توسعه مدل هوش مصنوعی برای پیش بینی کیفیت گاز خروجی از واحد شیرین سازیگاز

در ای ن مقاله با استفاده از یادگیری ماشین و مدلسازی داده محور واحد شیرین سازی گاز سعی می شود یک سیستم انطباقپذیر و با دقت بالا برای پیش بینی کیفیت گاز خروجی ارائه شود. به دلیل وجود گاز های اسیدی که مهمترین آنها هیدروژنسولفید و دی اکسیدکربن می باشد می بایست مقادیر این گازها تا حد استاندارد پایین باشد. به علاوه وجود تعداد بالای پارامترهاو در نتیجه وابستگی آنها به یکدیگر و همچنین متغیر بودن شرایط عملیاتی، شبیه سازی دقیق این واحد بسیار دشوارمی شود. در ادامه با استفاده از روش درخت تصادفی و ماشین بردار پشتیبان و رگرسیون خطی مدلسازی انجام می شود ومقدار خروجی های بدست آمده پیش بینی خواهد شد. برای ارزیابی دقت و صحت این پیش بینی، داده های پیش بینی شدهرا با داده های بدست آمده از صنعت که به مدت ۶ ماه جمع آوری شده اند مقا یسه گردید. نتایج این مدل سازی ها و پیش بینی ها ،کارایی لازم را نه تنها در انتخاب پارمترها داشتند بلکه در سناریوهای مختلف توانستند مدل قابل اعتباری برای پیش بی نیکیفیت گاز خروجی ارائه دهند. همچنین این روش می تواند یک مرجعی مناسب و کارآمد برای احداث بخش یادگیری لحظهای و سنسور های مجازی در واحد شیرین سازی گاز را داشته باشد. در نهایت مدل جنگل تصادفی توانست با دقت ۰.۹۵درصدی کیفیت گاز خروجی را پیش بینی کند که نسبت روش های دیگر یعنی ماشین بردار پشتیبان که دقت ۰.۹۱ درصدیو رگرسیون خطی که دقت ۰.۸۵ درصدی داشتند به مراتب مدل منطبق تر و سازگار تری بود. نتا یج این تحقیق می تواند درکنترل کیفیت گاز های خروجی این واحد صنعتی نقش به سزایی داشته باشد.