Comparison of Different Machine Learning Algorithms for Predicting the Outlet Temperature of Propane Cooling Exchangers in Refinery
- سال انتشار: 1403
- محل انتشار: پنجمین کنفرانس بین المللی دوسالانه نفت، گاز و پتروشیمی
- کد COI اختصاصی: OGPC05_157
- زبان مقاله: انگلیسی
- تعداد مشاهده: 104
نویسندگان
Faculty of Petroleum, Gas and Petrochemical Engineering, Persian Gulf University
Faculty of Data Science, Persian Gulf University
Oil and Gas Research Center, Persian Gulf University
چکیده
This study investigates the application of machine learning techniques to predict and regulate the outlet temperature of the propane cooling exchanger in the dehydration unit of the South Pars Gas Refinery. Given the critical role of this exchanger in managing gas temperature and preventing operational issues, such as excessive water vapor in molecular sieve dryers, the research focuses on evaluating the effectiveness of three machine learning algorithms: Random Forest, K-Nearest Neighbors (KNN), and Support Vector Machines (SVM). A total of ۳۱۶۸ data points were collected from the refinery's Data Collection System (DCS) for each input, and eleven input variables were used for training and testing the models. The models' performance was assessed using Mean Squared Error (MSE) and R² metrics. The results indicate that Random Forest outperforms both KNN and SVM, providing the best prediction accuracy with a low MSE of ۰.۰۰۳ and a high R² of ۰.۹۲۹. This highlights the potential of machine learning models for optimizing temperature control in industrial processes. The study concludes that Random Forest is the most suitable model for this application, though further exploration of alternative models and techniques is recommended for enhanced performance in different operational contexts.کلیدواژه ها
Machine Learning, Gas Refinery, SVM, Random Forest, KNNمقالات مرتبط جدید
- بررسی تاثیر مدیریت استعداد در عملیات انتقال گاز بر عملکرد با نقش میانجی پشتیبانی مدیریتی
- بررسی تکنیکهای مشبک کاری به منظور انتخاب روش بهینه برای به حداکثر رساندن بهره دهی چاههای نفت و گاز
- بررسی اثر نانوذرات بر پایداری فوم نیتروژن و ازدیاد برداشت نفت از محیطهای متخلخل کربناته
- آسیب شناسی سیستم مجوزهای کار در صنایع نفت، گاز و پتروشیمی
- توسعه یک مدل هوش مصنوعی مبتنی بر فیزیک، برای تزریق اسید در چاه های نفتی
اطلاعات 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.