Skip to main content
SUPERVISOR
Arjomand Mehrabani zeinabad
ارجمند مهربانی زین آباد (استاد راهنما)
 
STUDENT
Alireza Eskandarlou
علیرضا اسکندرلو

FACULTY - DEPARTMENT

دانشکده مهندسی شیمی
DEGREE
Master of Science (MSc)
YEAR
1383

TITLE

Application of Artificial Neural Networks (ANNs) in Modeling, Simulation and Control of Distillation Column
The most important duty of a distillation column is separation and production of products with certain purity. In this project a model for a distillation tower including 7 equilibrium stages for separation of a methanol-water mixture for study on production purity control was developed. After modeling, simulation of the distillation tower was carried out and the results are compared with experimental data in order to evaluate the accuracy of modeling and simulation. In various applications, conventional controllers such as Proportional Integral Derivative (PID) were used widely with reasonable operation. But in processes with long delay, complex, and non-linear have not suitable performance. Neural Networks with their high learning ability and estimation of non-linear functions with high accuracy are a new method in modeling, simulation and control of process. Thus, neural network model are used for simulation and control of distillation column. Also, effects of various parameters, such as number of neurons in hidden layer, training algorithms, training speed parameter, number of learning data in neural network, and span of input data were studied. Matrix of relative gains for distillation column was developed and based on it; couples of suitable input-output variables were selected. Temperature of bottom product with reboiler thermal flux, and temperature of top product with reflux ratio were selected as two control loops. In this project for identification and control of distillation column purity, neural network controllers were design. Levenberg-Marquardt algorithm was the best method in training of distillation column neural network. The neural network controller in comparison with the PID controller had lower offset, overshoot, and response time.
مهمترین وظیفه برج تقطیر،جداسازی و تولید محصولاتی با درصد خلوص مورد نظر میباشد. در این پروژه یک مدل برج تقطیر با هفت مرحله تعادلی برای جداسازی مخلوط متانول و آب به منظور بررسی کنترل کیفیت محصول تهیه شد. برای بعد از مدلسازی ریاضی، شبیه‌سازی برج تقطیر انجام گرفت و نتایج بدست آوده با نتایج تجربی جهت اطمینان از صحت مدلسازی و شبیه سازی مقایسه شد. در بسیاری از کاربردها، کنترل کننده های سنتی از قبیل PID به صورت گسترده استفاده شده اند و عملکرد خوبی داشته اند. اما در فرایندهای با تاخیر زمانی بالا، پیچیده و غیر خطی کارایی مناسبی ندارند. شبکه های عصبی با قابلیت یادگیری بالا و تخمین هر تابع غیر خطی با دقت بالا به عنوان یک شیوه جدید در مدلسازی، شبیه‌سازی و کنترل فرایندها مطرح هستند. لذا مدل شبکه عصبی برای شبیه‌سازی و کنترل برج تقطیر مورد استفاده قرار گرفت و در طی آن اثرات پارامترهای مختلفی به مانند تعداد نورون‌های موجود در لایة مخفی، الگوریتم آموزش، پارامتر سرعت یادگیری، تعداد داده ها در آموزش شبکه عصبی و بازه ورودی ها مورد بررسی و ارزیابی قرار گرفتند. ماتریس شامل آرایه های بهره نسبی به منظور ارزیابی و بدست آوردن تاثیر متقابل ورودی ها و خروجی های برج تقطیرتعیین گردیدند و به کمک آن جفت های متغیرهای مناسب ورودی و خروجی انتخاب شدند که دمای محصول خروجی از جوش آور با فلاکس حرارتی ورودی به جوش آور به عنوان یک زوج کنترلی برای تشکیل یک مدار کنترلی و دمای محصول خروجی از چگالنده با نسبت جریان برگشتی به عنوان مدار کنترلی دیگر انتخاب شدند. در این پروژه یک کنترل کننده پیش بین شبکة عصبی مصنوعی برای شناسایی و کنترل برج تقطیرطراحی شد. الگوریتم لونبرگ مارکوارت مناسبترین شیوه برای آموزش شبکة عصبی مصنوعی برج تقطیر بود.کنترل کننده شبکه عصبی در مقایسه با کنترل کننده PID بر اساس پارامترهای بدست آمده از روش زیگلر نیکولز دارای مقداری افت کنترل، فرارفت و زمان پاسخ کمتری را نشان می دهد.

ارتقاء امنیت وب با وف بومی