اولویت بندی سناریوهای حذف ترکیبات آلی فرار از واحدهای R.O.P پالایشگاه نفت با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: پالایشگاه نفت آبادان)
- سال انتشار: 1399
- محل انتشار: فصلنامه علمی پژوهشی مهندسی بهداشت محیط، دوره: 8، شماره: 1
- کد COI اختصاصی: JR_JEHE-8-1_001
- زبان مقاله: فارسی
- تعداد مشاهده: 64
نویسندگان
Department of Environment, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
Department of Environmental Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
Department of Environment, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
Department of Environment, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
چکیده
مقدمه و اهداف: نفت در بسیاری از صنایع اهمیت حیاتی دارد و مهم ترین منبع تامین انرژی در سطح بین المللی است و ۳۲ درصد منبع تامین انرژی در اروپا و آسیا و بیش از ۵۳ درصد در خاورمیانه را تشکیل میدهد. با توجه به جایگاهی که صنایع پتروشیمی امروزه پیدا کرده اند نباید از صدمات آن بر سلامت انسان و محیط زیست غافل بود. امروزه پالایشگاهها میلیون ها پوند آلاینده در هوا منتشر می کنند که خطری جدی بر سلامت انسان و محیط زیست محسوب می گردد و کیفیت زندگی افراد مجاور جوامع صنعتی را با آسیب های جدی رو به رو می کند. لذا در این پژوهش با بهره گیری از منطق و الگوریتم بکار رفته در مدل شبکه ی عصبی مصنوعی، به اولویت بندی وزنی استراتژی ها و پیش بینی شرایط آتی حاکم بر طرح، پرداخته است و در نهایت رتبه بندی نهایی با مدل TOPSIS صورت پذیرفت. روش کار: در این پژوهش، سنجش آلاینده های هوا با روش کروماتوگرافی گازی بود و با استفاده از شبکه عصبی مصنوعی ANN (Artificial Neural Networks) به بررسی اولویت بندی سناریوهای حذف آلاینده های آلی فرار از واحد تصفیه پساب نفتی ROP (Recovery Oil Compound) پالایشگاه نفت آبادان در سال ۱۳۹۸ پرداخته شد. روش به کار گیری شبکه عصبی مصنوعی در مطالعه حاضر روش پرسپترون چند لایه MLP (Multi Layer Perceptron) بود. رتبه بندی نهایی با مدل TOPSISصورت پذیرفت. یافته ها: بر اساس نتایج به دست آمده از سنجش آلاینده های هوای مجاور واحد ROPپالایشگاه، بیشترین میزان انتشار ترکیبات آلی فرار نسبت به میزان اعلام شده توسط WHO متعلق به نشر بنزن با مقادیر µg/m۳۸۸/۸۸۶۵ در فصل بهار، µg/m۳۰۴/۱۷۰۱ در فصل تابستان، µg/m۳ ۷۲/۸۰۶۱ در فصل پاییز و µg/m۳ ۶۲/۸۴۴۷ در فصل زمستان بود. نتیجه گیری: بر اساس خروجی های مدل و رتبه بندی آن با مدل TOPSIS، کمینه سازی پساب تولیدی در کارخانه از طریق کنترل موثر تر مصرف آب، بهینه سازی فرآیندهای تولید، استفاده مجدد از آبهای کندانس مبدل های غیر مستقیم، کنترل نشت در اتصالات، شیرها و تجهیزات پالایشگاه با ضریب تاثیر با خلوص ۱، اولین اولویت و ائده آل ترین حالت بود. پس از آن برگشت دادن لجن از مخزن هوادهی جهت فراهم سازی تعداد کافی میکروارگانیسم ها برای جلوگیری از بی هوازی شدن لجن فعال، همچنین افزایش زمان ماند هیدرولیکی فاضلاب هر دوساعت یکبار با ۷۷۹۸/۰ اولویت دوم و بکارگیری حوض های یکنواخت سازی با ۶۹۶۴/۰ به حالت ائده آل استراتژی سوم مشخص گردید.کلیدواژه ها
Volatile Organic Compounds, Oil Refinery, Air Pollution, Artificial Neural Network, ترکیبات آلی فرار, پالایشگاه نفت, آلودگی هوا, شبکه عصبی مصنوعیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.