30519

طراحي مشاهده گر هوشمند و كنترل كننده بر اساس داده هاي سنسور هاي شبكه انتقال يك سيال تراكم پذير

كارشناسي ارشد

مهندسي مكانيك گرايش ساخت وتوليد-مكاترونيك

1398

1402/06/30

جناب آقاي دكتر امير حسين دوائي مركزي و جناب آقاي دكتر اسماعيل خان ميرزا

مهندسي مكانيك

در پژوهش حاضر موضوع شبيه‌سازي شبكه خط لوله گاز طبيعي در حالت گذرا و در حالت غير هم دما مورد بررسي قرار مي‌گيرد. تحليل شبكه‌هاي خط لوله انتقال گاز پايه و اساس قدم‌هاي بعدي در پردازش‌هاي بيشتر مانند بهينه‌سازي و كنترل شبكه خط لوله انتقال گاز دارد. تحليل شبكه خط لوله درحالت پايا بر اساس معادلات جبري است كه حل‌اين معادلات بسيار راحت مي‌باشد اما چون شبكه انتقال خط لوله گاز طبيعتي پويا دارد لذا ممكن است منجر به پاسخ‌هايي شوند كه با بهينه فاصله دارد. از‌اين رو، تحليل حالت گذرا اجتناب ناپذير است. در‌اين پژوهش، شبكه عصبي طراحي شده است تا بر اساس فشار ورودي ابتداي شبكه خط انتقال گاز و همچنين دبي مصرف كننده در انتهاي شبكه و با اعمال تغييرات دمايي در طول شبكه انتقال خط لوله گاز بتواند به جاي به كار گيري از سنسور‌ها، اقدام به پايش دبي و فشار و دما در طول يك شبكه انتقال گاز مستقيم بنمايد. دبي ورودي كليد تمامي متغير‌هاي شبكه مي‌باشد و اگر‌اين مقدار به درستي پيدا شود، باقي متغير‌هاي شبكه توسط توابع اساسي محاسبه مي گردند. در هر نمونه زماني، فرض‌هايي براي دبي ورودي داده مي‌شود تا شبكه با استفاده از‌اين فرض اوليه و به كمك توابع اساسي تحليل شود و فشار خروجي خط لوله به دست‌ايد. اختلاف بين فشار خروجي محاسبه شده و مقادير مرجع به عنوان خطا يا تابع شايستگي ابزار بهينه‌سازي در نظر گرفته مي‌شود. هدف كمترين ميزان خطا يا همان كمترين ميزان اختلاف بين فشار‌هاي محاسبه شده و مرجع مي‌باشد. نهايتا دبي ورودي كه منجر به كمترين ميزان خطا مي‌شود را به دست مي آوريم.

1402/11/24

Designing an intelligent observer and controller based on data from sensors in the transmission network of a compressible fluid

1/1/1900 12:00:00 AM

In our current research, we are delving into the simulation of natural gas pipeline networks under both transient and non-isothermal conditions. This analysis forms the cornerstone for subsequent stages, such as optimizing and controlling these networks. While steady-state analysis relies on easily solvable algebraic equations, it may not yield optimal solutions due to the dynamic nature of gas pipeline transmission networks. Therefore, conducting transient analysis is imperative. In this study, we have designed a neural network to replace conventional sensors. This neural network considers the input pressure at the beginning of the gas transmission network, the consumer's flow rate at the network's end, and incorporates temperature changes along the pipeline transmission network for direct monitoring of flow, pressure, and temperature parameters. The input flow rate is of paramount importance, as it serves as the key to determining all other network variables. With accurate input flow rate values, we can compute other network variables using basic mathematical functions. At each time step, we make assumptions about the input flow rate, enabling network analysis based on these assumptions and fundamental mathematical functions, ultimately resulting in the determination of the pipeline's output pressure. The disparity between the calculated output pressure and the reference values serves as the error metric or merit function in our optimization tool. Our primary goal is to minimize this error, striving for the closest alignment between the calculated and reference pressures. Ultimately, our objective is to find the input flow rate that minimizes this error to the greatest extent possible.

جريان حالت گذرا , حالت غير هم دما , شبيه سازي , شبكه عصبي (ANN)

Transient , Non-Isothermal Conditions , simulation , Neural Network

mir arvin maadanpasandi

dr esmaeil khanmirza & dr amirhosein davaei markazi