پیش‌بینی کیفیت آهک در کوره پخت آهک با استفاده از روش‌های مبتنی بر فازی عصبی

هدف: بهینه‌سازی کیفیت آهک، همزمان با کاهش مصرف انرژی در کوره پخت آهک از اهمیت بسزایی برخوردار است. ازآنجایی‌که پخت آهک همواره در شرایط عدم قطعیت صورت می‌گیرد، لذا باید کنترل آن توسط روش‌های هوشمند انجام شود. هدف از انجام این پژوهش، پیش‌بینی کیفیت آهک در طول فرایند ساخت آن در کوره پخت آهک و تنظیم پارامترهای ورودی، قبل از تولید می‌باشد. .روش‌شناسی پژوهش: متغّیرهای سیستم ارائه‌شده در این تحقیق شامل: میزان تناژ ورودی و پارامترهای هر دور می‌باشند. عدم تنظیم صحیح این پارامترها ضمن افزایش مصرف سوخت، منجر به تولید آهک فاقد کیفیت لازم، خواهد گردید. بر همین اساس در این مقاله از شبکه‌های عصبی مصنوعی و همچنین شبکه‌های مصنوعی فازی عصبی، به‌عنوان ابزارهای پیش‌بینی کننده و به‌منظور پیش‌بینی کیفیت آهک تولیدی در طی فرایند پخت استفاده‌شده است. این پارامترها عبارت‌اند از فیدر، آی دی کوره، پیش‌گرمکن ، کولر، کوره، زمان و میزان سوخت مصرفی و خروجی مدل کیفیت آهک تولیدشده می‌باشد.یافته‎ها: مدل‌سازی در نرم‌افزار متلب (2019) با استفاده از 472 نمونه با 8 ویژگی انجام‌شده است. از 80 درصد نمونه‌ها به‌منظور آموزش و 20 درصد به‌عنوان آزمون استفاده‌شده است.اصالت/ارزش افزوده علمی: در پایان مدل‌سازی به کمک شبکه‌های عصبی مصنوعی خطای 0.066 و شبکه فازی عصبی خطای 0.054 حاصل گردید.

prediction of lime quality in lime baking furnaces using neural fuzzy methods

purpose: optimizing the quality of lime, while using the energy system in the lime baking oven is a great service. since lime baking is always allowed, you can easily control it. the purpose of this study was to predict the quality of lime during the manufacturing process in a lime baking oven and adjust the parameters provided before service delivery. methodology: the system variables presented in this study include: input tonnage and parameters of each round. improper adjustment of these parameters will result in increased fuel consumption, resulting in poor quality lime production. accordingly, in this paper, artificial neural networks as well as fuzzy neural networks have been used as predictive tools to predict the quality of lime produced during the baking process. findings: these parameters are feeder, idle furnace, preheater, air conditioner, furnace, time and fuel consumption and output of the produced lime quality model. modeling in matlab software (matlab 2017) was performed using 472 samples with 8 properties. originality/value: eighty percent of the samples were used for training and 20% for testing. at the end of modeling, artificial neural networks error 0.066 and fuzzy neural network error 0.054 were obtained.