نشریه علمی فرآیند نو

نشریه علمی فرآیند نو

پیشبینی ضخامت بهینه عایق حرارتی لوله و تجهیزات فرآیندی با استفاده از روش های هوشمند

نوع مقاله : ترویجی

نویسندگان
علیرضا باغبان 1
محمدرضا کاظمی 2
1 شرکت ملی مناطق نفتخیز جنوب، مدیریت تولید، امور مهندسی گاز و گازمایع، اهواز، ایران
2 شرکت پتروشیمی بندر امام، مجتمع فرآورش دو، اداره مهندسی فرایند، ماهشهر، ایران
10.22034/farayandno.2025.2045358.1976
چکیده
پیش‌بینی ضخامت عایق‌های حرارتی تجهیزات در صنعت نفت و گاز به عنوان یک عامل کلیدی در بهینه‌سازی عملکرد و کاهش هزینه‌های انرژی شناخته می‌شود. این مطالعه به بررسی استفاده از شبکه‌های عصبی مصنوعی برای پیش‌بینی ضخامت عایق‌های حرارتی می‌پردازد. در این خصوص ابتدا داده های عایق های حرارتی موجود در  استاندارد نفت ایران با کد IPS-E-TP-700، جمع آوری و سپس ضخامت عایق به صورت تابعی از قطر بیرونی، هدایت حرارتی عایق و دمای سطح پیش بینی می گردد. نتایج آماری نشان از دقت بالای روش استفاده شده در پیش‌بینی ضخامت عایق را دارد و مقدار ضریب رگراسیون و درصد خطای نسبی برای داده های تست شده به ترتیب 1/000 و 0.19 می‌باشد. این رویکرد نه تنها به بهینه‌سازی فرآیندهای عایق‌بندی کمک می‌کند، بلکه می‌تواند به کاهش هزینه‌ها و افزایش ایمنی در عملیات صنعتی نیز منجر شود.
کلیدواژه‌ها
شبکه عصبی مصنوعی
عایق
یادگیری ماشین
صنعت نفت و گاز
مدلسازی

موضوعات

عنوان مقاله English

Estimating Economical Thermal Insulation Thickness Using Artificial Intelligence Approach

نویسندگان English

alireza Baghban 1
Mohammadreza Kazemi 2
1 Production Management, Gas & Natural Gas Liquid Engineering Department, National Iranian South Oilfields Company (NISOC), Ahvaz, Iran
2 Process Engineering Department, Bandar Imam Petrochemical Company (BIPC), Mahshahr, Iran
چکیده English

Due to the complexities in industrial processes and the variety of environmental conditions, it is necessary to use advanced methods to determine the insulation thickness. This study examines the use of artificial neural networks to predict the thickness of thermal insulation. In this regard, first, the thermal insulation data available in Iranian Petroleum Standard (IPS) with the code IPS-E-TP-700, is collected, and then the thickness of the insulation is predicted as a function of the outer diameter, thermal conductivity of the insulation and surface temperature. The statistical results show the high accuracy of the method used in predicting the thickness of the insulation, and the value of the regression coefficient and the relative error percentage for the tested data are 1.000 and 0.19, respectively. This approach not only helps to optimize insulation processes, but can also lead to cost reduction and increased safety in industrial operations.

کلیدواژه‌ها English

Artificial neural network
Insulation
Machine learning
Oil and gas industry
Modeling
[1]        Zach J, Hroudová J, Brožovský J, Krejza Z, Gailius A. Development of thermal insulating materials on natural base for thermal insulation systems. Procedia Eng.;57: pp. 94–1288, 2013.
[2]        Villasmil W, Fischer LJ, Worlitschek J. A review and evaluation of thermal insulation materials and methods for thermal energy storage systems. Renew Sustain Energy Rev.;103: pp. 71–84, 2019.
[3] Tychanicz-Kwiecień M, Wilk J, Gil P. Review of high-temperature thermal insulation materials. J Thermophys Heat Transf ;33: pp. 84–271, 2019.
[4]        Abdullaev AR, Zulxumor INQ. A Review On: Analysis Of The Properties Of Thermal Insulation Materials. Am J Interdiscip Innov Res ;3: pp. 27–38, 2021.
[5] Lee SW, Lim CH. Reflective thermal insulation systems in building: A review on radiant barrier and reflective insulation. Renew Sustain Energy Rev;65: pp. 61–643, 2016.
[6]        Standard IP. Engineering standard for thermal insulations. Rep IPS-E-TP-700, Natl Iran Oil Company, Ahwaz, Iran 1996.
[7]        Keçebaş A, Alkan MA, Bayhan M. Thermo-economic analysis of pipe insulation for district heating piping systems. Appl Therm Eng ;31: pp. 37–3929, 2011.
[8] Bahadori A, Vuthaluru HB. A simple correlation for estimation of economic thickness of thermal insulation for process piping and equipment. Appl Therm Eng ;30: pp. 9–254, 2010.
[9] Ahmadi MH, Baghban A, Sadeghzadeh M, Hadipoor M, Ghazvini M. Evolving connectionist approaches to compute thermal conductivity of TiO2/water nanofluid. Phys A Stat Mech Its Appl; pp. 540, 2020.
[10] Dashti A, Raji M, Azarafza A, Baghban A, Mohammadi AH, Asghari M. Rigorous prognostication and modeling of gas adsorption on activated carbon and Zeolite-5A. J Environ Manage ;224: pp. 58–68, 2018.
[11] Baghban A, Kardani MN, Habibzadeh S. Prediction viscosity of ionic liquids using a hybrid LSSVM and group contribution method. J Mol Liq ;236: pp. 452–64, 2017.
[12] Baghban A, Ahmadi MA, Pouladi B, Amanna B. Phase equilibrium modeling of semi-clathrate hydrates of seven commonly gases in the presence of TBAB ionic liquid promoter based on a low parameter connectionist technique. J Supercrit Fluids; pp. 101, 2015.
[13] Eghtedaei R, Sasanipour J, Zarrabi H, Palizian M, Baghban A. Estimation of wax deposition in the oil production units using RBF-ANN strategy. Pet Sci Technol; pp. 35, 2017.
[14] Bahadori A, Baghban A, Bahadori M, Kashiwao T, Ayouri MV. Estimation of emission of hydrocarbons and filling losses in storage containers using intelligent models. Pet Sci Technol; pp. 34, 2016.
[15] Baghban A, Kahani M, Nazari MA, Ahmadi MH, Yan W-M. Sensitivity analysis and application of machine learning methods to predict the heat transfer performance of CNT/water nanofluid flows through coils. Int J Heat Mass Transf ;128: pp. 825–35, 2019.
[16] Mitchell TM. Artificial neural networks. Mach Learn ;45: pp. 81–127, 1997.
[17] Schalkoff RJ. Artificial neural networks. vol. 1. McGraw-Hill New York; 1997.