اقبال احمدی, محمدحسین, روئیایی, سیدجاوید, طیبی, شکوفه. (1397). مدلسازی فرآیند تبخیر ناگهانی با استفاده از روش فازی ممدانی و مفهومی جدید به‌نام ترکیب درصد فازی. پژوهش نفت, 28(97-3), 71-83. doi: 10.22078/pr.2018.3084.2422
محمدحسین اقبال احمدی; سیدجاوید روئیایی; شکوفه طیبی. "مدلسازی فرآیند تبخیر ناگهانی با استفاده از روش فازی ممدانی و مفهومی جدید به‌نام ترکیب درصد فازی". پژوهش نفت, 28, 97-3, 1397, 71-83. doi: 10.22078/pr.2018.3084.2422
اقبال احمدی, محمدحسین, روئیایی, سیدجاوید, طیبی, شکوفه. (1397). 'مدلسازی فرآیند تبخیر ناگهانی با استفاده از روش فازی ممدانی و مفهومی جدید به‌نام ترکیب درصد فازی', پژوهش نفت, 28(97-3), pp. 71-83. doi: 10.22078/pr.2018.3084.2422
اقبال احمدی, محمدحسین, روئیایی, سیدجاوید, طیبی, شکوفه. مدلسازی فرآیند تبخیر ناگهانی با استفاده از روش فازی ممدانی و مفهومی جدید به‌نام ترکیب درصد فازی. پژوهش نفت, 1397; 28(97-3): 71-83. doi: 10.22078/pr.2018.3084.2422
مدلسازی فرآیند تبخیر ناگهانی با استفاده از روش فازی ممدانی و مفهومی جدید به‌نام ترکیب درصد فازی
در این مقاله روشی جدید برای مدلسازی به کمک منطق فازی با دیدگاه ممدانی معرفی می‌شود که در آن از مفهومی نوین به نام ترکیب درصد فازی استفاده شده است. متغیر ترکیب درصد فازی تلاش می‌کند متغیرهای ترکیب درصد فرآیند را ادغام و تحت یک متغیر ارائه نماید. بدینترتیب، یکی از مشکلات روش ممدانی که تعداد قوانین بالای آن می‌باشد، تا حد زیادی برای برخی سیستم‌ها مرتفع می‌شود. بهکمک روش پیشنهادی می‌توان بسیاری از فرآیندهای پیچیده با تعداد متغیر زیاد که متغیر ترکیب درصد در بین آنها دیده می‌شود را با دقت مناسبی مدل کرد، بدون اینکه وارد پیچیدگی‌های حل انواع گوناگون معادلات ریاضی و محاسبه پارامترهای مختلف شد. برای نشان دادن قابلیت‌های روش، آن را برای مدلسازی فازی تبخیر ناگهانی یک برش نفتی استفاده کرده و نشان داده شده که می‌توان با دقت بالای 85% و با تعداد قوانین کاهش یافته، خروجی‌های مدل در نظر گرفته شده را بدون انجام بهینه‌سازی پیش‌بینی کرد.
Mamdani Fuzzy Modeling of Flash Vaporization Using a New Concept: Fuzzy Composition Variable
نویسندگان [English]
Mohammad Hosein Eghbal Ahmadi؛ Sayed Javid Royaee؛ Shokoufe Tayyebi
Petroleum Refining Technology Development Division, Research Institute of Petroleum Industry (RIPI), Tehran, Iran
چکیده [English]
In this paper, a novel modeling method is presented using Mamdani fuzzy approach by introducing a new fuzzy concept, named Fuzzy Composition Variable. Fuzzy Composition Variable tries to combine the mole (or mass) fraction variables of the model in one variable. This variable tackles the problem of a high number of fuzzy rules when using Mamdani approach. The proposed method is capable of modeling complex systems with a large number of variables (including molar composition) with an acceptable performance, bypassing solving various types of mathematical equations governing the system and calculating several parameters. To demonstrate the capabilities of the proposed approach, it was implemented to modeling the equilibrium flash separation of crude oil. The overall prediction accuracy of the model (with a manageable number of rules) was obtained more than 85%, without using an optimization procedure.
[1]. Matía, F., Marichal, G.N. and Jiménez, E. eds., “Fuzzy modeling and control: theory and applications,” Atlantis Press, 2014. ##
[2]. Madaeni S. S. and A. R. Kurdian., “Fuzzy modeling and hybrid genetic algorithm optimization of virus removal from water using microfiltration membrane,” Chemical Engineering Research and Design, Vol. 89, No. 1, pp. 456-470. 2011. ##
[3]. Nelles Oliver, “Nonlinear system identification: from classical approaches to neural networks and fuzzy models,” Springer Science & Business Media, 2013. ##
[4]. Takagi T. and Sugeno M., “Fuzzy identification of systems and its applications to modeling and control,” IEEE transactions on systems, man, and cybernetics, Vol. 1, pp.116-132, 1985. ##
[5]. Mamdani E. H. and Assilian S., “An experiment in linguistic synthesis with a fuzzy logic controller,” International Journal of Man-machine Studies, Vol. 7, No. 1, pp.1-13, 1975. ##
[6]. Adoko A. C., Gokceoglu C., Wu L. and Zuo Q. J., “Knowledge-based and data-driven fuzzy modeling for rockburst prediction,” International Journal of Rock Mechanics and Mining Sciences, Vol. 61, pp. 86-95, 2013.##
[7]. Cordón O., “A historical review of evolutionary learning methods for Mamdani-type fuzzy rule-based systems: Designing interpretable genetic fuzzy systems,” International Journal of Approximate Reasoning, Vol. 52, No. 6, pp.894-913, 2011. ##
[8]. Araromi D. O., Sonibare J. A. and Emuoyibofarhe J. O, “Fuzzy identification of reactive distillation for acetic acid recovery from waste water,” Journal of Environmental Chemical Engineering, Vol. 2, No. 3, pp.1394-1403, 2014.##
[9]. Krzywanski J. and Nowak W., “Modeling of bed-to-wall heat transfer coefficient in a large-scale CFBC by fuzzy logic approach,” International Journal of Heat and Mass Transfer, Vol. 94, pp.327-334, 2016. ##
[10]. Štampar S., Sokolič S., Karer G., Žnidaršič A. and Škrjanc I., “Theoretical and fuzzy modelling of a pharmaceutical batch reactor,” Mathematical and Computer Modelling, Vol. 53, No. 5, pp. 637-645, 2011.##
[11]. Ahmadi M. A. and Ebadi M., “Fuzzy modeling and experimental investigation of minimum miscible pressure in gas injection process,” Fluid Phase Equilibria, Vol. 378, pp.1-12, 2014. ##
[12]. Zimmermann H. J., “Fuzzy set theory,” Wiley Interdisciplinary Reviews: Computational Statistics, Vol. 2, No. 3, pp. 317-332, 2010. ##
[13]. Frick T. C. ed, “Petroleum production handbook: reservoir engineering,” Vol. 2, McGraw-Hill, 1962. ##
[14]. Pedrycz W., “Why triangular membership functions?,” Fuzzy sets and Systems, Vol. 64, No. 1, pp. 21-30, 1994.##
[15]. Dyck R., Sadiq R., Rodriguez M., Simard S. and Tardif R., “A comparison of membership function shapes in a fuzzy-based fugacity model for disinfection byproducts in indoor swimming pools,” International Journal of System Assurance Engineering and Management, Vol. 8, No. 4, pp.2051-2063, 2017.##
ابتدای صفحه