Estimating physical properties of the products of an atmospheric distillation column by support vector regression
Destek vektör regresyon yöntemi ile bir atmosferik damıtma kolonu ürünlerinin fiziksel özelliklerini tahmin etme
- Tez No: 397245
- Danışmanlar: PROF. DR. METİN TÜRKAY
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Kimya Mühendisliği, Industrial and Industrial Engineering, Chemical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 107
Özet
Atmosferik damıtma kolonu bir petrol rafinerisinin en önemli birimlerinden biridir ve bu haliyle kullanımı mümkün olmayan ham petrolü daha değerli bileşenlerine ayırır. Ham petrol damıtma ünitesinin damıttığı bileşenler daha sonra dönüştürme ve saflaştırma ünitelerinde işlenerek benzin, dizel ve jet yakıtı gibi nihai ürünler elde edilir. Nihai ürünlerin fiziksel özellikleri ve miktarları, işlenen ham petrolün fizikokimyasal özelliklerine ve atmosferik damıtma kolonunun operasyon parametrelerine göre değişecektir. Üretimin kârlılığını maksimize etmek için işletme operatörleri, hidrokarbon ürünlerinin fiziksel özelliklerini belirtilen sınırların içinde tutmalı ve üretim planlama bölümünden gelen talimatlara göre ham petrol damıtma ünitesini işletmelidir. Ham petrol damıtma ünitesi ürünlerinin fiziksel özellikleri, periyodik olarak ürün akışından numune alınıp bu numunelerin laboratuvarda uygun cihazlarda analiz edilmesi ile veya kurulumu, işletimi ve bakımı oldukça pahalı olan çevrimiçi analizörler vasıtası ile ölçülmesi gerekmektedir. Analizlerin karmaşıklığından dolayı, hemen hemen tüm son teknoloji ürünü cihazların gerçek zamanlı analizi tamamlamak için bir zaman gecikmesi vardır. Bu nedenle, laboratuvar veya çevrimiçi ölçüm sonuçları karar vericiler ve operatörlere gecikmeli olarak ulaşmaktadır. Ölçümlerin kesikli ve gecikmeli olması, ünitenin optimal noktanın uzağında kontrol edilmesine veya bazı durumlarda ekonomik değeri oldukça düşük olan fiziksel özellik kısıtları dışında ürün üretimine neden olmaktadır. Bunun sonucu olarak, çevrimiçi ünite verilerinden fiziksel özelliklerin tahmin edilmesi ve bir sanal ölçüm uygulamasının ünite karlılığının iyileştirilmesinde önemli bir potansiyeli vardır. Farklı yaklaşımlar arasında destek vektör regresyon, daha önce karşılaşılmayan test verilerini genellemedeki yeteneği ile makine öğrenmede gelecek vadetmektedir. Bu çalışmanın amacı, bir atmosferik damıtma kolonunun hidrokarbon ürünlerinin fiziksel özelliklerini destek vektör regresyon yöntemi ile tam olarak tahmin etmektir. Doğrusal, polinom ve gauss radyal tabanlı fonksiyon çekirdekleri sınanmış ve destek vektör regresyon parametreleri, genetik algoritma, örgü arama ve doğrusal olmayan programlama yöntemlerine k-kat çapraz doğrulama entegre edilerek optimize edilmiştir. Destek vektör regresyon performansı yapay sinir ağı yöntemi ve zaten atmosferik damıtma kolonunda faaliyette olan tahminci ile karşılaştırılmıştır. Test sonuçlarına göre destek vektör regresyon herhangi entegre çekirdek ile ürün özellikleri tahmini ve gözü kapalı sınamada gayet iyi performans göstermiştir. Destek vektör regresyon ile mevcut tahmincinin ortalama mutlak test hatası %31 oranında iyileştirilerek 6,4˚C'den 4,4˚C'ye düşürülürken, hatadaki standart sapma %23 oranında azaltılarak 7,3˚C'den 5,6˚C'ye düşürülmüştür.
Özet (Çeviri)
Atmospheric distillation column is one of the most important units in an oil refinery where crude oil that is little use as it is, is fractioned into its more valuable constituents. Different fractions of the crude distillation unit are then further processed in downstream conversion and purification units to produce final products such as gasoline, diesel and jet fuel. The physical properties and the quantity of the final products vary depending on the physicochemical properties of the crude oil being processed and the operation parameters of the atmospheric distillation column. The process operators should keep the physical properties of hydrocarbon products in specified limits and operate the crude distillation unit according to instructions from the production planning department for maximizing the profit from operations. The physical properties of different crude distillation unit fractions must be measured by taking a sample from the stream periodically and analyzing these samples in a laboratory with appropriate equipment or by online analyzers that are very expensive to install, operate and maintain. Almost all of the state-of-the art online equipment has a time lag to complete the analysis in real time due to complexity of the analyses. Therefore, the laboratory or on-line measurements become available to decision makers and operator with a time lag. The intermittent nature of the measurements leads to sub-optimal control of the unit or in some cases leads to off-spec products that have considerably less economic value than the products that are within specified limits. As a result, estimation of the physical properties from online plant data and implementation of a soft sensor has a potential benefit in improving the profit. Among different approaches, the support vector regression shows great promise in machine learning due to its ability in generalizing well to unseen test data. The objective of this study is to fully estimate the physical properties of the hydrocarbon products of an atmospheric distillation column by support vector regression. Linear, Polynomial and Gaussian Radial Basis Function (Gaussian RBF) kernels are tested and the SVR parameters are optimized by embedding k-fold cross validation into a variety of algorithms including genetic algorithm (GA), grid search (GS) and non-linear programming (NLP). The performance of SVR is compared against artificial neural network (ANN) method and robust quality estimator (RQE) already functioning in the ADC. The testing results suggest that SVR with any of the integrated kernels performs well in estimating the property and generalizes well to blind test data. Compared to RQE, the mean testing error of estimation is improved by 31% with SVR from 6.4˚C to 4.4˚C and the standard deviation of estimation error is improved by 23% with SVR from 7.3 ˚C to 5.6 ˚C.
Benzer Tezler
- Uydu verileri ile İstanbul Boğazı ve Haliç'de su kirliliğinin makro düzeyde belirlenmesi
Intrepretation at macro level as pollution of water resources of remotely sensed data of Bosphorus and golden horn estuary by an unsupervised and supervised classification method
H.GONCA COŞKUN
- Lageos I ve lageos II için doğruluk analizi
Başlık çevirisi yok
GAYE KIZILSU
Doktora
Türkçe
1998
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiÖlçme Tekniği Ana Bilim Dalı
DOÇ. DR. MUHAMMET ŞAHİN
- Uydu (Grace) gravimetri yöntemi ile belirlenen su kütlesi değişimlerinin ölçülmüş hidrometeorolojik verilerle karşılaştırılması
Comparison of total water storage changes by grace (Gravity recovery and climate experiment) with satellite gravimetry method and hydrometeorological data
MEHMET ANIL KIZILASLAN
Yüksek Lisans
Türkçe
2014
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. BİHRAT ÖNÖZ
DOÇ. DR. ORAL YAĞCI
- İstanbul Boğazı su seviyesi değişimleri hibrit dalgacık-matematiksel tahmin modelleri
Hybrid wavelet- mathematical models for water level prediction Bosphorus Strait
ELİF KARTAL
Yüksek Lisans
Türkçe
2018
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Bitlis-Zağros bindirme ve kıvrımlı kuşağının sismotektonik özellikleri
Başlık çevirisi yok
HALUK EYİDOĞAN