پیش‌بینی غلظت هیدروژن سولفید و کربن‌دی اکسید در واحد شیرین سازی گاز با توسعه مدل شبکه عصبی مصنوعی

شیرین سازی گاز یک گام اساسی در فرآیندهای تصفیه گاز برای نگرانی‌های زیست‌محیطی و ایمنی است. یکی از پرکاربردترین و شناخته‌شده‌ترین حلال‌ها برای شیرین سازی گاز متیل دی اتانول آمین (‏mdea)‏ است. یکی از مهم‌ترین معیارها برای اندازه‌گیری اثربخشی واحدهای تصفیه گاز مقدار گاز اسیدی است که با محلول mdea تصفیه‌شده است. در این مطالعه، روش شبکه عصبی مصنوعی‌(‏ann)‌‌ ‏برای پیش‌بینی هیدروژن سولفید و کربن دی‌اکسید به کار گرفته شد. این مدل با استفاده از مجموعه داده‌های جمع‌آوری‌شده از یک واحد شیرین سازی گاز در مرکز ایران که در مدت شش ماه جمع‌آوری شده بود، ساخته شد و به‌عنوان ورودی به شبکه عصبی مورداستفاده قرار گرفت. داده‌ها شامل غلظت هیدروژن سولفید و کربن دی‌اکسید، دبی گاز ورودی، دما گاز، فشار و دمای آمین ورودی است. مدل ann طراحی‌شده دقت خوبی در مدل‌سازی فرآیند تحت بررسی، نشان داد. نتایج آزمون نشان‌دهنده ضریب تعیین بالا (2‏r) ‏بیشتر از 0.95 است.

prediction of hydrogen sulfide and carbon dioxide concentration in gas sweetening plant by developing artificial neural network model

gas sweetening is an essential step in gas treatment processes for environmental and safety concerns. one of the most widely used and well-known solvents for gas sweetening is methyl diethanolamine (mdea). one of the most important criteria for measuring the effectiveness of gas treatment units is the amount of acid gas treated with mdea solution. in this study, artificial neural network (ann) method was used to predict hydrogen sulfide and carbon dioxide this model was built using the data set collected from a gas sweetening unit in the center of iran, which was collected over a period of six months, and was used as input to the neural network. the data includes hydrogen sulfide and carbon dioxide concentration, inlet gas flow rate, gas temperature, pressure and inlet amine temperature. the designed ann model showed good accuracy in modeling the process under investigation. the test results show a high coefficient of determination (r2) more than 0.95.