پیش بینی درجه آرام سوزی بنزین یورو 4 با استفاده از نتایج بنزن، الفین، آروماتیک، متیل ترشئیری بوتیل اتر(ام تی بی) مبتنی بر معماری دو لایه در شبکه عصبی مصنوعی
Publish place: Second National Conference on Computer Engineering Research
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 640
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RCEITT02_032
تاریخ نمایه سازی: 22 آبان 1395
Abstract:
این ماده از اختلاط برش های متفاوت تولیدی در واحدهای مختلف پالایشگاه و افزودنی های موردنیاز تولید می گردد تا محصولنهایی با مشخصات تعیین شده مطابقت داشته و کمترین هزینه را دربر داشته باشد از جمله مهم ترین مشخصات بنزین، درجه آرامسوزی آن می باشد که به عنوان خاصیت ضدضربه ای بنزین در هر اختلاط تعیین می گردد. بنابراین دستیابی به مدلی دقیقبرای پیش بینی مشخصات بنزین به ویژه درجه آرام سوزی، با استفاده از مشخصات برش های تشکیل دهنده آن از لحاظ اقتصادیو عملیاتی اهمیت دارد . مدل مورد نظر بر اساس نفت خام ورودی و دستگاه های عملیاتی هر پالایشگاه جهت استفاده در آنپالایشگاه طراحی می گردد استفاده از شبکه عصبی مصنوعی به صورت مدل جعبه سیاه برای اختلاط بنزین مناسب به نظر میرسد. در این تحقیق سعی شده است با استفاده از شبکه عصبی مصنوعی، مدلی جهت پیش بینی درجه آرام سوزی ارائه وپارامترهای مختلف موثر بررسی و ساختار بهینه تعیین گردد . در ادامه کار و با توجه به ارزش اقتصادی مقادیر افزودنی ها مخصوصاًMTBE نسبت به بنزین تولیدی، همچنین محدودیت های مدیریتی خاص، سیاست دولت در راستای استفاده حداقل از افزودنی ها از قبیل MTBE و به بیان دیگر تولید بنزین با حداقل درجه آرام سوزی بر اساس استانداردهای شرکت ملی پالا یش و پخش فرآورد ه های نفتی می باشد بنابراین مدلی برای پیش بینی افزودنی ها در درجه آرام سوزی مشخص با استفاده از شبکه عصبیمصنوعی ارائه گردید.
Authors
ناصر لطفی وند
عضو هیئت علمی گروه مهندسی برق و الکترونیک- واحد تبریز- دانشگاه آزاد اسلامی- تبریز- ایران
حمید سخندان
دانشجوگروه مهندسی برق و الکترونیک- واحد تبریز- دانشگاه آزاد اسلامی- تبریز- ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :