بهبود فرآیند گوگردزدایی هیدروژنی ( HDS ) مبتنی بر ماشین بردار پشتیبان و الگوریتم جهت جریان

فرآیند گوگردزدایی هیدروژنی، یکی از معمولترین تکنیک ها برای خالص سازی محصولات نفتی از ذرات گوگردی و به منظور کاهش انتشار گازهای SO۲ می باشد و مطالعات متعددی بر مدل سازی و بهینه سازی آن در بهبود شرایط جداسازی انجام شده است. مطالعات نشان می دهد که آزمایشات بسیار زیادی به منظور بهینه سازی پارامترهای گوگردزدایی نیاز است و چالش آن عدم دقت پیش بینی این پارامترها می باشد. فرآیند گوگردزدایی هیدروژنی هنوز پیچیده و زمان بر است، چرا که بسیاری از عوامل از جمله شرایط عملیاتی، فرمولاسیون خوراک فرآیند، فعالیت کاتالیست و غیره بر روی سرعت جداسازی گوگرد موثر می باشند. یادگیری ماشین یک راهکار موثر در پیش بینی پارامترها در گوگردزدایی است و ماشین بردار پشتیبان یک الگوریتم مناسب در این خصوص است. ماشین بردار پشتیبان می تواند با تنظیم پارامترهای خود با الگوریتم های فرااکتشافی بهبود یابد. ایده مقاله، در بهبود ماشین بردار پشتیبان با استفاده از الگوریتم فرااکتشافی جهت جریان، به صورت یک مدل ترکیبی به منظور مدل سازی قابل اعتماد در بهره وری (پیش بینی غلظت گوگرد)، سودآوری (پیش بینی هزینه گوگردزدایی هیدروژنی) و عوامل محیطی (پیش بینی درصد انتشار گاز SO۲.) است. نتایج بر روی مجموعه داده استخراج شده تحقیق پایه، در مقایسه با مدل ماشین بردار پشتیبان بهبود یافته با الگوریتم ژنتیک مورد ارزیابی قرار گرفت و نشان داد که می تواند با خطای کمتری پارامترها را پیش بینی نماید. میزان خطای مدل پیشنهادی به طور میانگین ۰.۶ بوده است، در صورتی که روش تحقیق پایه ۱.۶ و روش پیشنهادی توانسته است به میزان ۱ درصد خطای پیش بینی را کاهش دهد.

کلیدواژه ها:

فرآیند گوگردزدایی هیدروژنی ، ماشین بردار پشتیبان ، الگوریتم جهت جریان ، یادگیری ماشین