مدلسازي فرايند جداسازي آب از نفت خام با استفاده از تعليق شكن طبيعي برگ نيلوفر آبي با بكارگيري تكنيك ANFIS

Modeling the process of water separation from crude oil using natural water lotus leaf suspension by using ANFIS technique

در تحقيق پيش رو تلاش شد فرايند امولسيون زدايي آب از نفت خام به كمك برگ طبيعي نيلوفر آبي با استفاده از تكنيك هوش مصنوعي مدل شود. به طور معمول مدلسازي سيستم فازي_عصبي تطبيقي (ANFIS ) به منظور دستيابي به روابط پيچيده بين داده ها، تشخيص الگو هاي رفتار فازي، بهينه سازي فرايند ها و... بسيار كمك كننده مي باشد، زيرا با داده هاي به دست آمده از آزمايشگاه به كمك نرم افزار مي توان به راحتي مدلسازي مورد نظر را انجام داد. مدل پيشنهادي ANFIS به منظور تعيين همبستگي بين راندمان تعليق شكني و پارامترهاي ورودي يعني غلظت تعليق شكن، زمان تعليق شكني و دما اجرا شد. از معيارهاي ارزيابي شامل ضريب همبستگي (R2) ، ريشه ميانگين مربعات خطا (RMSE) و ميانگين قدر مطلق خطا (MAE) به منظور بررسي كارايي تكنيك به كار رفته از هوش مصنوعي استفاده شد. بين مقادير پيش بيني شده و اندازه گيري شده همبستگي بسيار خوبي مشاهده شد و همچنين توانايي پيش بيني و تعميم بالاي مدل مشاهده مي شود كه نشان از دقت و صحت مدل مورد نظر دارد.

In the upcoming research, it was tried to model the process of demulsification of water from crude oil with the help of natural lotus leaf using artificial intelligence technique. Normally, the modeling of fuzzy-adaptive neural system (ANFIS) is very helpful in order to achieve complex relationships between data, recognize fuzzy behavior patterns, optimize processes, etc., because with the data obtained from the laboratory With the help of the software, the desired modeling can be done easily. The proposed ANFIS model was implemented in order to determine the correlation between suspension breaking efficiency and input parameters, namely suspension breaking concentration, suspension breaking time and temperature. Evaluation criteria including correlation coefficient (R2), root mean square error (RMSE) and mean absolute value of error (MAE) were used to evaluate the efficiency of the artificial intelligence technique. A very good correlation was observed between the predicted and measured values, as well as the high prediction and generalization ability of the model, which shows the accuracy and correctness of the model.