به کارگیری شبکه نوروفازی جهت بهینه‌سازی حلقه‌های انبساط خط لوله بخار در صنایع فرآیندی

در این پژوهش، بهینه‌سازی حلقه‌های انبساط در خطوط لوله بخار با بهره‌گیری از شبکه نوروفازی بررسی شده است. تحلیل تنش بر اساس استاندارد asme b31.3 و با استفاده از نرم‌افزار caesar ii انجام شده است. همچنین، شبکه نوروفازی در نرم‌افزار matlab ایجاد و بهینه‌سازی گردیده است. نتایج نشان می‌دهد که شبکه نوروفازی نسبت به روش‌های سنتی و شبکه عصبی پرسپترون (perceptron) عملکرد بهتری داشته و ترکیب آن با الگوریتم کلونی زنبور عسل (bee colony algorithm) منجر به یافتن حلقه بهینه‌ای شده است که کاهش طول خط لوله و به حداقل رسیدن تنش‌های استاتیکی و حرارتی را در پی دارد. حلقه بهینه شبکه پرسپترون باعث افزایش طول حلقه به میزان 20 سانتی‌متر (1/14 درصد) و کاهش مجموع تنش‌های معیار به میزان 6/14  درصد شد. در حالی که حلقه بهینه شبکه نوروفازی موجب کاهش طول حلقه به میزان 120 سانتی‌متر (678 درصد) و کاهش مجموع تنش‌های معیار به میزان 9/5 درصد گردید. یافته‌های این پژوهش نشان می‌دهد که استفاده از روش‌های هوش مصنوعی در طراحی حلقه‌های انبساط، موجب کاهش تنش‌های حرارتی و افزایش کارایی طراحی می‌شود

application of neuro-fuzzy network for optimizing steam pipeline expansion loops in process industries

this research examines the optimization of expansion loops in steam pipeline systems using a neuro-fuzzy network. stress analysis was conducted based on the asme b31.3 design code using caesar ii software. additionally, a neuro-fuzzy network was developed and optimized in matlab. the results indicate that the neuro-fuzzy network outperforms traditional methods and the mlp neural network. combining this network with the bee colony optimization algorithm led to the identification of an optimal loop that minimizes pipeline length and reduces static and thermal stresses. the optimized loop obtained from the perceptron network increased the loop length by 20 cm (1.14%) and reduced the total sum of standard stresses by 14.6%. in contrast, the optimized loop from the neuro-fuzzy network reduced the loop length by 120 cm (6.78%) and decreased the total sum of standard stresses by 9.5%. these findings demonstrate that the application of artificial intelligence techniques in expansion loop design significantly reduces thermal stresses and enhances design efficiency.