سید رضا نبوی

در این پایان نامه مدل سازی جعبه سیاه (ورودی-خروجی) و بهینه سازی چندهدفه راکتور شکست حرارتی گاز مایع (LPG) مورد بررسی قرار گرفته است. راکتور شکست حرارتی LPG دارای مدل ریاضی پیچیده است به منظور کاهش پیچیدگی مدل و استفاده از آن در بهینه سازی مدلسازی جایگزین انجام شد. مدل جعبه سیاه با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) توسعه داده شد. در این مرحله از داده های حاصل از اجرای مدل ریاضی راکتور شکست حرارتی LPG استفاده شد. برای این منظور ابتدا مدل ریاضی راکتور شکست حرارتی LPG در شرایط عملیاتی مختلف اجرا شده و داده های لازم برای آموزش MLPها فراهم گردید. مدل های جایگزین ساخته شده پس از بررسی و مقایسه با نتایج حاصل از مدل ریاضی در بهینه سازی استفاده شدند. متغیرهای مورد استفاده شامل دبی خوراک، دمای ورودی، دمای خروجی کویل، فشار خروجی کویل و نسبت بخار به خوراک است. در مرحله بعد از دو الگوریتم بهینه سازی NSGA-II و MOPSO به منظور بهینه سازی چندهدفه راکتور شکست حرارتی استفاده شد. بهینه سازی تولید سالانه اتیلن و پروپیلن، زمان عملیات، انرژی مصرفی سالانه، انتخاب گری اتیلن و شدت شکست به عنوان توابع هدف مد نظر قرار گرفتند. نتایج نشان داد که استفاده از شبکه عصبی MLP بجای مدل ریاضی سرعت دست یابی به مجموعه جواب های بهینه از 5 روز به 248 ثانیه کاهش می یابد. در ادامه عملکرد الگوریتم MOPSO و NSGA-II در بهینه سازی توابع نیز با یکدیگر مقایسه شدند. در اکثر موارد مجموعه جواب های بهینه بدست آمده از الگوریتم MOPSO دارای تنوع و گستردگی بیشتری نسبت به الگوریتم NSGA-II است این مورد در بهینه سازی های سه هدفه بیشتر مشاهده می شود. مقادیر اتیلن و پروپیلن تولیدی برای الگوریتم MOPSO در محدوده ی 43-28 و 17-23 کیلو تن در سال و برای الگوریتم NSGA-II در محدوده ی 41-29 و 2/16-23 کیلو تن در سال بدست آمد. همچنین الگوریتم MOPSO نسبت به الگوریتم NSGA-II از سرعت بالاتری در رسیدن به مجموعه جواب-های بهینه برخوردار است.