Energy modeling and saving potential analysis using a novel extreme learning fuzzy logic network: A case study of ethylene industry

مدل سازی جامع انرژی و صرفه جویی در تجزیه و تحلیل بالقوه نقش کلیدی در توسعه پایدار صنعت پتروشیمی پیچیده ایفا می کند. با این حال، مدل سازی انرژی موثر و صرفه جویی در تجزیه و تحلیل بالقوه به دلیل ویژگی های عدم قطعیت، عدم انطباق بالا و سر و صدا داده های جمع آوری شده از تولید عملی دشوار است. برای مقابله با این مشکل، مدل سازی انرژی و صرفه جویی در روش تجزیه و تحلیل پتانسیل را با استفاده از یک شبکه منطقی فازی فراگیر یادگیری پیشنهاد می شود. در روش پیشنهادی، سیستم استنتاج فازی مامدانی و چندین لایه شبکه عصبی مصنوعی پیشنهادی یکپارچه شده اند. اولا داده های اصلی تولید اتیلن به یک شاخص مصرف انرژی جامد متصل می شوند. سپس شاخص به عنوان مقادیر به جای مقادیر دقیق نمایش داده می شود. در نهایت، یک الگوریتم یادگیری افراطی مبتنی بر مور پنروه معکوس برای آموزش مناسب شبکه به کار می رود. سه سطح بهره وری انرژی از کم بهره وری، بهره وری متوسط ​​و کارایی بالا؟ می تواند به طور موثر با استفاده از روش پیشنهادی طبقه بندی شود. برای راندمان کم، متغیرهای معتبر معتبر برای یافتن جهت بهبود بهره وری انرژی و سپس آنالیز پتانسیل صرفه جویی در انرژی پیش بینی شده است. عملکرد و عملی بودن روش پیشنهادی از طریق استفاده از صنعت اتیلن چین تایید شده است. نتایج شبیه سازی نشان می دهد که نمونه های کم کارایی می توانند به طور موثری به نمونه های با کارایی بالا بهبود یابند و پتانسیل صرفه جویی در انرژی از لحاظ کاهش مقدار نفت خام به عنوان 8.82٪ محکوم می شود.