نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مدیریت صنعتی دانشگاه آزاد اسلامی، واحد علوم تحقیقات تهران، ایران

2 دانش آموخته کارشناسی ارشد مدیریت صنعتی از دانشگاه آزاد اسلامی واحد علوم تخقیقات تهران، ایران

چکیده

هدف این تحقیق پیش بینی نرخ خوردگی با استفاده از شبکه های عصبی مصنوعی می باشد. خوردگی پدیده ای است که به علت تاثیر عوامل مختلف و متعدد شناخته شده و ناشناخته پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی در رویکرد مکانیستیک به واکنش ها و فرایندهای فیزیکی، شیمیایی، و الکتروشیمیایی آن توجه می شود و مدلسازی بر اساس آنها انجام می پذیرد. با وجود موفقیت هایی که این مدل ها داشته اند لیکن به علت تعدد عوامل تاثیر  گذار که بعضا ناشناخته نیز هستند نیاز به مدلهایی که با دقت بیشتری این پدیده را مدلسازی و پیش بینی کنند احساس می شود.
در این تحقیق برای پیش بینی نرخ خوردگی از مدل شبکه عصبی مصنوعی با بهینه سازی ژنتیک استفاده گردیده است. از بین مدل های مختلف شبکه عصبی شبکه عصبی چند لایه با الگوریتم یادگیری کاهش گرادیان انتخاب شده است. پس از ایجاد شبکه، فرایند آموزش شبکه با داده های موجود در یک پالایشگاه نفت مورد تحقیق انجام شد و سپس ارزیابی و آزمایش صورت گرفت. پس از آماده شدن شبکه جهت استخراج دانش از روش تحلیل حساسیت و الگوریتم گارسن استفاده شد.
نتایج تحقیق نشان می دهد که روش شبکه عصبی توانایی پیش بینی نرخ خوردگی را با ضریب همبستگی و خطای MSE قابل قبول دارد. بخش دیگری از نتایج که برگرفته از روش تحلیل حساسیت هستند نشان دهنده میزان تاثیر هر کدام از پارامترهای نفت خام بر روی خوردگی می باشد. طبق این نتایج نمک و گوگرد تاثیرگذارترین عوامل بر روی خوردگی در پالایشگاه مورد تحقیق هستند.

کلیدواژه‌ها

عنوان مقاله [English]

Corrosion Rate Prediction with artificial Neural Network Case: Crude Oil Distillation Overhead Systems

نویسندگان [English]

  • Mahmood Alborzi 1
  • Seyed Amir Reza Abtahi 2

چکیده [English]

This paper uses neural network to predict corrosion rate. Corrosion can not modeled easily, because of wide range of causes either known or  unknown. In  mechanistic  approach,  physical,  chemical and electrochemical reactions and processes are considered to model and predict. But as stated before this models are not practically successful in prediction because of unknown parameters.
This paper uses genetic optimized neural network to predict corrosion rate. Among different neural networks, multi  layer neural network with  gradient  descent  learning algorithm has  been  selected. After developing the network, learning process has been done, using an oil refinery'S data. Then evaluation and test have been performed. After preparing  the  network  Garson's  algorithm and  sensitivity  analysis have been used for knowledge extraction.
According to results, neural network approach can predict corrosion rate  with  acceptable  correlation coefficient  (R)  and  mean  squared error (MSE). Sensitivity analysis depicts the strength of each oil parameter influence on corrosion rate. Among these results, salt and sulphur are the most affecting parameters in corrosion rate.

کلیدواژه‌ها [English]

  • Prediction
  • Neural Network
  • Sensitivity Analysis
  • Knowledge extraction
  • Garson's Algorithm
  • Corrosion
  • Crude oil distillation overhead Systems