پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 610 |
| تعداد مقالات | 9,029 |
| تعداد مشاهده مقاله | 67,082,974 |
| تعداد دریافت فایل اصل مقاله | 7,656,410 |
مدلسازی و کاهش تولید NOx در بخارساز احتراق غوطهور با استفاده از سیستم استنتاج فازی | ||
| مدل سازی در مهندسی | ||
| دوره 22، شماره 76، اردیبهشت 1403، صفحه 197-211 اصل مقاله (1.25 M) | ||
| نوع مقاله: مقاله شیمی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2023.30609.2451 | ||
| نویسندگان | ||
| حانیه فانی ملکی1؛ امیراحسان فیلی منفرد* 2؛ محمود رحمتی3 | ||
| 1دانشجوی کارشناسی ارشد مهندسی‌شیمی، دانشکده شیمی و مهندسی شیمی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران | ||
| 2استادیار، گروه مهندسی‌شیمی، دانشکده شیمی و مهندسی شیمی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران | ||
| 3استادیار، گروه مهندسی شیمی، دانشکده شیمی و مهندسی شیمی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران | ||
| تاریخ دریافت: 20 اردیبهشت 1402، تاریخ بازنگری: 24 تیر 1402، تاریخ پذیرش: 09 مهر 1402 | ||
| چکیده | ||
| بخارسازهای احتراق غوطهور از جمله تجهیزات صنعتی هستند که به میزان بسیار زیادی اکسیدهای نیتروژن (NOx) تولید میکنند. این تجهیزات در واقع مبدلهای حرارتی هستند که در پایانههای گاز طبیعی مایع (LNG) برای تبخیر گاز طبیعی مایع و تبدیل آن به گاز استفاده میشوند. از آنجا که مطالعات پیشین نشان داده که شرایط عملیاتی این تجهیز بر میزان تولید NOx در آن موثر است، در این پژوهش از ابزارهای هوش مصنوعی جهت مدلسازی و سپس بهینهسازی انتشار NOx در این تجهیزات استفاده شد. به همین منظور تعداد 63 داده آزمایشگاهی از پژوهش های پیشین محققان استخراج شده و سپس از ترکیبی از سیستم استنتاج فازی عصبی تطبیقی و الگوریتم ژنتیک جهت مدلسازی دادهها استفاده شد. در سیستم توسعه یافته، غلظت اکسیژن، دما، غلظت آباکسیژنه و pH محلول، بهعنوان پارامترهای ورودی به مدل و درصد کاهش NOx بعنوان خروجی در نظر گرفته شد. تحلیل های آماری مدل ساخته شده نشان داد که این مدل با ضریب همبستگی 9714/0، میانگین مربعات خطا 0938/1 ، میانگین درصد خطای مطلق 9713/4 و ماکسیمم درصد خطای مطلق 2144/13 از دقت مناسبی در تخمین مقدار کاهش NOx برخوردار است. در گام بعد و پس از توسعه مدل، از الگوریتم ژنتیک و مدل ساخته شده برای بهینه سازی شرایط عملیاتی با کمترین نرخ انتشار NOx استفاده شد. نتایج این بخش از پژوهش نیز نشان داد که در صورت بهینه سازی شرایط عملیاتی، امکان کاهش میزان NOx منتشر شده تا 24/37 درصد وجود دارد. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ الگوریتم ژنتیک؛ سیستم استنتاج فازی عصبی تطبیقی؛ آلودگی هوا؛ مدلسازی؛ اکسیدهای نیتروژن | ||
| عنوان مقاله [English] | ||
| Modeling and Reduction of Nox Production in Submerged Combustion Vaporizer Using Fuzzy Inference System | ||
| نویسندگان [English] | ||
| Hanieh Fani Maleki1؛ Amir Ehsan Pheili Monfared2؛ Mahmoud Rahmati3 | ||
| 1Master's student in Chemical Engineering, Department of Chemical Engineering, Graduate University of Advanced Technology, Kerman, Iran | ||
| 2Assistant Professor, Department of Chemical Engineering, Graduate University of Advanced Technology, Kerman, Iran | ||
| 3Assistant Professor, Department of Chemical Engineering, Graduate University of Advanced Technology, Kerman, Iran | ||
| چکیده [English] | ||
| Submerged combustion vaporizers are one of the industrial equipments that produce a large amount of nitrogen oxides (NOx). These equipments are actually heat exchangers that are used in liquefied natural gas (LNG) terminals to evaporate liquefied natural gas and convert it into gas. Since previous studies have shown that the operating conditions of this equipment are effective on the amount of NOx production in it, artificial intelligence tools were used in this research to model and then optimize NOx emission in this equipment. For this purpose, 63 laboratory data were extracted from the researchers' previous researches, and then a combination of adaptive neural fuzzy inference system and genetic algorithm was used to model the data. In the developed system, oxygen concentration, temperature, water-oxygen concentration and solution pH were considered as input parameters to the model and NOx reduction percentage as output. The statistical analysis of the built model showed that this model with correlation coefficient of 0.9714, mean square error of 1.0938, average absolute error percentage of 4.9713 and maximum absolute error percentage of 13.2144 has a good accuracy in estimating the amount of NOx reduction. In the next step after the development of the model, the genetic algorithm and the built model were used to optimize the operating conditions with the lowest NOx emission rate. The results of this part of the research also showed that if the operating conditions are optimized, it is possible to reduce the amount of NOx released up to 37.24% | ||
| کلیدواژه‌ها [English] | ||
| Artificial intelligence, Genetic algorithm, Adaptive neural fuzzy inference system, Air pollution, Modeling, Nitrogen oxides | ||
| مراجع | ||
|
]1] R.J. Blaszczak. "Nitrogen Oxides(NOx), Why And How They Are Controlled:. EPA-456/F-99-006R " 1999. [2] J. Son, H. Yang, G. Kim, S. Hwang, and H. You. "Technology development for the reduction of NOx in flue gas from a burner-type vaporizer and its application." Korean J. Chemical Engineering 34, no. 6 (2017): 1619-1629. [3] Y.S. Mok and H.J. Lee. "Removal of sulfur dioxide and nitrogen oxides by using ozone injection and absorption-reduction technique." Fuel Process Technol 87, no. 7 (2006): 591-597. [4] X. Zhang, R. Wang, H. Zhu, and Y. Chen. "Performance of NOx capture with Dawson polyoxometalate H6P2W18O62· 28H2O." Chemical Engineering Journal 400 (2020): 125880. [5] Y. Dongpeng, Q. Chang, L. Liu, W. Zhang, S. Chen, and Z.L. Zhijun Li. "Reduce NOx Emissions by Adsorber-Reduction Catalyst on Lean Burn Engine." TELKOMNIKA (Telecommunication Comput Electron Control 11, no. 3 (2013):481-488. [6] S.H. Jo, K.M. Kim, S. Hee Seo, T.H. Kim, S. Yu, T.H. Kim, and Y.S. Son. "A study on additives to improve electron beam technology for NOx and SO2 reduction." Radiation Physics and Chemistry 183 (2021): 109397. [7] A. Shimizu, O. Hirokazu ,K. Yosuke, M. Kazuyuki, and Y. Day. "Development of a Nitrogen-enrichment/Humidification Membrane System for NOx Emission Reduction in a Marine Diesel Engine". Mar Eng 48, no. 3 (2013). [8] S. Bhattacharyya, and R.K. Das. "Catalytic control of automotive NOx: a review." International Journal of Energy Research 23, no. 4 (1999): 351-369. [9] K. Masera, and A.K. Hossain. "Modified selective non-catalytic reduction system to reduce NOx gas emission in biodiesel powered engines." Fuel 298 (2021): 120826. [10] I.S.I. Anufriev, E.P. Kopyev, I.S. Sadkin, and M.A. Mukhina. "NOx reduction by steam injection method during liquid fuel and waste burning." Process Safety and Environmental Protection 152 (2021): 240-248. [11] E. Ikonen, K. Najim, and U. Kortela. "Neuro-fuzzy modelling of power plant flue-gas emissions." Engineering Applications of Artificial Intelligence 13, no. 6 (2000): 705-717. [12] J. Mohammadhassani, S. Khalilarya, M. Solimanpur, and A. Dadvand. "Prediction of NOx emissions from a direct injection diesel engine using artificial neural network." Modelling and Simulation in Engineering 2012, no. 1 (2012): 830365. [13] M. Fischer. "Transient NOx estimation using artificial neural networks." IFAC Proceedings Volumes 46, no. 21 (2013): 101-106. [14] H. Taghavifar, H. Taghavifar, A. Mardani, and A. Mohebbi. "Modeling the impact of in-cylinder combustion parameters of DI engines on soot and NOx emissions at rated EGR levels using ANN approach." Energy Conversion and Management 87 (2014): 1-9. [15] T. Anan, H. Higuchi, and N. Hamada. "New artificial intelligence technology improving fuel efficiency and reducing CO2 emissions of ships through use of operational big data." Fujitsu Sci. Tech. J 53, no. 6 (2017): 23-28. [16] Y. Shin, Z. Kim, J. Yu, G. Kim, and S. Hwang. "Development of NOx reduction system utilizing artificial neural network (ANN) and genetic algorithm (GA)." Journal of Cleaner Production 232 (2019): 1418-1429. [17] V.Y. Valera, M.C. Codolo, and T.D. Martins. "Artificial neural network for prediction of SO2 removal and volumetric mass transfer coefficient in spray tower." Chemical Engineering Research and Design 170 (2021): 1-12. [18] D. Farhud, and H. Pourkalhor. "Artificial intelligence & genetics." Laboratory and Diagnosis 12, no. 50 (2021): 70-73. (inPersian). [19] O. Obodeh, and C.I. Ajuwa. "Evaluation of artificial neural network performance in predicting diesel engine NOx emissions." European Journal of Scientific Research 33, no. 4 (2009): 642-653. [20] I. Arsie, D. Marra, C. Pianese, and M. Sorrentino. "Real-time estimation of engine NOx emissions via recurrent neural networks." IFAC Proceedings Volumes 43, no. 7 (2010): 228-233. [21] J.O. Lira, H.G. Riella, N. Padoin, and C. Soares. "Computational fluid dynamics (CFD), artificial neural network (ANN) and genetic algorithm (GA) as a hybrid method for the analysis and optimization of micro-photocatalytic reactors: NOx abatement as a case study." Chemical engineering journal 431 (2022): 133771. [22] Z. Ghaemi, M. Talei, M. Farnaghi and Q. Javadi. "Prediction of air pollution in Tehran using the combination of fuzzy-adaptive neural network and principal component analysis." Iran's remote sensing and GIS 9, no. 3 (1396):21-39 (inPersian). [23] C. Qi, W. Wang, B. Wang, Y. Kuang, and J. Xu. "Performance analysis of submerged combustion vaporizer." Journal of Natural Gas Science and Engineering 31 (2016): 313-319. [24] A. Golshani, and M. Quaidi. "Fuzzy method in research, a bridge between quantitative and qualitative research methods." Psychological Methods and Models, 4, 14 (1392):45-65 (inPersian). [25] L.A. Zadeh. "Outline of a New Approach to the Analysis of Complex Systems and Decision Processes". IEEE Trans Syst Man Cybern, vol. SMC-3, no. 1 (1973): 28–44. [26] P.C. Nayak, K.P. Sudheer, D.M. Rangan, and K.S. Ramasastri. "A neuro-fuzzy computing technique for modeling hydrological time series." Journal of Hydrology, vol. 291 (2004): 52–66. [27] J.S. Roger Jang. "ANFIS : Adap tive-Network-Based Fuzzy Inference System." IEEE Transactions On Systems, Man, And Cybernetics 23, no. 3 (1993): 665-685. [28] W. Ahmad. "Thyroid Diseases Forecasting Using a Hybrid Decision Support System Based on ANFIS, k-NN and Information Gain Method." J. Appl Environ Biol Sci 7, no. 10 (2017): 78–85. [29] M. Shams Javi. Implementation and solution of practical problems with genetic algorithm. Aria project,1390 (inPersian).
| ||
|
آمار تعداد مشاهده مقاله: 217 تعداد دریافت فایل اصل مقاله: 234 |
||