 12:00:00 AM

The flash point is defined as empirical temperature, at which a liquid releases enough vapor to form a flammable mixture with air. The dangers of explosion or fire liquids is determined primarily by their flash point temprature. Although obtaining the flash point experimentally is preferred but it is very time consuming and will be more difficult for some of the toxic and radioactive substance; Therefore the development of faster techniques to estimate the flash point of the flammable mixture is highly regarded. In this study first, exprimental flash point of mixture and their molar composition related to 107 Mixtures includes 1240 data point from 28 different sources is collected. This experimental data on flash points of different binary mixtures related to organic and aqueous chemical families such as alkanes, alcohols, ketones and esters was used for model development. Then, the models have been developed to estimate the flash point of the mixture. This models have been developed using two main method include mathematical regression based on exprimental information of pure component and machine learning techniques such as genetic algorithms, neural networks and support vector regression based on the structure and molecular properties averaged for the mixtures. Then the results were compared using statistical parameters. In mathematical regression simple model is obtained inspired blending index method. That The average absolute relative error and the coefficient of correlation is obtained respectively 1.66% and 0.9003. Also, in the machine learning methods the best match with experimental data is related to support vector regression. That the average absolute relative error and the coefficient of relationship is equal to 0.2843% and 0.9981 respectively. So, the statistical results are quite satisfying.In other words, developed models are able to predict the flash point of mixtures accurately.