بكارگيري شبكه عصبي،‌مدلسازي آماري و الگوريتم بهينه سازي SQP در مدلسازي و بهينه سازي عملياتي واحد كت كراكر پالايشگاه آبادان

Application of Neural Network, statistical modeling and SQP algorithms in Modeling and Optimization of Abadan fluid catalytic cracking unit

در اين تحقيق ‌براي روشن شدن تاثير متغيرهاي ورودي مهم فرآيندي كه شامل دماي راكتور، ‌دماي قسمت بالاي برج جداساز، ‌شدت جريان خوراك و دماي پايين برج بوتان زدا بودند بر متغيرهاي خروجي مقدار بنزين توليدي،‌گاز مايع،‌عدد اكتان و درصد تبديل محصولات از شبكه عصبي و مدلهاي آماري استفاده شد . با توجه به كارآيي هريك از اين دوروش، شبكه عصبي به عنوان مدل مناسب انتخاب شده و مقدار خطاي آن كمينه شد. براساس مدل انتخاب شده و بكارگيري الگوريتم بهينه سازي SQP شرايط مناسب عملياتي براي بيشينه شدن توليد بنزين مشخص شد،‌براين اساس در دماي راكتور ºC 524، شدت جريان خوراك 43000 بشكه درروز،‌ دماي قسمت بالاي برج جداساز برابر با ºC 138،‌دماي قسمت پايين برج بوتان زدا برابر با ºC 179 مقدار بنزين در حداكثر مقدار خود يعني 22575 بشكه درروز خواهد بود.

Many decades after innovation and development of FCC process, the impact of this process on production of gasoline in refinery complexes is still highlighted. In this research, to determine effects of input variables such as reactor temperature, the temperature of the top of fractionator column, the temperature of bottom of debutanizer on gasoline and LPG flowrates, RON and conversion of the process ANN and statistical modeling methods were applied. Based on the applicability and reliability of two methods, the ANN model was chosen as the suitable model. By application of SQP algorithm and utilizing the developed model, the optimum conditions were determined. So, the optimum reactor temperature, feed flow rate, the temperature of the top of fractionator column, the temperature of debutanizer column are respectively 524ºC, 43000 bbl/day,138ºC and 179ºC. The maximum obtained gasoline production under the optimum condition is 22575 bbl/day.