اولویت بندی سناریوهای حذف ترکیبات آلی فرار از واحدهای r.o.p پالایشگاه نفت با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: پالایشگاه نفت آبادان)

مقدمه و اهداف: نفت در بسیاری از صنایع اهمیت حیاتی دارد و مهم ترین منبع تامین انرژی در سطح بین المللی است و 32 درصد منبع تامین انرژی در اروپا و آسیا و بیش از 53 درصد در خاورمیانه را تشکیل میدهد. با توجه به جایگاهی که صنایع پتروشیمی امروزه پیدا کرده اند نباید از صدمات آن بر سلامت انسان و محیط زیست غافل بود. امروزه پالایشگاهها میلیون‌ها پوند آلاینده در هوا منتشر می‌کنند که خطری جدی بر سلامت انسان و محیط زیست محسوب می‌گردد و کیفیت زندگی افراد مجاور جوامع صنعتی را با آسیب‌های جدی رو به رو می‌کند. لذا در این پژوهش با بهره گیری از منطق و الگوریتم بکار رفته در مدل شبکه‌ی عصبی مصنوعی، به اولویت‌بندی وزنی استراتژی‌ها و پیش‌بینی شرایط آتی حاکم بر طرح، پرداخته است و در نهایت رتبه بندی نهایی با مدل topsis صورت پذیرفت.روش کار: در این پژوهش، سنجش آلاینده‌های هوا با روش کروماتوگرافی گازی بود و با استفاده از شبکه عصبی مصنوعی ann (artificial neural networks) به بررسی اولویت بندی سناریوهای حذف آلاینده‌های آلی فرار از واحد تصفیه پساب نفتی rop (recovery oil compound) پالایشگاه نفت آبادان در سال 1398 پرداخته شد. روش به کار گیری شبکه عصبی مصنوعی در مطالعه حاضر روش پرسپترون چند لایه mlp (multi layer perceptron)بود. رتبه بندی نهایی با مدل topsisصورت پذیرفت.یافته ها: بر اساس نتایج به دست آمده از سنجش آلاینده‌های هوای مجاور واحد ropپالایشگاه، بیشترین میزان انتشار ترکیبات آلی فرار نسبت به میزان اعلام شده توسط who متعلق به نشر بنزن با مقادیر µg/m^3 8865.88 در فصل بهار، µg/m^3 1701.04 در فصل تابستان، µg/m^3 8061.72 در فصل پاییز و µg/m^3 8447.62 در فصل زمستان بود.نتیجه گیری: بر اساس خروجی‌های مدل و رتبه بندی آن با مدل topsis، کمینه سازی پساب تولیدی در کارخانه از طریق کنترل موثر تر مصرف آب، بهینه سازی فرآیندهای تولید، استفاده مجدد از آبهای کندانس مبدل‌های غیر مستقیم، کنترل نشت در اتصالات، شیرها و تجهیزات پالایشگاه با ضریب تاثیر با خلوص 1، اولین اولویت و ائده آل ترین حالت بود. پس از آن برگشت دادن لجن از مخزن هوادهی جهت فراهم سازی تعداد کافی میکروارگانیسم‌ها برای جلوگیری از بی هوازی شدن لجن فعال، همچنین افزایش زمان ماند هیدرولیکی فاضلاب هر دوساعت یکبار با 0.7798 اولویت دوم و بکارگیری حوض‌های یکنواخت سازی با 0.6964 به حالت ائده آل استراتژی سوم مشخص گردید.

Prioritization of Air Pollutant Removal (VOC) Scenarios from Refinery R.O.P Units Using Artificial Neural Network Model (Case Study: Abadan Oil Refinery)

Oil is vital in many industries and is the most important source of energy supply internationally, accounting for 32% of energy supply in Europe and Asia and more than 53% in the Middle East. Given the position that the petrochemical industry has found today, its damage to human health and the environment should not be overlooked. Refineries today emit millions of pounds of pollutants into the air, which poses a serious threat to human health and the environment, and seriously damages the quality of life of people living in industrial communities. Therefore, in this study, using the logic and algorithm used in the artificial neural network model, the weight prioritization of the strategies and the prediction of future conditions governing the plan have been done, and finally the final ranking was done with the TOPSIS model.Methods: In this study, air pollutants were measured by gas chromatography and using artificial neural network ANN (Artificial Neural Networks) to prioritize the scenarios of removal of volatile organic pollutants from ROP (Recovery Oil Compound) of Abadan Oil Refinery It was done in 2019 to 2020. The method of using artificial neural network in the present study was MLP (Multi Layer Perceptron). The final ranking was done with TOPSIS model.Results: Based on the results obtained from the measurement of air pollutants adjacent to the ROP unit of the refinery, the highest emission of volatile organic compounds compared to the amount announced by WHO belongs to benzene emission with values of 8865.88 micro;g/m3 in spring, 1701.04 micro;g/m3 in summer, 8061.72 micro;g/m3 in autumn and 8447.62 micro;g/m3 was in winter.Conclusion: Based on the model outputs and its ranking with the TOPSIS model, minimization of production effluent in the factory through more effective control of water consumption, optimization of production processes, reuse of condensate water of indirect converters, control of leakage in connections, valves and equipment The refinery with an impact factor of 1 purity was the first priority and the most ideal. hen return the sludge from the aeration tank to provide a sufficient number of microorganisms to prevent anaerobic activation of the sludge, as well as increase the hydraulic retention time of wastewater every two hours with 0.7798 second priority and use of uniformity ponds with 0.6964 to the ideal state. The third strategy was identified.