زهرا اکرام زاده - دانشجوی ارشد رشته هوش مصنوعی و رباتیکز، موسسه آموزش عالی آپادانا-شیراز
کیمیا بازرگان - استاد یار، موسسه آموزش عالی آپادانا-شیراز،

بهینه سازی فرآیند گوگرد زدایی در راکتورها به پیش بینی عملکرد کاتالیزورها و در نتیجه غلظت نهایی گوگرد در سوخت کمک می کند. تکنیک های یادگیری ماشین ML ظرفیت پیش بینی خود را در حل مشکلات چالش برانگیز در صنعت نفت ثابت کرده اند. چندین پیش بینی کننده گوگرد مبتنی بر ML برای پیش بینی غلظت گوگرد در محصولات سوختی طراحی شده است. توانایی اداره کننده برداشت و عدم اطمینان موجود در محیط دنیای واقعی، منطق فازی FL را به یکی از رایج ترین پارادایم های محاسبات نرم در مدل سازی تبدیل کرده است. در این مقاله یک مدل منطقی فازی از نوع ۲ برای بهینه سازی استفاده از کاتالیزورها برای هیدرو گوگرد زدایی HDS در یک پالایشگاه روغن برای تولید پاک کننده ارائه شده است. چنین بهینه سازی به تصمیم گیرندگان در شناسایی شرایط دقیق مورد نیاز مانند دما، فشار و مقدار کاتالیزور مورد نیاز برای جلوگیری از گوگرد زدایی غیر منتظره کمک می کند. کاتالیزور از AlMoCo اصلاح شده با بور، فسفر یا بیسموت سنتز شد. یک سری از هیدرو سولفوراسیون با استفاده از این کاتالیزورهای زیر انجام شد شرایط مختلف از داده های جمع آوری شده برای ساخت و آزمایش مدل استفاده شد. نتایج از نظر میانگین خطای مطلق مطلق AARE=۰.۰۶۴۷ و ضریب همبستگی مربع R۲=۰.۹۹۵ عملکرد پیش بینی کننده ای را نشان داد. اعتبار آزمایشی بیشتر انجام شده در تنظیمات پارامتر کشف نشده نشان می دهد که مقادیر پیش بینی شده به دست آمده از مدل پیشنهادی مطابقت نزدیک با نتایج آزمایشی پیگیری دارد که در آن اختلاف مطلق متوسط کمتر از ppm۴ ثبت شده است. این ظرفیت مدل نوع ۲ FL فاصله در عدم اطمینان در کار را اثبات می کند، که نویدبخش خوبی برای تولید پاکتر روغن است. مدل گزارش شده برای پیش بینی عملکرد کاتالیزورها در یک واحد خوب است، اما نمی توان از آن برای کاتالیزورهای واحد دوتایی استفاده کرد

بهینه سازی کاتالیزورها، منطق فازی نوع ۲، عدم اطمینان از رد پا، مدل سازی پیش بینی، گوگرد زدایی، پایداری زیست محیطی