کاربرد شبکه‌های عصبی مصنوعی برای تعیین دقیق‌تر tds آب نسبت به روش مرسوم جهت کنترل بهینه نرخ بلودان در نیروگاه‌های بخار

کنترل نرخ بهینه بلودان در بویلرهای نیروگاه بخار، نقش حیاتی در افزایش راندمان و کاهش مصرف انرژی دارد. یکی از پارامترهای کلیدی در این فرآیند، کل مواد جامد محلول (total dissolved solids (tds)) است روش‌های سنتی اندازه‌گیری این پارامتر، مانند پایش آنلاین رسانایی آب یا تحلیل آزمایشگاهی، اغلب با محدودیت‌هایی مانند شرایط سخت عملیاتی (دما و فشار بالا)، ناپایداری شیمیایی نمونه‌ها، و خطاهای اندازه‌گیری مواجه هستند. در این پژوهش، یک مدل شبکه عصبی مصنوعی (artificial neural networks (ann)) با ورودی‌های دمای آب و رسانایی الکتریکی (electrical conductivity (ec)) طراحی و آموزش داده شد تا مقدار tds را با دقت بالا پیش‌بینی کند. داده‌ها به کمک روش standardscaler نرمال‌سازی و مدل با 200 دوره آموزشی و معماری چندلایه کاملاً متصل آموزش داده شد. ارزیابی مدل با استفاده از شاخص (root-mean-square error (rmse)) بر روی داده‌های تست، دقتی معادل ppm0٫905 به دست آورد. نتایج نشان می‌دهد این مدل می‌تواند به‌عنوان ابزاری برای پایش بلادرنگ و بهینه‌سازی نرخ بلودان در نیروگاه بخار استفاده شود، که منجر به کاهش مصرف آب و انرژی و اثرات زیست‌محیطی می‌گردد.

application of artificial neural networks for more accurate determination of water tds compared to the conventional method for optimal control of blowdown rate in steam power plants

optimal control of blowdown rate in steam power plant boilers plays a crucial role in enhancing efficiency and reducing energy consumption. a key parameter in this process is total dissolved solids (tds). traditional methods for measuring this parameter, such as online monitoring or laboratory analysis, are often constrained by limitations including harsh operational conditions (high temperature and pressure), chemical instability of samples, and measurement errors. in this study, an artificial neural network (ann) model incorporating inputs of water temperature and electrical conductivity (ec) was designed and trained to predict tds with high accuracy. data were normalized using the standardscaler method, and the model was trained over 200 epochs with a fully connected multi-layer perceptron architecture. model evaluation, based on root mean square error (rmse) on test data, achieved an accuracy of 0.905 ppm. the results demonstrate that this model can serve as an effective tool for real-time monitoring and optimization of blowdown rate in steam power plants, thereby reducing water and energy consumption and mitigating environmental impacts.