مدل‌سازی ذرات غبار خروجی از دود‌کش با شبکه‌ عصبی مصنوعی و بررسی عملکرد الکتروفیلتر: مطالعه‌ کارخانه‌ سیمان زاوه

هدف از این تحقیق بررسی عملکرد الکتروفیلتر کارخانه‌ سیمان زاوه و ارائه‌ مدل بهینه‌ پیش‌بینی غبار با شبکه‌های عصبی پرسپترون (mlp) و تابع پایه‌ شعاعی (rbf) است. با استفاده از 5048 داده، تاثیر پارامترهای فشار، دما، و ولتاژ در نرم‌افزار matlab بررسی شد. شبکه‌ mlp با چهار لایه شامل لایه‌ ورودی (سه نورون)، لایه‌ اول پنهان (2 تا 20 نورون)، لایه‌ دوم پنهان (2 تا 10 نورون)، و لایه‌ آخر (یک نورون) طراحی و خطای خروجی حاصل از اجرا (سه مرتبه) محاسبه گردید. در mlp، الگوریتم یادگیری levenberg-marquardt و تابع انتقال hyperbolic tangent با حداکثر تعداد تکرار یادگیری (epoch) 1000 به‌کار گرفته شد. در rbf مضرب دو لایه‌  mlpبرای  rbf انتخاب شد. برای بررسی عملکرد الکتروفیلتر، رطوبت، سرعت، فشار، دبی، و دمای گاز توسط دستگاهkimo hd  و غبار با دستگاه westech در شرایط ایزوکنتیک اندازه‌گیری گردید. میانگین مربعات خطا در mlp برای داده‌های آموزش 36/1 و برای داده‌های تست 78/2 و در rbf برای دادهای آموزش 1/39 و برای داده‌های تست 3/15 بود (ضریب همبستگی 0/78 در mlp و 0/68 در rbf). نتایج آنالیز حساسیت نشان داد که تغییرات ولتاژ تاثیر مهمی بر غبار نسبت به سایر پارامترها می‌گذارد. براساس بررسی وضعیت سیستم کنترل غبار، عملکرد الکتروفیلتر موجود نسبت به عمر مفید الکتروفیلترها کاهش چشمگیری نداشت. یافته‌های این پژوهش دلالت می‌کنند که اگر شبکه‌ عصبی به درستی آموزش داده شود، می‌تواند روشى دقیق و سریع برای حل مسائل پیچیده و زمان‌بر باشد. پیشنهاد می‌شود تاثیر سرعت، رطوبت، و نقطه‌ شبنم بر غبار خروجی با استفاده از شبکه‌ بررسی گردد.

modeling dust particles from stack with artificial neural network and studying electrofilter performance: a case study of zaveh cement factory

the aim of this research is to evaluate the performance of the electrofilter at the zaveh cement plant and to provide an optimized model for predicting dust using mlp and rbf neural networks. using 5048 data points, the impact of parameters such as pressure, temperature, and voltage was examined in matlab software. the mlp network was designed with four layers, including an input layer, a first hidden layer, a second hidden layer, and an output layer, and the output error from the execution (three times) was calculated. in the mlp, the levenberg-marquardt learning algorithm and the hyperbolic tangent transfer function were employed with 1000 epoch. the mlp layer multiplier was selected for the rbf. to assess the performance of the electrofilter, humidity, speed, pressure, flow rate, and gas temperature were measured under isokinetic conditions using the kimo hd device, and dust was measured with the westech device. the mse for mlp was 1.36 for training data and 2.78 for test data, while for rbf it was 1.39 for training data and 3.15 for test data (r2= 0.78 for mlp and 0.68 for rbf). the performance of the existing electrofilter did not decline significantly relative to the lifespan of the filters. the findings of this study suggest that if the neural network is properly trained, it can be an accurate and fast method for solving complex and time-consuming problems. it is recommended to investigate the effects of speed, humidity, and dew point on the output dust using the network.