Maximizing RON value in isomerate product
Başlık çevirisi mevcut değil.
- Tez No: 667915
- Danışmanlar: PROF. DR. METİN TÜRKAY
- Tez Türü: Yüksek Lisans
- Konular: Kimya Mühendisliği, Endüstri ve Endüstri Mühendisliği, Chemical Engineering, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Rafineri operasyonları optimizasyona her zaman açık olmuştur. COVID-19'un enerji sektörü üzerindeki şiddetli büyüyen olumsuz etkileri ile beraber, optimizasyonun önemi her geçen gün artmaktadır. Bu çalışmanın amacı isomerat ürünündeki oktan değeri ile reaktör sıcaklığı arasında model kurup, bu model doğrultusunda oktan optimizasyonunu sağlamaktır. Geleneksel yöntemlerde reaktör ve oktan arasında model kurulurken, bu çalışmada isomerat networkündeki tüm değişkenler modellemeye katılmıştır. RON değerini etkileyen etkenler üç kategoriye ayrılabilir: sarjdaki safsızlıklar, reaktör operasyonları, ve DIH kolonundaki operasyonlar. Isomerat sarj ağı oldukça komplex bir yapıdan oluşmaktadır; ham petrol ünitelerinden, hydrocracker ve MQD ünitelerinin nafta splitter kolonlarında şarjını alır. İsomerizasyon reaktöründe ise birçok reaksiyon gerçekleşir ve bu reaksiyonların mekanizması da şarj içeriğine göre değişmektedir. Bu çalışmada, modellemeyi gerçekleştirmek için kinetik yöntemler kullanmaktansa makine öğrenmesi kullanılmıştır ve böylelikle reaktör sıcaklığı ile beraber açıklayıcı değişkenler ile RON arasında modelleme kurulmuştur. RON'u tahmin etmek için birçok makine öğrenmesi algoritmasının performansını analiz ettik: Linear Regression, Decision Tree, Random Forest, XGBoost, Support Vector Regression, and KNN. Rafineride en sık kullanılan linear regression'la karşılaştırdığımızda ortalama mutlak hatada (MAE) 0.82 azalma gözlemledik. XGBoost modelimizin test datasındaki MAE'si ise 0.08 olarak bulduk. RON'u etkileyen üç temel kategoriden birini çıkardığımızda MAE'de ciddi artışlar tespit ettik. Örneğin sadece reaktör operasyonlarını kullansaydık, 0.23 MAE elde edebilecektik. Bulduğumuz modelle birlikte, daha yüksek RON elde bilecek sıcaklık değer önerileri elde ettik. Bunu, reaktör sıcaklık değişkeni dışındaki değişkenleri sabit tutup, reaktör sıcaklığına değerler deniyerek sağladık. Önerilen sıcaklık değerini validasyon datamızda kullandığımızda, ortalama 0.2 RON yükselme tespit edeceğimizi gördük. Bunun da yıllık geliri yaklaşık olarak 528 000 Dolardır.
Özet (Çeviri)
Refinery operations are always sensitive to optimization, and due to the increasingly adverse effects of COVID-19 on energy sectors, its importance had increased significantly. This thesis aims to analyze the reactor temperature that yields a higher RON (octane measurement) value in isomerate product by using all available information in the isomerate production network. The main explanatory variables that can affect the RON value can be divided into three categories: feed impurities, isomerization reactor operations, deizohexanizer column operations. Isomerate feed network is quite complex and fed by different crude distillation units, hydrocracker units, and MQD units. Various reactions occur in the isomerization reactors; and depending on the feed content the reaction mechanism changes. In this thesis, we apply machine learning algorithms to build a model that can capture the relationship between RON and reactor temperature with the other explanatory variables. We implemented a number of machine learning algorithms to assess their performance on the problem, specifically Linear Regression, Decision Tree, Random Forest, XGBoost, Support Vector Regression, and KNN. Comparing with the linear regression, we achieved 0.82 decrease in the mean absolute error. The mean absolute error of the XGBoost model is 0.08 RON. The error is significantly increased if we remove one of the three categories from the input space. For example, by using only the reactor operations variable, we could be able to achieve 0.23 MAPE. We find a temperature value with the selected model that yields a higher RON number by trying different temperature values while keeping the same values for the other variables. If we used the suggested temperature by our model, we predict that we could obtain a 0.2 RON increase in the validation zone resulting in annual profit increase of 528 000 USD Dollar.
Benzer Tezler
- EVA (Economic Value Added) ve MVA (Market Value Added): İMKB'deki hisse senedi fiyatları üzerine ekonometrik bir analiz
EVA (Economic Value Added) and MVA (Market Value Added): An empirical analysis of stock prices in Istanbul Stock Exchange
YAKUP ERGİNCAN
- Kalite kontrolunda parametre analizi ve markov zincirlerinin kalite kontrolu problemine bir uygulaması
Parameter analysis in quality control and an application of markov chains to a quality control problem
MÜŞERREF YÜKSEL
- 2018-2023 yılları arasında Türkiye'nin yenilenebilir enerji yatırım portföyünün kurgulanması: Çok amaçlı doğrusal programlama metodu önerisi
Construction of a renewable energy investment portfolio in Turkey (2017-2023): A multi-objective linear programing model proposal
BERKER BAYAZIT
Yüksek Lisans
Türkçe
2018
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU
- Karma Trafikte Otonom Araçların Trafik Davranışı, Güvenlik ve Çevre Üzerindeki Etkisinin Modellenmesi
Modeling the Traffic Behavior, Safety, and Environmental Impact of Autonomous Vehicles in Mixed Traffic
RUBA SAFI ABDULLAH ABDULLAH
Doktora
Türkçe
2026
İnşaat Mühendisliğiİstanbul Gelişim Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA KARAŞAHİN
- Ar-Ge yatırımları ve entelektüel sermaye: BİST'te bir uygulama
R&D and intellectual capital: An application on BIST
FERİDE KOÇ