close

Вход

Забыли?

вход по аккаунту

?

Математическое моделирование стоков процесса ректификации с использованием гибридных нейронных сетей..pdf

код для вставкиСкачать
Разложение эмульсий может быть выполнен с помощью химических процессов
(например, вызванный солями, кислотами или катионоактивными полимерами) или
физическими процессами (например, ультрафильтрация или адсорбционные процессы).
Химическое разложение разрушает эмульсии, путем добавления кислоты и металлических солей. Фазы масла и воды разделены. Растворы, проходящие через ультра- фильтрацию показывают содержание масла менее чем 20 мг/л и могут быть разделены, если
никакие другие составляющие (например, тяжелые металлы) не требуют дополнительной адсорбционной обработки.
Часто стадия вторичной обработки водной фазы необходимы для разбавления.
Если использовать процессы химического разделения для разложения эмульсии, на
следующей стадии водная фаза, должна быть нейтрализована. Тяжелые металлы нуждаются в удалении. Это можно достигнуть с помощью осаждения после нейтрализации
раствора.
Дополнительная обработка разделения фазы масла также необходима. В ней
может все еще иметься остаточное содержание 50 - 60 % воды. Незначительное количество масляного концентрата от отдельных заводов перерабатываются или утилизируются.
Представленные сценарии и соответствующие модели для расчета загрязнений
являются основой для создания базы знаний в информационной экспертной системе
для моделирования и оптимизации расчетов загрязнений СОЖ.
Список литературы
1. Harmonisation of Environmental Emission Scenarios for biocides used as metalworking
fluid preservatives.// Final report. May 2003
2. http://ecb.jrc.it/biocides
3. Чулок А.И. Компьютерно - информационные методы в экологической экспертизе/
А.И.Чулок, Л.С.Гордеев. Москва: РХТУ, 2000.- 40с.
УДК 519.25
С.И. Сидельников, С.В. Голиков, Ю.А. Конюшок
Новомосковский институт Российского химико - технолонического университета им. Д.И. Менделеева,
Новомосковск, Тульская область, Россия
МАТЕМАТИЧЕСКОЕ
РЕКТИФИКАЦИИ С
СЕТЕЙ
МОДЕЛИРОВАНИЕ
СТОКОВ
ИСПОЛЬЗОВАНИЕМ ГИБРИДНЫХ
ПРОЦЕССА
НЕЙРОННЫХ
The fuzzy mathematical model of drains in rectification process was created and may be adjusted using a hybrid network. The research of the received model was done and it was shown that the average relative
error of the model does not exceed 22 %.
Построена нечеткая математическая модель стоков процесса ректификации, настройка которой, осуществляется с использованием гибридной сети. Выполнено исследование полученной модели.
Показано, что средняя относительная погрешность модели не превышает 22%.
В последнее время, много внимания уделяется проблеме охраны окружающей
среды. Публикуется большое количество работ по этой теме. Не секрет, что наиболее
напряженная экологическая обстановка складывается в крупных городах и регионах, с
большим сосредоточением промышленных предприятий. Одним из вариантов улучшения экологической обстановки, является оснащение предприятий системами управления, работающими с учетом экологических факторов и позволяющими прогнозировать
развитие ситуации.
У С П Е Х И в химии и химической технологии. Том
XXI. 2007. №2 (70)
50
Одним из таких производств является цех метанола НАК «Азот». Анализ
производства показал, что основными источниками загрязнения окружающей среды
могут являться: дымовые газы печи конверсии и газового подогревателя, жидкие отходы отделения ректификации, а так же вода - отбираемая из кубовой части колонн ректификации (кубовая жидкость) и направляемая на биохимическую очистку. Жидкие
отходы, в настоящее время, утилизируются внутри предприятия. Содержание вредных
веществ в дымовых газах не превышает ПДК, в тоже время по ряду моментов имеет
место превышение допустимых норм по содержанию метанола в кубовой жидкости.
Как правило, это происходит из-за не эффективного управления производством, в виду
отсутствия оперативной информации о содержании вредных примесей в стоках. Содержание метанола в кубовой жидкости определяется анализом один раз в смену или,
исходя из личного опыта оператора, который ориентируется на параметры ведения
процесса, такие как - температуру в кубовой части колонны, давление и т.д.. Основное
внимание при ведении процесса уделяется качеству готового продукта, без учета экологических факторов.
Более эффективное управление возможно осуществить с использованием ситуационной советующей системы поддержки принятия решений (СССППР). Процесс
принятия решений в таких системах осуществляется на основе производственного опыта и знаний технологов и операторов. А советы лицу, принимающему решения, система
выдает в зависимости от складывающейся на анализируемом объекте ситуации. Нами
предлагается структура СССППР состоящая из двух основных блоков: модели объекта
управления (МО) и модели управления объектом (в данной статье не рассматривается).
Модель производства позволит в реальном времени (при сохранении качества готового
продукта), прогнозировать предполагаемые выбросы вредных веществ, а затем за счет
более эффективного управления свести их к минимуму.
Принципиальная схема объекта исследования, на которой указаны основные
потоки, представлена на рис.1. В качестве исходного сырья используется метанолсырец с содержанием метанола 75% масс. (подается на 23 тарелку) и содержанием метанола 50% масс. (подается на 15 тарелку). Готовым продуктом является метанолректификат. Для удаления примесей по высоте колонны предусмотрены два боковых
отбора. Из кубовой части колонны ректификации выводится кубовый остаток (вода с
массовой концентрацией органических примесей до 0,2 %), который через отстойник
направляется в железобетонный резервуар, откуда подается на биологическую очистку.
Процесс ректификации это многофакторный, и многосвязанный процесс. Установить
влияние одних технологических величин на другие достаточно сложно. Все это, а так
же наличие качественной информации наряду с четкими количественными данными
затрудняет построение аналитических моделей объекта. Данная проблема решается на
основе создания нечеткой модели, настройка которой осуществляется с использованием гибридной сети [1] (адаптивная система нейро - нечеткого вывода). При этом объект
исследования (колонна) представляется в виде черного ящика. Параметры ведения
процесса представляют собой нечеткие лингвистические переменные (входы), а выходом модели является содержание метанола в кубовой жидкости и расход готового продукта (ректификата).
Построение модели осуществляли на основании пассивного эксперимента. Для
этого были выбраны все (45) контролируемые по колонне величины на 64 момента
времени. По имеющимся данным построены графические зависимости изменения во
времени. В результате анализа зависимостей выявлены параметры, не оказывающие
значительного влияния на процесс, что позволило сократить их количество до 6 это: F1,
F2, Pкуб, Ткуб, Т8, FR которые и использовались в качестве обучающих рис.2. Построить такую модель довольно сложно, поэтому для облегчения задачи строится две моде-
У С П Е Х И в химии и химической технологии. Том
XXI. 2007. №2 (70)
51
ли с 6 входами и одним выходом Y1 и Y2 соответственно. Следует отметить, что в данной работе рассматривается только 1-я модель объекта.
Т1
Ректификат (FR) –
Y2
К-1
Питание
на 23 т
Отбор 2
T8 (X5)
F1 (X1)
F2 (X2)
Питание
на 15 т
Ткуб (Х4)
Ркуб (Х3)
Отбор 1
Ссн3он (У1)
Кубовая жидкость
Рис. 1 Принципиальная схема процесса ректификации
К1 – колонна ректификации; Т1- конденсатор (дефлегматор); Отбор 1 – отбор фракции
метанол-масло-вода; Отбор 2 – отбор углеводородной фракции; F1 и F2 и FR – расходы потоков;
Ткуб и Ркуб – температура и давление в кубовой части колонны; Т8 – температура на 8 тарелке;
Сснзон – концентрация метанола.
F1 (X1)
Ссн3он (У1)
F2 (X2)
Ркуб (X3)
Ткуб (X4)
Т8 (Х5)
К-1
FR (У2)
FR (X6)
Рис. 2. Схематичное представление объекта исследования
Х1,Х2…Х6 – факторы ; У1 и Y2 – отклики
Построение и исследование МО (нечеткая модель типа Сугэно) осуществляли с
помощью пакета прикладных программ MatLab [2]. Математически модель считается
адекватной, если она обеспечивает минимальное значение среднеквадратической невязки:
1 M
( y − F ( X r )) 2 → min
R=
∑
M j =1 r
( X r , yr ), r = 1, M ,
где F(Xr) – значение выхода нечеткой модели при значении входом заданных вектором
Xr, Xr = (xr1, xr2, …., xr,n) – вектор входов и yr – выход в r – паре; М – объем выборки.
У С П Е Х И в химии и химической технологии. Том
XXI. 2007. №2 (70)
52
Настройка (обучение), представляет собой итерационную процедуру нахождения параметров функции принадлежности, которые минимизируют расхождение между
действительным и желаемым поведениями модели. Для настройки нами был использован метод обучения «hybrid» (комбинация методов обратного распространения ошибки
и наименьших квадратов). При использовании гибридных сетей, начальную нечеткую
модель типа Сугэно можно получить как с помощью метода табличного размещения
функций принадлежности (grid partition), так и субтрактивной кластеризации (subtractive clustering). Первый заключается в равномерном распределении функций принадлежности заданного типа и формировании всех возможных вариаций правил «если ….,
то». Однако при большом количестве входов база правил получается слишком объемной, что значительно увеличивает время расчета модели. В данном случае при использовании 4 функций принадлежности для каждого из 6 входов, количество правил составит 46 = 4096.
Рис. 3. График поверхности нечеткого вывода
Содержание метанола; %
масс
0,350
Фактические значения
Расчетные значения
0,300
0,250
0,200
0,150
0,100
0,050
0,000
0
1
2
3
4
5
6
7
8
9
10
Рис. 4. Графики фактических значений содержания метанола и полученных по модели
Для создания структуры системы нечеткого вывода применили процедуру субтрактивной кластеризации. Варьируя параметры поиска кластеров, сгенерировали
структуру нечеткого вывода, состоящую из 6 входных переменных, одной выходной
переменной, 38 правил. Например, график поверхности системы нечеткого вывода зависимости выхода (у) от двух входных переменных (х1) и (х2) представленный на рис.3,
свидетельствует о явной не линейности объекта исследования.
У С П Е Х И в химии и химической технологии. Том
XXI. 2007. №2 (70)
53
Для исследования модели гибридной сети воспользовались данными, не вошедшими в обучающую выборку. Сравнивая полученные значения, с фактическими
(тестирующими) значениями получили, что средняя относительная погрешность не
превышает 22%. По результатам проверки построили графические зависимости (рис.4).
Визуальный анализ графиков и расчетные значения погрешности позволяют
судить о достаточно высокой степени совпадения, что может свидетельствовать об адекватности построенной модели.
Список литературы
1. Сидельников С.И. Сравнительный анализ математических моделей химикотехнологических процессов / С.И. Сидельников, И.Ю. Машутин // Труды НИ РХТУ им.
Д.И. Менделеева. Серия: Кибернетика, автоматизация, математика, информатизация /
РХТУ им. Д.И. Менделеева. Новомосковск. Вып. №3 (140. 2004. С.53-58.
2. Дьяконов В. Математические пакеты расширения MATLAB. Специальный справочник/ В.Дьяконов, В.Круглов. – СПб.: Питер, 2001.– 480 с.
УДК 519.25
С.И. Сидельников, Д.С. Бобрик, Р.О. Плясунков
Новомосковский институт российского химико-технологического университета им. Д.И. Менделеева,
Новомосковск, Россия
МОДЕЛИРОВАНИЕ
УПРАВЛЕНИЯ
В
ЭКСПЕРТНЫХ
СИСТЕМАХ
ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ СИТУАЦИОННОГО ТИПА
During the realtime control of production the technology regime of sub-systems is coordinated by the
human operator to achieve the production goal in a most efficient way. Making decisions, the operator uses an
incomplete model where disturbances and control actions may be recognized quickly. A fuzzy Petri net is the
model that may be created from the traditional Petri net by associating membership functions with transitions
and places which are the result of the specialists’ intuition and experience.
В оперативном управлении производством технологический режим выдерживается в подсистемах оператором-человеком для достижения производственной цели с наибольшей возможной эффективностью. В процессе принятия решений оператор может применять неполную модель, в которой возмущения и управляющие воздействия вычисляемы быстро. Такой моделью является нечёткая сеть Петри, получаемая из традиционной сети Петри путём связывания с позициями и переходами функций принадлежности нечётких множеств, являющимися результатом интуиции и опыта специалистов.
Задача максимизации основных производственных показателей (выхода и качества продукта) при условии оптимизации количества промышленных стоков и выбросов
является одной из важнейших в современных химических производствах. Зачастую эта
задача требует решения с учётом множества технологических параметров в условиях не
только количественного, но и качественного их описания, при наличии множества альтернатив управления. В таких случаях обычно управляющие решения принимает ответственное лицо, либо экспертный совет согласно их собственного опыта и интуиции. Автоматизация подобных производств, как правило, реализуется с помощью ситуационных
советующих систем поддержки принятия решений, обобщающих опыт экспертов с учётом экологических требований к загрязнению окружающей среды. Такие системы не
включаются непосредственно в контур управления объектом, а лишь выдают рекомендации лицу, принимающему решение (ЛПР).
Система поддержки принятия решений состоит из трёх основных блоков. Блок
оценки состояний (БОС), на основе поступающей информации от объекта и от опера-
У С П Е Х И в химии и химической технологии. Том
XXI. 2007. №2 (70)
54
Документ
Категория
Без категории
Просмотров
4
Размер файла
255 Кб
Теги
нейронные, гибридных, моделирование, использование, процесс, математические, pdf, сетей, стоков, ректификации
1/--страниц
Пожаловаться на содержимое документа