علی فرضی - اصفهان، دانشگاه صنعتی اصفهان، دانشکده مهندسی شیمی
ارجمند مهربانی - اصفهان، دانشگاه صنعتی اصفهان، دانشکده مهندسی شیمی

یک روش جدید برای شبیه سازی و کنترل برج تقطیر متانول و آب با استفاده از شبکه های عصبی مصنوعی مطالعه شده است. در این کار، از شبکه عصبی مصنوعی NARMA-L2 برای کنترل استفاده شده است. اثر پارامترهایی همچون تعداد داده های استفاده شده برای آموزش شبکه عصبی مصنوعی، محدوده انتخاب شده برای ورودی فرایند، تعداد نروون های موجود در لایه مخفی و الگوریتم آموزش در عملکرد کنترل شده بررسی شده است. پاسخ سیستم (غلظت متانول در بالای برج تقطیر) به یک تغییر پله ای در نسبت برگشتی فرایند هنگامی که از تعداد بیشتری داده برای آموزش شبکه عصبی مصنوعی استفاده شود، پایدار تر و دارای افت کمتری است. همچنین افزایش محدوده ورودی سیستم، باعث بهتر شدن پاسخ می شود . هرچه تعداد نورون های لایه مخفی بیشتر شود، کنترل کننده شبکه عصیب مصنوعی بهتر می تواند فرایند را کنترل کند. ولی یک تعداد بحرانی برای نورون ها وجود دارد که در صورت استفاده بیشتر از این تعداد، پاسه سیستم ناپایدار می شود. به علاوه، الگوریتم trainlm مناسبترین شیوه در آموزش شبکه عصبی مصنوعی مورد استفاده است.

برج تقطیر ، شبیه سازی ، فرایند ، شبکه عصبی مصنوعی ، NARMA-L2