به کارگیری روش های یادگیری ماشین جهت مدل سازی کاهش واردات بخار با هدف مدیریت منابع انرژی

واحدهای تولید اتیلن اکساید، اتیلن گلایکول یکپارچه، مصرف کنندگان مهم حامل های انرژی به ویژه بخار پرفشار هستند. در این پژوهش، چارچوب مدل سازی دقیق برای واردات بخار پرفشار در یک واحد پتروشیمی پیشنهاد گردید. بدین منظور از زبان برنامه نویسی پایتون نسخه 3 برای آنالیز داده های خام کارکردی روزانه واحد پتروشیمی مورد مطالعه در بازه زمانی کارکرد 5 ساله تحت یک نوع کاتالیست استفاده شد. گزینش پذیری کاتالیست و ظرفیت تولید واحد به عنوان شاخص ها و واردات بخار پرفشار به عنوان هدف، جهت مدل سازی در نظر گرفته شد. الگوریتم های رگرسیون متفاوتی برای گزینش بهترین مدل مورد ارزیابی قرار گرفتند و فراپارامترهای آنها با استفاده از الگوریتم های جستجوی شبکه ای و بیزین تنظیم گردیدند. روش درخت تصادفی بهترین عملکرد را در شاخص های ارزیابی نسبت به سایر روش های رگرسیون، اما با بیشترین مدت زمان پردازش به خود اختصاص داد. با در نظر گرفتن مدت زمان پردازش و عملکرد، روش رگرسیون ریج چندجمله ای، انتخاب مناسبی تشخیص داده شد. با استفاده از مدل رگرسیون درخت تصادفی تنظیم شده، میزان تقریبی 291 تن در روز صرفه جویی واردات بخار پر فشار (16 درصد میانگین واردات بخار) معادل با انتشار تقریبی روزانه 38 تن دی اکسید کربن (0.37 درصد انتشار معادل ظرفیت اسمی تولید بخار تامین کننده) حاصل شد. روش پیشنهادی در سیستم مدیریت انرژی واحد مورد مطالعه یکپارچه سازی شده است و می تواند در دیگر واحد های مشابه نیز به منظور پایش مداوم رفتار واردات بخار پرفشار بر حسب عملکرد کاتالیست و تولیدات واحد پیاده سازی شود.

application of machine learning methods for modeling steam import reduction aimed at energy resources management

integrated ethylene oxide/ethylene glycol (eo/eg) plants are major energy consumers, particularly in high pressure steam (hps) usage. this study proposes a data processing and modeling framework for high accuracy machine learning modeling to predict the hps import of an eo/eg petrochemical plant. the study employed python3 and analyzed raw historical data from the plant's dcs, spanning five years of operation under the same eo catalyst. daily feed and glycol production data were used to calculate catalyst selectivity and the plant's production capacity as models’ input features, while hps import served as the models’ output target. various regression algorithms were evaluated to select the best model for this case study, with their hyperparameters tuned using grid search and bayesian search algorithms. random forest regression outperformed other methods in r2, mape, and rmse metrics but had the longest training time. polynomial ridge regression was a suitable choice considering both time consumption and performance. the tuned random forest regression model revealed an approximate 291 tonne/day potential for hps import savings equivalent to 16% of the plant’s average hps import through enhanced steam import management strategies. adopting this hps saving measure would enable the hps supplier to avert 38 tonnes of co2 emissions daily equivalent to 0.37% of its nominal hps generation capacity. our methodology in this paper can be applied to other eo/eg plants and is currently being integrated into the plant's energy management system, enabling continuous monitoring of steam import behavior relative to catalyst and plant performance.