12493

كاربرد روش هاي داده محور و مدل هاي جايگزين در بهينه سازي چيدمان هاي تقطيري

1401

دكتر نوراله كثيري

در ﺳﺎﻟﯿﺎن اﺧﯿﺮ اﻫﻤﯿﺖ اﺳﺘﻔﺎده از روش‌هاي داده‌محور و مدل‌هاي جايگزين در ﺑﻬﯿﻨﻪ ﺳﺎزي ﻓﺮآﯾﻨﺪﻫﺎي ﺻﻨﻌﺘﯽ ﻣﺮﺗﺒﻂ ﺑﺎ ﻣﻬﻨﺪﺳﯽ ﺷﯿﻤﯽ از ﺟﻤﻠﻪ ﻓﺮآﯾﻨﺪﻫﺎي ﺟﺪاﺳﺎزي ﻣﺎﻧﻨﺪ ﺗﻘﻄﯿﺮ دوﭼﻨﺪان ﺷﺪه‌اﺳﺖ. ﻋﻠﺖ اﺻﻠﯽ اﺳﺘﻔﺎده از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺮاي ﺗﻮﺻﯿﻒ ﭼﻨﯿﻦ فرايندهايي رﻓﺘﺎر ﻏﯿﺮﺧﻄﯽ و ﭘﯿﭽﯿﺪه آن‌ﻫﺎ ﻣﯽ‌ﺑﺎﺷﺪ ﮐﻪ ﻣﺪﻟﺴﺎزي، ﺑﻬﯿﻨﻪ ﺳﺎزي و ﮐﻨﺘﺮل آن‌ها را ﺑﻪ ﻣﺮاﺗﺐ سخت‌تر مي‌كند. از دﯾﮕﺮ ﻣﺰﯾﺖ‌ﻫﺎي اﺳﺘﻔﺎده از اين روش‌ها دﻗﺖ ﺑﺎﻻي آن ﺑﺎ وﺟﻮد ﻧﯿﺎز كم‌تر ﺑﻪ متغيرها ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﯾﺮ روشﻫﺎﺳﺖ. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻣﺴﺎﺋﻠﯽ از ﻗﺒﯿﻞ ﮔﺮﻣﺎﯾﺶ ﺟﻬﺎﻧﯽ، ﮐﻤﺒﻮد ﻣﻨﺎﺑﻊ اﻧﺮژي و از ﻃﺮﻓﯽ ﭘﺮﻣﺼﺮف ﺑﻮدن اﯾﻦ ﻗﺒﯿﻞ ﻓﺮآﯾﻨﺪﻫﺎ از ﻟﺤﺎظ اﻧﺮژي، دﯾﺪﮔﺎه ﻣﺤﯿﻂ زﯾﺴﺘﯽ ﻧﯿﺰ در اﯾﻦ ﻣﻮﺿﻮع دﺧﯿﻞ مي‌شود. ﻫﺪف از ﺑﺮرﺳﯽ اﯾﻦ ﻣﻄﺎﻟﻌﻪ در ﮔﺎم اول، آﺷﻨﺎﯾﯽ ﺑﺎ ﻣﻔﻬﻮم روش‌هاي داده‌محور و مدل‌هاي جايگزين و اﻧﻮاع آن و تحليل حساسيت اﺳﺖ. در اداﻣﻪ ﺳﻌﯽ ﺑﺮ اﯾﻦ ﺑﻮده ﮐﻪ توضيحات اوليه در رابطه با چيدمان‌هاي و سپس توضيحات گسترده در رابطه با بهينه سازي واحدهاي تقطير ﻣﻮرد ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﮔﺮﻓﺘﻪ و سپس از كاربردهاي اين روش‌هاي داده محور و مدل‌هاي جايگزين بر واحدهاي تقطير مطالعه قرار گرفته‌است. ﺑﺎ ﺗﻮﺟﻪ ﺑﻪ ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪه ﮐﻪ ﻫﻤﮕﯽ آن‌ها ﺣﺎﮐﯽ از دﻗﺖ ﺑﺎﻻي مدل‌هاي ﻣﺒﺘﻨﯽ ﺑﺮ روش‌هاي داده محور اﺳﺖ مي‌توان ﺑﯿﺎن ﮐﺮد ﮐﻪ از اﯾﻦ ﮔﻮﻧﻪ مدل‌ها مي‌توان ﺑﺮاي اراﺋﻪ رﻓﺘار ﺳﯿﺴﺘﻢ ﺗﻘﻄﯿﺮي اﺳﺘﻔﺎده ﮐﺮد. ﻣﺰﯾﺖ آن در ﺻﻨﻌﺖ ﺑﻪ ﺧﺼﻮص در ﻓﺮآﯾﻨﺪﻫﺎي ﺑﻬﯿﻨﻪ ﺳﺎزي و ﮐﻨﺘﺮل ﻣﺸﻬﻮد اﺳﺖ ﺑﺪﯾﻦ ﺻﻮرت ﮐﻪ دﯾﮕﺮ ﺑﺮاي ﭘﯿﺪا ﮐﺮدن ﺷﺮاﯾﻂ ﺑﻬﯿﻨﻪ ﻋﻤﻠﯿﺎﺗﯽ و ﯾﺎ ﺗﻨﻈﯿﻢ ﻣﺘﻐﯿﺮﻫﺎي ﮐﻨﺘﺮﻟﯽ ﻧﯿﺎز ﺑﻪ ﺑﻬﺮهﺑﺮداري ﻫﺎي ﭘﯽ درﭘﯽ از واﺣﺪ ﻧﯿﺴﺖ و ﺑﻪ آن‌ها مي‌توان ﺑﻪ راﺣﺘﯽ ﺑﺪﺳﺖ آورد. ﻫﻢ ﭼﻨﯿﻦ ﺗﺄﺛﯿﺮ ﺑﺴﺰاﯾﯽ در ﻓﺮآﯾﻨﺪ ﺗﺼﻤﯿﻢ ﮔﯿﺮي ﻣﻬﻨﺪﺳﯿﻦ ﻓﺮآﯾﻨﺪ در واحدهاي ﻋﻤﻠﯿﺎﺗﯽ ﺧﻮاﻫﺪ داﺷﺖ و مي‌تواند ﺑﻪ ﻋﻨﻮان اﺑﺰاري ﺑﺮاي راﻫﻨﻤﺎﯾﯽ آن‌ها ﺑﮑﺎر رود.

9/30/2023 12:00:00 AM

80330

1402/07/19

Investing the use of data-driven methods and surrogate models in the optimization of distillation configurations

چيدمان تقطير , مدل‌هاي جايگزين , روش‌هاي داده محور , بهينه‌سازي داده‌محور

data-driven optimization , surrogate models , optimization with surrogate models , distillation tower layout