مدلسازی فرایند جداسازی آب از نفت خام با استفاده از تعلیق شکن طبیعی برگ نیلوفر آبی با بکارگیری تکنیک anfis

در تحقیق پیش رو تلاش شد فرایند امولسیون زدایی آب از نفت خام به کمک برگ طبیعی نیلوفر آبی با استفاده از تکنیک هوش مصنوعی مدل شود. به طور معمول مدلسازی سیستم فازی_عصبی تطبیقی (anfis ) به منظور دستیابی به روابط پیچیده بین داده ها، تشخیص الگو های رفتار فازی، بهینه سازی فرایند ها و... بسیار کمک کننده می باشد، زیرا با داده های به دست آمده از آزمایشگاه به کمک نرم افزار می توان به راحتی مدلسازی مورد نظر را انجام داد. مدل پیشنهادی anfis به منظور تعیین همبستگی بین راندمان تعلیق شکنی و پارامترهای ورودی یعنی غلظت تعلیق شکن، زمان تعلیق شکنی و دما اجرا شد. از معیارهای ارزیابی شامل ضریب همبستگی (r2) ، ریشه میانگین مربعات خطا (rmse) و میانگین قدر مطلق خطا (mae) به منظور بررسی کارایی تکنیک به کار رفته از هوش مصنوعی استفاده شد. بین مقادیر پیش بینی شده و اندازه گیری شده همبستگی بسیار خوبی مشاهده شد و همچنین توانایی پیش بینی و تعمیم بالای مدل مشاهده می شود که نشان از دقت و صحت مدل مورد نظر دارد.

modeling the process of water separation from crude oil using natural water lotus leaf suspension by using anfis technique

in the upcoming research, it was tried to model the process of demulsification of water from crude oil with the help of natural lotus leaf using artificial intelligence technique. normally, the modeling of fuzzy-adaptive neural system (anfis) is very helpful in order to achieve complex relationships between data, recognize fuzzy behavior patterns, optimize processes, etc., because with the data obtained from the laboratory with the help of the software, the desired modeling can be done easily. the proposed anfis model was implemented in order to determine the correlation between suspension breaking efficiency and input parameters, namely suspension breaking concentration, suspension breaking time and temperature. evaluation criteria including correlation coefficient (r2), root mean square error (rmse) and mean absolute value of error (mae) were used to evaluate the efficiency of the artificial intelligence technique. a very good correlation was observed between the predicted and measured values, as well as the high prediction and generalization ability of the model, which shows the accuracy and correctness of the model.