پيش‌بيني غلظت هيدروژن سولفيد و كربن‌دي اكسيد در واحد شيرين سازي گاز با توسعه مدل شبكه عصبي مصنوعي

Prediction of Hydrogen Sulfide and Carbon Dioxide Concentration in Gas Sweetening Plant by Developing Artificial Neural Network Model

شيرين سازي گاز يك گام اساسي در فرآيندهاي تصفيه گاز براي نگراني‌هاي زيست‌محيطي و ايمني است. يكي از پركاربردترين و شناخته‌شده‌ترين حلال‌ها براي شيرين سازي گاز متيل دي اتانول آمين (‏MDEA)‏ است. يكي از مهم‌ترين معيارها براي اندازه‌گيري اثربخشي واحدهاي تصفيه گاز مقدار گاز اسيدي است كه با محلول MDEA تصفيه‌شده است. در اين مطالعه، روش شبكه عصبي مصنوعي‌(‏ANN)‌‌ ‏براي پيش‌بيني هيدروژن سولفيد و كربن دي‌اكسيد به كار گرفته شد. اين مدل با استفاده از مجموعه داده‌هاي جمع‌آوري‌شده از يك واحد شيرين سازي گاز در مركز ايران كه در مدت شش ماه جمع‌آوري شده بود، ساخته شد و به‌عنوان ورودي به شبكه عصبي مورداستفاده قرار گرفت. داده‌ها شامل غلظت هيدروژن سولفيد و كربن دي‌اكسيد، دبي گاز ورودي، دما گاز، فشار و دماي آمين ورودي است. مدل ANN طراحي‌شده دقت خوبي در مدل‌سازي فرآيند تحت بررسي، نشان داد. نتايج آزمون نشان‌دهنده ضريب تعيين بالا (2‏R) ‏بيشتر از 0.95 است.

Gas sweetening is an essential step in gas treatment processes for environmental and safety concerns. One of the most widely used and well-known solvents for gas sweetening is methyl diethanolamine (MDEA). One of the most important criteria for measuring the effectiveness of gas treatment units is the amount of acid gas treated with MDEA solution. In this study, artificial neural network (ANN) method was used to predict hydrogen sulfide and carbon dioxide This model was built using the data set collected from a gas sweetening unit in the center of Iran, which was collected over a period of six months, and was used as input to the neural network. The data includes hydrogen sulfide and carbon dioxide concentration, inlet gas flow rate, gas temperature, pressure and inlet amine temperature. The designed ANN model showed good accuracy in modeling the process under investigation. The test results show a high coefficient of determination (R2) more than 0.95.