توسعه کنترل پیش بین مبتنی بر یادگیری ماشین برای ریActor ریفرمینگ و افزایش بازده تبدیل متان به هیدروژن

تولید هیدروژن از متان به عنوان یک منبع انرژی پاک و کارآمد، توجه زیادی را در زمینه انرژی و مهندسی شیمی به خود جلب کرده است. ریفرمینگ متان، فرآیندی با واکنش های پیچیده و غیرخطی است که نیازمند کنترل دقیق دما، فشار و نسبت های واکنش دهنده ها می باشد. این مطالعه به توسعه یک کنترل پیش بین مبتنی بر یادگیری ماشین (ML-MPC) برای بهینه سازی عملکرد ری اکتور ریفرمینگ متان می پردازد، با هدف افزایش بازده تبدیل متان و تولید هیدروژن با خلوص بالا. مدل یادگیری ماشین به عنوان مدل پیش بینی دینامیک های غیرخطی و پیچیده فرآیند عمل می کند و کنترل پیش بین مبتنی بر این مدل قادر است تغییرات غیرمنتظره در شرایط عملیاتی را جبران کند. نتایج شبیه سازی نشان می دهد که استفاده از کنترل پیش بین مبتنی بر یادگیری ماشین، بهبود قابل توجهی در بازده تبدیل متان و کاهش انتشار گازهای جانبی نسبت به روش های کنترلی سنتی ایجاد می کند، که نشان دهنده پتانسیل بالای این رویکرد در بهینه سازی فرآیندهای صنعتی هیدروژن سازی می باشد.

کلیدواژه ها:

کنترل پیش بین ، یادگیری ماشین ، ری اکتور ریفرمینگ ، متان ، هیدروژن ، بهینه سازی فرآیند ، کنترل غیرخطی