مدلسازی تغییرات مونوکسیدکربن در محفظه های احتراقی کارخانه تولید مواد شوینده با استفاده از مدل های رگرسیون خطی چند متغیره، نروفازی و شبکه عصبی

شبکه عصبی مصنوعی، سیستم های یادگیرنده ای هستند که در صورت دارا بودن پیچیدگی های لازم و نیز نمونه و زمان کافی برای آموزش، می توانند هر تابع غیر تصادفی با هر درجه ای را به صورت مدل در بیاورند. در این پژوهش قابلیت استفاده از شبکه های مصنوعی برای مدل سازی برآورد منوکسید کربن با رگرسیون خطی چند متغیره و نروفازی مقایسه شده است. برای این منطور از داده های ورودی میزان اکسیژن و هوای اضافی مورد استفاده قرار می گیرد. برای بررسی میزان کارایی مدل از ضریب هم بستگی استفاده شد. نتایج نشان می دهد مدل عصبی طراحی شده برای تخمین پارامتر مورد مطالعه، دارای کارایی بسیار بالاتری نسبت به روش رگرسیون و نروفازی دارد که مقدار ضریب هم بستگی شبیه سازی به روش رگرسیون حدودا 0.3 و با استفاده از روش نروفازی مقدار 0.4 و در روش شبکه عصبی 0.7 اندازه گیری شده است. بنابراین بنظر می رسد که استفاده از شبکه عصبی روش بهتری نسبت به دو روش قبلی می باشد. البته با توجه به اینکه افزودن بیش از 15درصد هوای اضافی به کوره های احتراقی نه تنها باعث کاهش میزان گاز مخرب CO نمی شود بلکه باعث افزایش میزان آن و سبب تغییرات زیاد در پارامترهای ورودی می شود و همچنین افزایش دامنه داده ها، سبب ایجاد نتایح بهتر و دقیق تر خواهد شد.

کلیدواژه ها:

مدل سازی ، رگرسیون خطی ، نروفازی ، شبکه عصبی ، ضریب رگرسیون