توسعه مدل هوش مصنوعی برای پیش‌بینی کیفیت گاز خروجی از واحد شیرین‌سازی گاز

در این مقاله با استفاده از یادگیری ماشین و مدل‌سازی داده محور واحد شیرین سازی گاز سعی می‌شود یک سیستم انطباق پذیر و با دقت بالا برای پیش‌بینی کیفیت گاز خروجی ارائه شود. به دلیل وجود گاز های اسیدی که مهمترین آنها هیدروژن سولفید و دی اکسیدکربن می‌باشد می‌بایست مقادیر این گازها تا حد استاندارد پایین باشد. به علاوه وجود تعداد بالای پارامترها و در نتیجه وابستگی آنها به یک‌دیگر و همچنین متغیر بودن شرایط عملیاتی، شبیه سازی دقیق این واحد بسیار دشوار می‌شود. در ادامه با استفاده از روش درخت تصادفی و ماشین بردار پشتیبان و رگرسیون خطی مدل‌سازی انجام میشود و مقدار خروجی های بدست آمده پیش‌بینی خواهد شد. برای ارزیابی دقت و صحت این پیش بینی، داده های پیش بینی شده را با داده های بدست آمده از صنعت که به مدت 6 ماه جمع آوری شده اند مقایسه گردید. نتایج این مدل‌سازی‌ها و پیش‌بینی‌ها، کارایی لازم را نه تنها در انتخاب پارمترها داشتند بلکه در سناریوهای مختلف توانستند مدل قابل اعتباری برای پیش‌بینی کیفیت گاز خروجی ارائه دهند. همچنین این روش می‌تواند یک مرجعی مناسب و کارآمد برای احداث بخش یادگیری لحظه ای و سنسور های مجازی در واحد شیرین‌سازی گاز را داشته باشد. در نهایت مدل جنگل تصادفی توانست با دقت 0.95 درصدی کیفیت گاز خروجی را پیشبینی کند که نسبت روش های دیگر یعنی ماشین بردار پشتیبان که دقت 0.91 درصدی و رگرسیون خطی که دقت 0.85 درصدی داشتند به مراتب مدل منطبق تر و سازگار تری بود. نتایج این تحقیق میتواند در کنترل کیفیت گاز های خروجی این واحد صنعتی نقش به سزایی داشته باشد.