کاربرد هوش مصنوعی و یادگیری ماشین در طراحی، پایش و کاهش رسوب گذاری و جرم گرفتگی مبدل های حرارتی در صنایع نفت و گاز و پتروشیمی

مبدل های حرارتی به عنوان قلب سامانه های فرایندی در صنایع نفت، گاز و پتروشیمی نقش تعیین کننده ای در بازده انرژی، قابلیت اطمینان و پایداری عملیاتی دارند. رسوب گذاری (Fouling) و جرم گرفتگی (Scaling) در مبدل های حرارتی موجب کاهش ضریب انتقال حرارت، افزایش افت فشار، بالا رفتن مصرف انرژی، افزایش زمان های توقف اضطراری و در نهایت افزایش هزینه های عملیاتی و زیست محیطی می شود. رویکردهای کلاسیک طراحی و پایش مبدل های حرارتی عمدتا بر مدل های ترمودینامیکی، همبستگی های تجربی و برنامه های نگهداری دوره ای استوار بوده اند که در مواجهه با شرایط پیچیده، چندفازی و ناپایدار فرایندهای نفت و گاز ایران کارایی محدودی دارند. طی دهه اخیر، رشد چشمگیر داده های فرایندی و پیشرفت روش های هوش مصنوعی و یادگیری ماشین، امکان توسعه ابزارهای هوشمند برای پیش بینی نرخ رسوب، تشخیص زودهنگام شروع fouling، بهینه سازی آنلاین عملکرد و طراحی چارچوب های نگهداری پیش بینانه را فراهم کرده است. تمرکز ویژه بر مبدل های پوسته و لوله، صفحه ای، هواخنک و کامپکت به عنوان متداول ترین انواع در پالایشگاه ها و واحدهای فرآیندی ایران است. الگوریتم های مختلف هوش مصنوعی شامل شبکه های عصبی مصنوعی (ANN)، جنگل تصادفی (RF)، (XGBoost)، شبکه های عصبی بازگشتی و LSTM، شبکه های عصبی کانولوشنی (CNN)، مدل های هیبرید (ترکیبی) و شبکه های عصبی فیزیک بنیان (PINN) از نظر دقت پیش بینی، نیازمندی داده، قابلیت تعمیم و امکان پیاده سازی صنعتی مورد مقایسه قرار می گیرند. نتایج نشان می دهد که مدل های یادگیری عمیق و هیبرید در ترکیب با اطلاعات فیزیکی فرایند، در پیش بینی نرخ fouling و پیشنهاد استراتژی های بهینه شستشو، عملکرد بهتری نسبت به مدل های کلاسیک دارند؛ با این حال چالش هایی مانند کمبود داده های برچسب خورده، کیفیت نامناسب سنسورها، ناهمگونی واحدها و محدودیت زیرساخت IT در صنایع ایران، مانع پیاده سازی گسترده آن ها شده است. بر این اساس، یک چارچوب شش مرحله ای برای پیاده سازی تدریجی سامانه های هوش مصنوعی در پایش مبدل های حرارتی پالایشگاه های ایران پیشنهاد شده و شکاف های تحقیقاتی و مسیرهای آینده شامل توسعه Digital Twin، یادگیری انتقالی، مدل های self-supervised و تلفیق بهینه سازی چندهدفه با سیاست های نگهداری پیش بینانه تبیین می گردد.

کلیدواژه ها:

مبدل حرارتی ، fouling ، scaling ، هوش مصنوعی ، یادگیری ماشین ، Digital Twin