Geri Dön

Prediction of heavy diesel T95 using just in time learning models

Ağır dizel T95 değerinin just in time learning yöntemi ile gerçek zamanlı tahminin yapılması

  1. Tez No: 474308
  2. Yazar: SEVİ ZEYNEP HASDEMİR
  3. Danışmanlar: DOÇ. DR. BURAK ALAKENT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Kimya Mühendisliği, Chemical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Kimya Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Kimya Mühendisliği ve Uygulamalı Kimya Bilim Dalı
  13. Sayfa Sayısı: 139

Özet

Bu çalışmanın amacı atmosferik distilasyon ürünü olan Ağır Dizel'in hacimce %95'inin kaynama noktasının (T95) gerçek zamanlı olarak tahmin edilmesidir. Ağır Dizel'in T95 kaynama noktası kolon kontrolünde önemli bir kontrol edilen değişken olup, kolon yapısındaki MPC algoritmasının doğru aksiyonlar alabilmesi için bu değerin en doğru tahmin edilmesi operasyonel açıdan önemlidir. Bu çalışmada, Ağır Dizel T95 değerinin gerçek zamanlı tahmini için“anlık öğrenme”(JITL) yöntemi kullanılmıştır. JITL belirli sayıda ve tahmin edilecek veri noktasına en yakın komşuları tespit ederek, bu komşu veriler ile tahmin edilecek numuneye özel yerel modeller kurulmasını sağlayan bir modelleme yöntemidir. 47 süreç değişkeni ile yürütülen modelleme çalışmaları üç ana grupta incelenmiştir. İlk olarak, farklı değişken setleri denenerek Ağır Dizel T95 ile en yüksek ilişkili değişkenler tespit edilmeye çalışılmıştır. Bu çalışma değişkenler arasında zaman farkı olmadığı durum ve bir gün önceki Ağır Dizel T95 değerinin ARX girdisi olarak değişkenlere eklendiği durum olmak üzere iki ayrı şekilde incelenmiştir. İkinci modelleme grubunda ise belirlenen yedi değişken ile en küçük kare regresyonu (LS), kısmi en küçük kare regresyonu, ve model değişkenlerinin adım adım regresyon yöntemiyle belirlendiği yöntemler kullanılmıştır. Bu yöntemlerle kurulan JITL modelleri, referans kümesinin belirlenme yöntemi, referans kümesinin büyüklüğü, komşu sayısı, pencere büyüklüğü gibi parametreleri değiştirilerek değerlendirilmiştir. Bu grup çalışmada kurulan en iyi modelin kare ortalama hatası (RMSE) ve ortalama mutlak hatası (MAE) sırasıyla 5.66 ve 4.23 oC olarak hesaplanmıştır. Son modelleme grubunda, JITL modelleri kurulurken, en yakın komşu verilerin belirlenmesinde kullanılan değişkenler ve model değişkenleri ayrıştırılmış ve iki aşama için farklı değişkenler göz önünde bulundurulmuştur. Bu grup çalışmada kurulan en iyi modelin kare ortalama hatası ve ortalama mutlak hatası sırasıyla 4.77 ve 3.82 oC olarak hesaplanmıştır. Bu çalışma ile JITL yönteminin tahmin performansı önemli ölçüde artırılmıştır ve bu yöntemin endüstriyel uygulamalar için göz önünde bulundurulması gereken bir metot olduğu ortaya konmuştur.

Özet (Çeviri)

One of the middle distillates of atmospheric distillation column is Heavy Diesel (HAD). T95 is the temperature, at which 95% volume of a sample is boiled, and it is the main controlled variable so accurate T95 predictions are required for a satisfactory performance of the model predictive control (MPC) algorithm, in which online T95 predictions are used to determine control actions. In the current thesis, just in time learning (JITL) methodology is used on historical process data to develop soft sensors for real time predictions of HAD T95. Local models are constructed using samples located in the neighborhood of a query point, and the constructed model is used for prediction of the response variable. Using 47 process variables in the historical data, three main groups of predictive models are constructed for HAD T95. In the first group of models, various subsets of variables, which are assumed to carry the highest information on variation of T95, are included into static and dynamic models. While there is no time lag between the selected input variables and the predicted quality variable in static models, previous day's T95 values (response variable) are included in dynamic models, as in autoregressive exogenous (ARX) input modeling. In the second group of models, least-squares (LS), partial LS (PLS), and subset regression via stepwise regression methods are employed on a predictor set, which consists of seven“most important”process variables. JITL models are evaluated with respect to various reference data selection methods, reference set size, window size and neighborhood size. The best model of this group is found to have predictive root means square error (RMSE) and mean absolute error (MAE) statistics equal to 5.66 and 4.23 oC, respectively. In the last group of models, interaction and quadratic predictor terms are included in the JITL model, and neighboring samples are selected a different subset of predictors. Using this method, RMSE and MAE of prediction statistics are decreased to 4.77 and 3.82 oC, respectively. This, to our knowledge, is the first time predictor and neighbor selection predictor subsets are separated from each other in the literature, and this seems a promising method in constructing soft-sensors for industrial applications.

Benzer Tezler

  1. Application of robust statistics on a crude distillation unit

    Ham petrol destilasyon ünitesinde sağlam istatistiklerin uygulanması

    SİNEM NALBANT KURŞUN

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Kimya MühendisliğiBoğaziçi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    DOÇ. DR. BURAK ALAKENT

  2. Ağır ticari aracın dizel motoruna ait egzoz manifoldunun ısıl olarak incelenmesi

    Thermal investigation of exhaust manifold for a heavy commercial vehicle diesel engine

    BURAK YALÇINDAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. İSMAİL CEM PARMAKSIZOĞLU

  3. Bir dizel motor ve şanzıman grubunda burulma titreşimlerinin modellenmesi ve tıkırtı sesi değerlendirmesi

    Torsional vibration modelling of a diesel powertrain system and rattle investigation

    EMRE ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2017

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. KENAN YÜCE ŞANLITÜRK

  4. Dizel motor silindir devre dışı bırakma teknolojisinin farklı sürüş çevrimleri boyunca araç yakıt tüketimine etkisinin incelenmesi

    Investigation the effect of diesel engine cylinder deactivation technology on vehicle fuel consumption through different driving cycles

    ADEM ÖZDEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BARIŞ DOĞRU

  5. Computer-aided exergy and energy analysis of the vacuum distillation unit

    Vakum distilasyon ünitesinin bilgisayar destekli ekserji ve enerji analizi

    SENA KURBAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Enerjiİstanbul Teknik Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. SERDAR YAMAN