تعیین نقطه تنظیم lbvها بر روی خطوط انتقال گاز با استفاده از هوش مصنوعی

وظیفه شیرهای lbv، قطع جریان در خطوط انتقال گاز می باشد. تعیین نقطه تنظیم شیرهای lbv جهت فعال شدن آن ها، یکی از چالش های اصلی در صنعت می باشد. در این مقاله، مدلی مبتنی بر شبکه های فازی-عصبی تطبیق پذیر جهت تخمین این مقدار طراحی شده است. این مدل قادر است با داشتن پارامترهای قطر خط اصلی، قطر خط انشعاب، فشار سرخط و طول انشعاب؛ میزان نرخ افت فشار ناشی از ترکیدگی در خط انشعاب را تخمین بزند که با کمک آن می توان، نقطه تنظیم شیرهای lbv را تنظیم نمود. مجموعه داده جهت آموزش شبکه فازی-عصبی تطبیق پذیر از اطلاعات تجربی و عددی استفاده شده است. جهت استخراج داده های تجربی، یک مجموعه آزمایشگاهی مبتنی بر اعداد بی بعد و تئوری پی باکینگهام ساخته شده است. همچنین، جهت جلوگیری از انجام آزمایش های فراوان، از روش طراحی آزمایش سطح پاسخ و تاگوچی کمک گرفته شده است. ارزیابی مدل استخراج شده با داده های تست، نشان دهنده تطابق بسیار مناسب مدل با اطلاعات واقعی است. حداقل مقدار پارامترr^2 در ارزیابی های مختلف مدل برابر با 95/0 می باشد.

determining lbv’s set points in natural gas pipelines using artificial intelligence

the duty of a lbv is to stop the flow in a gas pipeline. determining the set point of lbvs for their activation is one of the main challenges in the industry. in this article, a model based on adaptive neuro-fuzzy inference system (anfis) has been designed to estimate this value. this model is able to estimate the rate of pressure drop caused by bursting in the branch line using the main line diameter, branch line diameter, line pressure, and branch length; which can be used to adjust the set point of a lbv. experimental and numerical data have been used to train the anfis. in order to extract experimental data, a laboratory set based on dimensionless numbers and buckingham theory has been constructed. also, in order to avoid many tests, the response surface and taguchi methods have been used. the evaluation of the extracted model with the testing data shows that the model has a good performance. the minimum value of the r^2 parameter in different evaluations of the model is equal to 0.96.