Skip to main content
SUPERVISOR
داود دادخواست (استاد مشاور) ارجمند مهربانی زین آباد (استاد راهنما)
 
STUDENT
Farshad Foruzanfar
فرشاد فروزانفر

FACULTY - DEPARTMENT

دانشکده مهندسی شیمی
DEGREE
Master of Science (MSc)
YEAR
1392

TITLE

Modeling and Simulation of New Hydrogen Production Reactor in Tehran Refinery, and Preparation of its Artificial Neural Network Model
Mathematical modeling and simulation of natural gas conversion process by water vapor provided in this thesis. The mathematical model is pseudo homogeneous one-dimensional based on mass and energy balances. Ergun equation is used to determine pressure drop and non-linear reaction kinetics for reactions in a fixed bed catalytic reactor filled with catalyst cylindrical particles. The model equations was solved with MATLAB software and in order to validate the model, the results were compared with data from the refinery, The maximum error is 17.31%. Then an artificial neural network for this catalytic unit was designed and developed in order to predict the operating conditions parameters of temperature, pressure and mole fraction of hydrogen according to 4 input parameters of temperature, pressure, furnaces heat load and the ratio of water vapor to feed. For training, validation and testing of the artificial neural networks presented in this thesis set of 700 data were used. Finally, based on the highest correlation coefficient and the lowest mean error, an artificial neural network with 3 layers using 4 neurons in input layer, 9 neurons in the middle layer and 3 neurons in output layer was selected. Function of the neurons was tangent sigmoid and for training the neural network Levenberg-Marquart algorithm was used. The correlation coefficient of real data and output of selected neural network model is 0.9791. Keywords: Modeling, Simulation, Reforming methane, Artificial neural networks
مدل‌سازی ریاضی و شبیه سازی فرآیند تبدیل گاز طبیعی توسط بخارآب در این پایان‌نامه ارائه‌شده است . مدل ریاضی به‌صورت شبه همگن پایای یک‌بعدی بر اساس بقای انتقال جرم و انرژی می باشد، در مدل از معادله ارگان جهت بررسی افت فشار سیستم و همچنین سینتیک‌های غیرخطی واکنش‌ها در یک راکتور کاتالیستی بستر ثابت، پرشده از ذرات استوانه‌ای کاتالیست استفاده شد. حل معادلات مدل به کمک نرم‌افزار متلب انجام شد و به‌منظور تائید نتایج مدل، نتایج حاصل با داده‌های پالایشگاه مقایسه شده است که حداکثر خطا برابر 31/17 % برای محاسبه فشار می‌باشد. سپس یک مدل ریاضی بر پایه شبکه عصبی مصنوعی برای این واحد کاتالیستی در این پایان‌نامه به دست آمد. مدل توسعه‌یافته توانایی برآورد مشخصه‌های خروجی واحد شامل دما، فشار و کسرمولی هیدروژن بر اساس تعیین تعداد 4 مشخصه ورودی شامل دما، فشار، بار گرمایشی کوره و نسبت بخارآب به خوراک را دارد. جهت آموزش، اعتبارسنجی و آزمایش شبکه‌های مختلف عصبی ارائه‌شده در این پایان‌نامه از 700 داده استفاده شد. درنهایت بر اساس بیشترین ضریب همبستگی و کمترین خطای میانگین، یک شبکه عصبی 3 لایه که 4 نرون در ورودی، 9 نرون در لایه میانی و 3 نرون در لایه خروجی دارد، انتخاب گردیده است. تابع مربوط به نرون ها از نوع تانژانت سیگمویید بوده و از الگوریتم آموزش لورنبرگ- مارکوارت برای آموزش شبکه عصبی استفاده‌شده است. ضریب همبستگی کلی داده‌های واقعی و خروجی‌های مدل شبکه عصبی برگزیده برابر 9791/0 می‌باشد. کلمات کلیدی: مدل‌سازی، شبیه‌سازی، ریفرمینگ متان، شبکه‌های عصبی مصنوعی

ارتقاء امنیت وب با وف بومی