پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مطالعه موردی: سیستم های بالاسری تقطیر نفت خام

هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فرایندهای فیزیکی، شیمیایی و الکتروشیمیایی آن توجه میشود و مدلسازی بر اساس آنها انجام می پذیرد. با وجود موفقیت هایی که این مدل ها داشته اند، لیکن به علت تعدد عوامل تاثیرگذار که بعضا ناشناخته نیز هستند، نیاز به مدل هایی که با دقت بیشتری این پدیده را مدلسازی و پیش بینی کنند احساس می شود. در این تحقیق برای پیش بینی نرخ خوردگی از مدل شبکه عصبی مصنوعی با بهینه سازی ژنتیک استفاده گردیده است. از بین مدلهای مختلف شبکه عصبی، شبکه عصبی چند لایه با الگوریتم یادگیری کاهش گرادیان انتخاب شده است. پس از ایجاد شبکه، فرایند آموزش شبکه با داده های موجود در یک پالایشگاه نفت مورد تحقیق انجام شد و سپس ارزیابی و آزمایش صورت گرفت. پس از آماده شدن شبکه، جهت استخراج دانش از روش تحلیل حساسیت و الگوریتم گارسن استفاده شد. نتایج تحقیق نشان میدهد که روش شبکه عصبی توانایی پیش بینی نرخ خوردگی را با ضریب همبستگی و خطای MSE قابل قبول دارد. بخش دیگری از نتایج که برگرفته از روش تحلیل حساسیت هستند، نشاندهنده میزان تاثیر هرکدام از پارامترهای نفت خام بر روی خوردگی می باشد. طبق این نتایج نمک و گوگرد تاثیرگذارترین عوامل بر روی خوردگی در پالایشگاه مورد تحقیق هستند.

Keywords:

پیش بینی , شبکه عصبی , تحلیل حساسیت , استخراج دانش , الگوریتم گارسون , خوردگی فلزات , سیستم های بالاسری تقطیر نفت خام