پیشبینی ضخامت بهینه عایق حرارتی لوله و تجهیزات فرآیندی با استفاده از روش های هوشمند

پیش‌بینی ضخامت عایق‌های حرارتی تجهیزات در صنعت نفت و گاز به عنوان یک عامل کلیدی در بهینه‌سازی عملکرد و کاهش هزینه‌های انرژی شناخته می‌شود. این مطالعه به بررسی استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی ضخامت عایق‌های حرارتی می‌پردازد. در این خصوص ابتدا داده های عایق های حرارتی موجود در  استاندارد نفت ایران با کد ips-e-tp-700، جمع آوری و سپس ضخامت عایق به صورت تابعی از قطر بیرونی، هدایت حرارتی عایق و دمای سطح پیش بینی می گردد. نتایج آماری نشان از دقت بالای روش استفاده شده در پیش‌بینی ضخامت عایق را دارد و مقدار ضریب رگراسیون و درصد خطای نسبی برای داده های تست شده به ترتیب 1/000 و 0.19 می‌باشد. این رویکرد نه تنها به بهینه‌سازی فرآیندهای عایق‌بندی کمک می‌کند، بلکه می‌تواند به کاهش هزینه‌ها و افزایش ایمنی در عملیات صنعتی نیز منجر شود.

estimating economical thermal insulation thickness using artificial intelligence approach

due to the complexities in industrial processes and the variety of environmental conditions, it is necessary to use advanced methods to determine the insulation thickness. this study examines the use of artificial neural networks to predict the thickness of thermal insulation. in this regard, first, the thermal insulation data available in iranian petroleum standard (ips) with the code ips-e-tp-700, is collected, and then the thickness of the insulation is predicted as a function of the outer diameter, thermal conductivity of the insulation and surface temperature. the statistical results show the high accuracy of the method used in predicting the thickness of the insulation, and the value of the regression coefficient and the relative error percentage for the tested data are 1.000 and 0.19, respectively. this approach not only helps to optimize insulation processes, but can also lead to cost reduction and increased safety in industrial operations.