وبلاگ

1. 1. b) تنظیم درجه آرام سوزی­تبدیل یافته تا اثرات متقابل نوع هیدروکربن ها را نیز شامل گردد.

(۲-۲۲)
(۲-۲۳)

1. 1. c) محاسبه حساسیت در سطح درجه آرام سوزی مرجع.

(۲-۲۴)

1. 1. d) تنظیم از حالت مرجع به درجه آرام سوزی واقعی

(۲-۲۵)
(۲-۲۶)
که k₁,c₈,c₇,c₆,c₅,c₄,c₃,c₂,c₁ و k₂ ثابت هایی می باشند که باید تعیین گردند، S نیز حساسیت یعنی (RON-MON) ، RON_refوMON_ref مقادیر درجه­ آرام سوزی در حالت مرجع که به طور قراردادی ۹۰ تنظیم شده است می باشند. H تأثیر اثر متقابل نوع هیدروکربن­ها، A_i، P_iوO_i جزءحجمی آروماتیک­ها، پارافین­ها و الفین­های موجود در هر جزء می­باشد.
این مدل اختلاط برای MON و RONدرنهایت شامل ۱۰ پارامتر می باشد که باید تعیین گردند (RON_ref,MON_ref,c₁,c₂,…,c₇,c₈,k₁,k₂). داده ­های تجربی اختلاط برای تعیین پارامتر ها عبارتند از:

MON و RON محتویات آروماتیک، پارافین و الفین موجود در هر جزء.
MON و RON هر اختلاط
دقت پیش بینی مدل تغییر شکل توسط راسین و همکارانش بیان گردیده است. آن­ها با بهره گرفتن از داده ­های مربوط به ۵۶۴ اختلاط بنزین با اجزأ متفاوت و با بهره گرفتن از چندین مطالعه مستقل مربوط به اختلاط، دقت پیش ­بینی را تخمین زده­اند. بدین منظور داده ­های مربوط به هر مرجع مطالعاتی به دو قسمت تقسیم شدو از نیمه­ی اول برای تعیین پارامترهای مدل و از نیمه­ی دوم برای امتحان دقت پیش بینی مدل استفاده گردید. انحراف استاندارد از خطای پیش ­بینی تقریباً بین ۰٫۴ تا ۰٫۵ درجه برای هر اختلاط مربوط به RON و MON می باشد[۱۵]. همانند مدل اتیل­آر­تی ، مدل تغییر شکل نیز به RON و MON، مقادیر الفین، آروماتیک­های موجود و پارافین نیازمند می باشد. در این مدل در مقایسه اتیل­آر­تی که نیازمند تعیین شش پارامتر می باشد، ده ضریب رگرسیون باید تعیین گردد. درنتیجه می توان گفت مدل اتیل در مقایسه با مدل تغییر شکل از لحاظ سادگی و راحتی استفاده، مناسب­تر می­باشد.
۲-۱۱-۵٫مدل درجه­ آرام سوزی اضافی^[۵۰]
در این روش انحراف از حال ایده­آل توسط عبارت اضافه شده^[۵۱]تصحیح می­گردد. این عبارت اضافه به متوسط حجمی درجه­ آرام­سوزی برای پیش ­بینی درجه­ آرام­سوزی اختلاط (RON و MON) اضافه می­گردد.
(۲-۲۷)
که درجه­­آرام­­سوزی اختلاط jام، درجه­­آرام­سوزی اضافی مربوط به جزء i در اختلاط j و درصد حجمی جزء i در اختلاط jاُم می­باشد. در این مدل خطی،‌در­واقع درجه­­آرام­سوزی اضافی به نحوی بیان کننده­ سهم جزءi در غیر خطی بودن اختلاطjاُُم می باشد. این پارامترها در هر اختلاط با بهره گرفتن از یک سری اختلاط­های فرضی به نام اختلاط­های پایه^[۵۲]تبیین می­گردند. جهت تشکیل اختلاط­های پایه تمام برش­های مورد استفاده را باهم مخلوط کرده سپس اجزاء یکی پس از دیگری حذف می شوند. باید توجه داشت که در آماده سازی اختلاط­های پایه حجم هر جزء (مخصوصا جزءiکه حذف می­گردد) باید یکسان باقی بماند. بنابراین حجم کامل و درصد حجمی اجزا تغییر می­نماید. بنابراین به تعداد تمام اجزاء، نمونه­ آزمایشگاهی وجود خواهد داشت. تعداد مقادیر که در هر اختلاط هم باید تعیین گردند برابر n ، یعنی تعداد تمام اجزاء می­­باشد. بنابراین داده ­های تجربی مورد نیاز برای تخمین این پارامترها عبارتند از:
درجه­­آرام­سوزی (پژوهش یا موتور) هر جزء.
درجه­­آرام­سوزی (پژوهش یا موتور) هر اختلاط.
درجه­­آرام­سوزی (پژوهش یا موتور) هر n تا اختلاط پایه.
تعداد سوخت ها و موادی که نیاز به نمونه گیری دارند n+d(n+1)می­باشد.
بنابراین در مجموع ۲(n+d(n+1))نمونه برای بیان RONو MONنیاز می­باشد که d تعداد پایه بنزین می­باشد. روش درجه­­آرام­سوزی اضافی به سمت روش خطی سوق پیدا کرده است در نتیجه امکان استفاده از مزایای برنامه­ ریزی خطی در تعیین دستورالعمل اختلاط بهینه را فراهم می­نماید. مقادیر اضافی برای اختلاط در ترکیب درصدهای اسمی^[۵۳] محاسبه می گردند. بنابراین دقت این روش با انحراف ترکیب درصدها از نقاط اسمی تغییر پیدا می­نماید. همچنین مطالعه یک اختلاط جدید نیازمند محاسبه­ی جدید مقادیر می­باشد. پارامترهای بیان شده نیز مخصوص همان اختلاط می باشند که یکی دیگر از معایب این روش می­باشد.
از دقت پیش بینی و همچنین کاربرد صنعتی این روش چیزی در مراجع یافت نگردیده است [۱۶] و [۱۷].
۲-۱۱-۶٫مدل زاهد^[۵۴]
در این روش رابطه­ای تجربی با بهره گرفتن از درجه­­آرام­سوزی برش­های مختلف برای پیش بینی درجه­­آرام­سوزی اختلاط تعیین می­گردد . پارامترهای معادله هم با بهره گرفتن از آنالیز رگرسیون بر روی داده ­های تجربی تخمین زده می شوند. مدل اختلاط برای درجه آرام سوزی:
(۲-۲۸)
مدل مشابه برای MON:
(۲-۲۹)
Q₀,M₀,M_i,Q_i,K₃,K₄ ثابت­ها و n تعداد برش­های خوراک در فرایند اختلاط می­باشد. بنابراین پارامترهایی که برای تخمین RON باید تعیین گردند عبارتند از:M_n,…,M₁,M₀وK₃. پارامترهای مورد نیاز برای تخمین MON عبارتند از: Q_n,…,Q₁,Q₀و K₄داده های مورد نیاز برای تخمین این پارامترها عبارتند از:
MON وRON برای هر اختلاط و همچنین هر n جزء.
همانند مدل­های دیگر دقت این روش نیز به داده­هایی که برای تنظیم پارامترها استفاده می شوند و خصوصیات اختلاط مربوط می­باشد. بنابراین پارامترهای مدل با تغییر کیفیت برش­های خوراک در طول زمان تغییر می­نماید. پارامترهای مدل هم می ­تواند با توجه به سوابق داده ­های اختلاط به­روز رسانی گردند. زاهد با مقایسه­ دقت پیش ­بینی این مدل و مدل استوارت نشان داد که این مدل در پیش ­بینی درجه­­آرام­سوزی اختلاط برای مجموعه ­ای از داده ­های تجربی بهتر عمل می­نماید. انحراف استاندارد خطای پیش بینی هم در مراجع یافت نشده است[۷-۱۶] و [۲-۳].
۲-۱۱-۷٫ مدل­های شبکه عصبی مصنوعی در پیش بینی
به نظر می آید شبیه سازی شبکه­­عصبی یکی از پیشرفت­های اخیر باشد. گرچه این موضوع پیش از ظهور کامپیوتر بنیان­گذاری شده، حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت گذاشته است.
اولین سلول عصبی مصنوعی در سال ۱۹۴۳ به وسیله یک نروفیزیولوژیست^[۵۵]به نام مک کلوک^[۵۶] و یک منطق­دان به نام والتر پیتز^[۵۷] ساخته شد که یک مدل خطی ساده بود. اما محدودیت­های فن­آوری در آن زمان اجازه کار بیشتر به آنها نداد[۸].
خیلی از پیشرفت­های مهم با تقلید و شبیه­سازی­های ساده و ارزان کامپیوتری به­دست آمده است. در پی یک دوره ابتدایی اشتیاق و فعالیت در این زمینه، یک دوره بی­میلی و بد­نامی را پشت سر گذاشته است. در طول این دوره سرمایه ­گذاری و پشتیبانی حرفه ای از این موضوع در پایین­ترین حد خود بود، پیشرفت­های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت.که بدین­وسیله پیشگامان قادر شدندتا به گسترشفن­آوری متقاعد کننده ­ای بپردازند که خیلی برجسته تر از محدودیت­هایی بود که توسط پاپرت^[۵۸] و مینسکی^[۵۹] شناسانده شد[۸]. سال ۱۹۶۹ آغاز افول موقت شبکه ­های عصبی شدزیرا عدم توانایی شبکه ­های عصبی در حل مسایل غیر­خطی آشکار شد. در این سال پاپرت و مینسکی، کتابی را منتشر کردند که درآن عقیده عمومی راجع میزان محرومیت شبکه های عصبی را در میان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل بیشتر پذیرفته شد[۸].
شبکه ­های عصبی آنها قادر به حل مسایلی بودند که می توانستیم پاسخ­های آن مسئله را توسط یک خط در محور مختصات از آن جدا کنیم[۸]. در سال ۱۹۸۲ هاپفیلد با معرفی شبکه ­های چند لایه و الگوریتم یادگیری دارای Feedback راه­حلی را برای حل موارد غیر­خطی ارائه کرد. در این زمان بود که شبکه ­های بازگشتی، مطرح شدند[۸].
شبک­هایعصبیدرمقالاتمتعدددیگرینیزبرای پیش­بینیبه­کاررفتهاند . به­عنواننمونهپیش­بینی نرخ­هایارزو شاخص­هایمختلف،پیش­بینینرخ تورم [۱۸] وقیمت سهام [۱۹]،قیمت نفت [۲۰].
پاسکینی^[۶۰] و همکارانش در سال ۲۰۰۷ به­منظور مشخص کردن فرایندهای نفت در پالایشگاه­ها یک روش برای پیش بینی منحنیTBP^[61] و برآورد چگالی APIارائه دادند. آن­ها از اطلاعات طیف برگرفته شده از ناحیه­ی اشعه­ی مادون قرمزIR استفاده کردند. بدین منظور از دو روش شبکه­ عصبی مصنوعی ANN و روش کمترین مربعات PLS استفاده کردند [۲۱].
با توجه به وقت­گیر بودن تعیین شاخص ستان^[۶۲] سوخت موتورهای با احتراق داخلی رامادهاس^[۶۳] و همکاران وی با بکار بردن شبکه ­های عصبی مناسب و انتخاب مدلی مناسب موفق به پیش بینی این عامل مهم گردیدند [۲۲].
در مقاله­ فرضی و مهربانی یک روش جدید برای کنترل یک برج تقطیر آب؛ متانول با بهره گرفتن از شبکه­ عصبی مصنوعی ارائه شده است. در این تحقیق یک برج تقطیر پیاده­سازی شد که در شکل ۲-۲ نمایش داده شده و از کنترل NARMA –L₂(خطی کننده­ باز خورد) استفاده شده است. این شبکه شامل یک لایه­ی ورودی، خروجی و پنهان است. برای پیدا کردن مقدار بحرانی و ارزیابی تاثیر تعداد نرون­های لایه­ی پنهان، شبکه­ عصبی در حالاتی با تعداد نرون­های ۱۵، ۲۰، ۲۵، ۳۰، ۳۵، ۴۰، ۴۵، ۵۰، ۶۰ و ۷۰ آموزش داده شد. نتایج بدست آمده نشان داد، تعداد بحرانی نرون­ها زمانی که برابر با ۳۰ است به بهترین جواب و حالت پایدار می­رسد. همچنین به منظور ارزیابی تاثیر تعداد داده ­های آموزشی، در هر اجرا بین ۵۰۰ تا ۲۰۰۰ تغییر یافتند (در هر گام ۵۰۰ داده به مجموعه اضافه شد). نتایج بررسی­ها نشان داد که با افزایش تعداد مجموعه داده ­ها، عملکرد کنترل کننده­ برج تقطیر بهتر می­ شود و در تعداد ۲۰۰۰ به حالت پایدار می­رسد [۳].
شکل ۲-۴ برج تقطیر