این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش نفت، جلد ۲۳، شماره ۷۵، صفحات ۱۰۲-۱۱۶
عنوان فارسی ارائه روش ترکیبی پیش پردازش داده‌ها در ماشین بردار رگرسیون جهت پیش‌بینی کیفیت گازوییل پالایش شده
چکیده فارسی مقاله از آنجا که دقت داده‌ای اندازه گیری شده فرآیندی در پیش‌بینی کیفیت محصولات بسیار مهم است، در این تحقیق بر روی پیش پردازش داده‌ها تمرکز گردید. برای این منظور حسگر مجازی برای تعیین کیفیت گازوییل خروجی از پایلوت تصفیه هیدروژنی طراحی شد. طراحی حسگر مجازی بر اساس یکی از روش‌های جدید یادگیری ماشین به نام ماشین‌بردار رگرسیون انجام گردید. برای پیش پردازش داده‌ها از تکنیک ترکیبی به صورت پشت سر هم متشکل از آنالیز موجک و کوانتیزاسیون‌برداری به منظور حذف خطاهای تصادفی، متراکم‌سازی داده‌ها و چشم‌پوشی از داده‌هایی که شباهت کمتری به سایر داده‌ها دارند، استفاده گردید. روش‌های متفاوتی از آنالیز موجک برای حذف خطاهای تصادفی به کار برده شد و بهترین روش انتخاب گردید. آزمایشات حذف خطاهای تصادفی با استفاده از آنالیز موجک با تابع پایه هار و دابیچز و با الگوریتم‌های انتخاب آستانهHeursure ،RigrsureMinimaxiو Sqtwolog انجام شد. مقایسه نتایج نشان داد که روش Db4 به همراه روش آستانه‌گیری Rigrsure بهترین نتایج حذف خطا را به دنبال دارد. با استفاده از این روش مقدار عددی AARE و RMSE نسبت به انواع دیگر تابع موجک بهتر است. همچنین، معیار عملکردی AARE برای سنجش دقت پیش‌بینی مدل ماشین بردار رگرسیون استفاده گردید. مقدار AARE برابر 053/0 به دست آمد که نشان‌دهنده دقت بالای مدل در پیش‌بینی غلظت گوگرد خروجی از رآکتور می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی An Integrated Method of Data Pre-processing in Support Vector Regression for the Quality Prediction of Treated Gas-oil
چکیده انگلیسی مقاله The accuracy of the measured data is very important for better quality prediction by soft sensors. In order to determine the quality of the treated gas oil, a soft sensor is designed. The soft sensor design is based on a new machine learning technique called support vector regression (SVR). An integrated technique was developed for data preprocessing. In this technique, wavelet analysis and vector quantization were being used sequentially for random error elimination, data compression, and unusual data omitting. Different methods of wavelet analysis were used to remove the random errors and the best method was selected. Random errors were deleted using Harr and Daubechies basis function where Rigrsure, Minimaxi, Heursure, and Sqtwolog were the threshold algorithms. The results showed that the db4 basis function with Rigrsure threshold algorithms provided the best results for error removal. AARE and RMSE for this method was better than the other types of wavelet functions. Additionally, the results of SVR training based on the pilot plant data showed AARE of 0.053. This showed the high accuracy of the SVR model for predicting treated gas oil quality.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله
نشانی اینترنتی http://pr.ripi.ir/article_317_57.html
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1344/article-1344-236763.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات