Taburan hasil produk dari pemecahan ethana ditentukan melalui persampelan makmal dan alat penganalisis unsur untuk mengukur tahap pemecahan. Disebabkan alat penganalisis unsur mengambil masa untuk menghasilkan keputusan, hanya bergantung kepada alat penganalisis dan analisis makmal untuk menentukan hasil produk utama akan melambatkan tindakan kawalan segera kepada proses. Untuk menyelesaikan masalah ini, penderia penganggaran diperlukan. Dalam kajian ini, model penganggaran berdasarkan rangkaian neural telah dibangunkan
Proses pemecahan steam etana telah dimodelkan menggunakan ASPEN Plus dan disahkan dengan data industri yang diambil dari kepustakaan. Ralat relatif untuk keluaran model tersebut adalah kurang dari 10%. Model ASPEN Plus tersebut digunakan untuk pemilihan input, penilaian tidak-linear, dan penjanaan data untuk permodelan rangkaian neural. Pemilihan input menunjukkan yang lima pembolehubah memberi kesan yang penting kepada pengeluaran ethana dan etilina. Lima pembolehubah tersebut adalah tekanan reaktor, suhu keluaran reaktor, nisbah wap dan hidrokarbon, komposisi bahan masuk, dan komposisi bahan bakar. Penilaian ciri-ciri tidak linear proses tersebut menunjukkan yang proses itu mempunyai tidak balas yang tidak simetri dan mempunyai ciri-ciri kepelbagaian input. Oleh itu, proses ini boleh dikategorikan sebagai proses yang tidak linear. Data yang dijana dari model ASPEN Plus digunakan untuk latihan, pengesahan, dan ujian. Dua kaedah telah digunakan untuk menghasilkan data tersebut iaitu secara
berturutan dan secara serentak. Empat pembolehubah diuji secara berturutan dan digabungkan menjadi profil berturutan. Data itu dibahagikan kepada bahagian untuk latihan dan pengesahan, dan data yang dihasilkan serentak digunakan untuk ujian. Tiga model rangkaian neural, iaitu Rangkaian Neural Suap-depan (FFNN), Rangkaian Neural Regresi Teritlak (GRNN), dan Rangkaian Neural Mesin Pembelajaran Ekstrim (ELM-NN), telah dibangunkan dan dinilai melalui ketepatan ramalan dan masa pengiraan. Keputusan penilaian menunjukkan yang ketepatan ramalan ELM-NN adalah lebih tinggi dari FFNN dan GRNN. Untuk latihan pula, model terbaik untuk ELM-NN, GRNN, dan FFNN memerlukan masa 0.0068 saat, 0.35 saat, dan 12 saat setiap satu. Dari segi masa pengiraan untuk sampel data yang terbaru, ketiga-tiga model memerlukan kurang dari 0.05 saat untuk mengira satu sampel data. Walaupun begitu, masa pengiraan untuk model GRNN yang telah dilatih meningkat secara eksponen dengan peningkatan jumlah sampel data manakala model FFNN dan model ELM-NN yang dilatih tidak menunjukkan peningkatan masa pengiraan yang ketara, Dari tiga model ini, ELM-NN memberi prestasi terbaik dari segi ketepatan ramalan dan masa pengiraan. Nilai R2 untuk model ELM-NN adalah 91.3% dan 82.6% untuk ethana dan etilina setiap satu. Model tersebut memerlukan 0.0068 saat untuk latihan dan juga 0.0001 saat untuk mengira hasil ethana dan etilina dari data input yang baru. Ini membuatkan model tersebut sesuai untuk digunakan dalam aplikasi system kawalan penganggaran masa nyata. __________________________________________________________________________
The product yield distribution of ethane steam cracking is typically obtained using analysers and lab sampling. Since both methods take time to produce results, primarily depending on them to determine main product yield will hinder immediate control action on the process. In order to resolve this issue, an inferential sensor is required. In this study, a neural network based inferential model is developed. The ethane steam cracking process has been modelled using ASPEN Plus and validated with industrial data taken from literature. The relative error (RE) of the model outputs obtained are less than 10%. The ASPEN Plus model is used for input variable selection, nonlinearity assessment, and data generation for neural network modelling. The input variable selection study found that five variables are significantly influential to the ethane and ethylene yields, namely reactor pressure, coil outlet temperature, steam-hydrocarbon ratio, feed composition, and fuel composition. Nonlinearity assessment of the process shows that the process exhibit asymmetrical response and input multiplicities characteristics, and thus, can be classified as a nonlinear process. Data generated from the ASPEN Plus model is used for training, validation, and testing. Two methods have been used to generate the data which are sequential excitation and simultaneous excitation. Four variables are individually excited and combined to make a sequential excitation profile. Data from sequential excitation is divided into training and validation while data from simultaneous excitation is used solely for testing. Three neural network model, namely the Feedforward Neural Network (FFNN), the Generalized Regression Neural Network (GRNN), and the Extreme Learning Machine Neural Network (ELM-NN) are developed and they are evaluated in terms of prediction accuracy and computational time. The evaluation results show that ELM-NN prediction accuracy is higher than FFNN and GRNN. To train, the best model for ELM-NN, GRNN, and FFNN models require 0.0068 seconds, 0.35 seconds, and 12 seconds respectively. In terms of computation time of new set of input data sample, all three models require less than 0.05 seconds to compute one sample of data. However, computation time of the trained GRNN model increases exponentially with the increasing amount of data samples in a batch while for trained FFNN and trained ELM-NN model, the increment is not significant.
Out of the three models, the ELM-NN gives the best performance in terms of prediction accuracy and computational time. The R2 of the ELM-NN model is 91.3% and 82.6% for ethane and ethylene yield respectively. The model requires 0.0068 seconds to train and 0.0001 seconds to compute ethane yield and ethylene yields from a new set of input data. This makes the model suitable for applications in real time inferential control system.
Neural network based inferential model for ethane steam cracking furnace_Mohd Nazarudin Rosli_K4_2019_MYMY