یک چارچوب یادگیری ماشین هیبرید مبتنی بر فیزیک دو مرحلهای برای پیشبینی افت فشار دینامیک در اسکرابرهای صنعتی بستر پرشده
یک چارچوب یادگیری ماشین هیبرید مبتنی بر فیزیک دو مرحلهای برای پیشبینی افت فشار دینامیک در اسکرابرهای صنعتی بستر پرشده
پریسا عابری ذاکر1 آیداالسادات انتظاری2
1) کارشناس ارشد تحقیق و توسعه،گروه صنعتی سانا
2) مدیر تحقیق و توسعه، گروه صنعتی سانا عایق،
کد IOI مقاله
:
ACCD-ACZDCC
محل انتشار :
دهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com)
چکیده :
پیشبینی افت فشار دینامیکی (ΔP) در اسکرابرهای تر بستر پر شده تحت شرایط بهرهبرداری صنعتی، به دلیل عواملی نظیر گرفتگی بستر، رسوب ترکیبات آلی فرار (VOC) و رفتار پیچیده و غیرخطی جریان سیال، همچنان یک چالش محسوب میشود. مدلهای هیدرودینامیکی متداول که صرفاً بر روابط تجربی مبتنی بر اصول اولیه، مانند معادله ارگان، متکی هستند، در شرایط بهرهبرداری بلندمدت دقت خود را از دست میدهند؛ زیرا تخریب تدریجی پکینگ و رسوب پلاستیسایزرها موجب تغییر کسر فضای خالی (ε) در طول زمان میشود. از سوی دیگر، الگوریتمهای استاندارد یادگیری ماشین جعبه سیاه، از نظر تفسیرپذیری فیزیکی محدود بوده، در معرض خطر نشت داده قرار دارند و ممکن است در شرایط عملیاتی جدید عملکرد مناسبی نداشته باشند.
در این مطالعه، یک چارچوب دو مرحلهای یادگیری ماشین هیبریدی مبتنی بر فیزیک برای مدلسازی دینامیک افت فشار طی یک چرخه بهرهبرداری 600 ساعته توسعه داده شده است. در مرحله اول، یک موتور هیدرودینامیکی مبتنی بر اصول اولیه، دینامیک انتقال کوپلشده، افت هد ویسکوز-اینرسی ناشی از بستر پکینگ بر اساس معادله ارگان، مقاومت پد قطرهگیر (Demister Pad) و نقطه تعادل عملکرد فن را مدلسازی میکند. در مرحله دوم، الگوریتمهای یادگیری ماشین برای یادگیری باقیمانده بین پیشبینیهای مدل فیزیکی و اندازهگیریهای واقعی حسگرها آموزش داده میشوند.
به منظور تضمین قابلیت اطمینان مدل، دادهها به صورت غیرنشتی و با تقسیمبندی 60 درصد برای آموزش، 20 درصد برای اعتبارسنجی و 20 درصد برای آزمون تفکیک شدند. در میان تمامی الگوریتمهای ارزیابیشده، شبکه عصبی هیبریدی (HNN) بهترین عملکرد را نشان داد و ضریب تعیین (R²) را در دادههای آزمون از 0.9260 برای مدل صرفاً فیزیکی به 0.9731 افزایش داد. همچنین، روش پیشنهادی موجب کاهش 39.7 درصدی خطای جذر میانگین مربعات (RMSE)، از 52.00 پاسکال به 31.36 پاسکال، شد.
این رویکرد، یک معماری دوقلوی دیجیتال (Digital Twin) برای پایش بلادرنگ عملکرد تجهیز صنعتی و نگهداری و تعمیرات پیشبینانه ارائه میکند.
کلمات کلیدی : اسکرابر بستر پرشده یادگیری ماشین مبتنی بر فیزیک یادگیری باقیمانده معادله ارگون