پیش بینی درجه آرام سوزی بنزین یورو 4 با استفاده از نتایج بنزن، الفین، آروماتیک، متیل ترشئیری بوتیل اتر(ام تی بی) مبتنی بر معماری دو لایه در شبکه عصبی مصنوعی
محل انتشار: دومین همایش ملی پژوهش های مهندسی رایانه
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 631
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RCEITT02_032
تاریخ نمایه سازی: 22 آبان 1395
چکیده مقاله:
این ماده از اختلاط برش های متفاوت تولیدی در واحدهای مختلف پالایشگاه و افزودنی های موردنیاز تولید می گردد تا محصولنهایی با مشخصات تعیین شده مطابقت داشته و کمترین هزینه را دربر داشته باشد از جمله مهم ترین مشخصات بنزین، درجه آرامسوزی آن می باشد که به عنوان خاصیت ضدضربه ای بنزین در هر اختلاط تعیین می گردد. بنابراین دستیابی به مدلی دقیقبرای پیش بینی مشخصات بنزین به ویژه درجه آرام سوزی، با استفاده از مشخصات برش های تشکیل دهنده آن از لحاظ اقتصادیو عملیاتی اهمیت دارد . مدل مورد نظر بر اساس نفت خام ورودی و دستگاه های عملیاتی هر پالایشگاه جهت استفاده در آنپالایشگاه طراحی می گردد استفاده از شبکه عصبی مصنوعی به صورت مدل جعبه سیاه برای اختلاط بنزین مناسب به نظر میرسد. در این تحقیق سعی شده است با استفاده از شبکه عصبی مصنوعی، مدلی جهت پیش بینی درجه آرام سوزی ارائه وپارامترهای مختلف موثر بررسی و ساختار بهینه تعیین گردد . در ادامه کار و با توجه به ارزش اقتصادی مقادیر افزودنی ها مخصوصاًMTBE نسبت به بنزین تولیدی، همچنین محدودیت های مدیریتی خاص، سیاست دولت در راستای استفاده حداقل از افزودنی ها از قبیل MTBE و به بیان دیگر تولید بنزین با حداقل درجه آرام سوزی بر اساس استانداردهای شرکت ملی پالا یش و پخش فرآورد ه های نفتی می باشد بنابراین مدلی برای پیش بینی افزودنی ها در درجه آرام سوزی مشخص با استفاده از شبکه عصبیمصنوعی ارائه گردید.
نویسندگان
ناصر لطفی وند
عضو هیئت علمی گروه مهندسی برق و الکترونیک- واحد تبریز- دانشگاه آزاد اسلامی- تبریز- ایران
حمید سخندان
دانشجوگروه مهندسی برق و الکترونیک- واحد تبریز- دانشگاه آزاد اسلامی- تبریز- ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :