111
metanol beslemesi ayrı ayrı azaltıldığında üst üründeki metil asetat kütle kesrinin azaldığı gözlenmiştir.
Deneysel çalışmalar ve ChemCad‟te yapılan teorik çalışmalardaki verilerle MATLAB
Yapay Sinir Ağı araç kiti kullanılarak yapay sinir ağı oluşturulmuştur. Ağ oluşturulurken NARX ağ tipi ve 20 gizli katman kullanılmıştır. Bu ağ eğitilerek
minimum hata verdiği eğitim sonucu kabul edilmiştir. Yapay Sinir Ağı eğitiminden elde
edilen çıktılar (metil asetat kütle kesri) ile deneysel-ChemCad benzetim sonuçları kıyaslanmış ve sonuçların birbirlerine yakın olduğu görülmüştür. Eğitilen Yapay Sinir
Ağı ile yine aynı araç kiti ile simülasyon yapılmıştır. Simülasyon sonuçları ile eğitim ve deney-ChemCad simülasyon sonuçları birlikte değerlendirilmiş ve elde edilen kütle kesri sonuçlarının birbirine yakın olduğu ve benzetimin başarılı olduğu gözlenmiştir.
Tepkimeli damıtma kolonunun Yapay Sinir Ağı ile benzetimi başarılı olmuştur.
Sistemin iletim fonksiyonlarının bulunması için MATLAB Sistem Tanımlama Araç Kutusu kullanılmıştır. Sistemin 1. dereceden ölü zamanlı bir iletim fonksiyonunun olduğu varsayılmış ve hesaplamalar buna göre yapılmıştır. Dolaylı kontrol için gerekli olan sıcaklık ve kütle kesrinin ayar değişkeni R ile olmak üzere iki adet proses iletim fonksiyonu; yine sıcaklık ve kütle kesrinin düzensizlik değişkeni Q ile olmak üzere iki adet düzensizlik iletim fonksiyonları hesaplatılmıştır.
Sistemin kontrolü için ilk önce PID kontrol edici kullanılmıştır. NN NARMA-L2 kont-rol edici ile karşılaştırma yapılabilmesi için öncelikle PID kontkont-rol edici bulunan dolaylı
kontrol sistemi MATLAB SIMULINK benzetimi yapılmıştır. PID kontrol edicinin parametreleri „‟Tune‟‟ sekmesi ile ayarlanmıştır. Dolaylı kontrol sistemine set noktası
değişimi (servo) kontrolü ve düzensizlik (regulatory) kontrol uygulanmış ve genel olarak stabil yanıtımlar elde edilmiştir. Üst ürün sıcaklığı ve üst ürün metil asetat kütle kesrinin istenilen seviyelerde kontrolünün başarılı olduğu gözlemlenmiştir. PID kontrol
edici kontrol performanslarının değerlendirilmesi için IAE ve ISE değerleri hesaplatılmıştır. IAE değerleri sırasıyla 10,41, 9,188, 8,848, 15,49, 10,34 ve 10,11
çıkmıştır. ISE değerleri ise sırasıyla 5,138, 2,423, 3,842, 7,421, 5,307 ve 5,296 çıkmıştır.
112
Sonrasında sistemin MATLAB SIMULINK programında NN NARMA-L2 kontrol algoritması ile kontrolü sağlanmıştır. İlk önce NN NARMA-L2 kontrol edicinin eğitimi yapılmıştır. Dolaylı kontrol sistemine set noktası değişimi (servo) kontrolü ve düzensizlik (regulatory) kontrol uygulanmış ve genel olarak stabil yanıtımlar elde
edilmiştir. NARMA-L2 algoritmasının kontrol sonucu gözlemlendiğinde kontrol edicinin hiçbir kontrol parametresi ayarı yapılmadan sistemi kontrol ettiği ve sistemi
yatışkın koşula getirdiği görülmüştür. Kontrol performansları hesaplatılarak PID kontrol performansı ile kıyaslanmıştır. NARMA-L2 kontrol edici ile kontrolde IAE değerleri sırasıyla 8,381, 7,522, 7,124, 12,37, 8,327 ve 7,856 çıkmıştır. ISE değerleri ise sırasıyla
4,29, 1,907, 3,041, 5,657, 4,181 ve 4,065 çıkmıştır. Yapay Sinir Ağı NARMA-L2 kontrol edici kontrol performansının PID kontrol edici performansından daha iyi olduğu
görülmektedir.
Deneysel çalışmalardan ve teorik ChemCad benzetim çalışmalarından elde edilen geri akma oranı, besleme akış hızları, besleme mol oranları ve düzensizlik olarak kazana verilen ısı verileri kullanılarak üst ürün sıcaklığı kontrol edilmiş, ürün bileşimleri YSA ile tahmin edilerek dolaylı kontrolü yapılmıştır. Tepkimeli damıtma kolonunun dolaylı kontrolü için MATLAB Yapay Sinir Ağı NARMA-L2 kontrol algoritması uygundur ve bu sistem için PID kontrol ediciden daha yüksek performans sağlamıştır.
Bu tezde, Ankara Üniversitesi Kimya Mühendisliği Bölümü Proses Simülasyon Laboratuvarında hazır bulunan laboratuvar ölçekli tepkimeli dolgulu damıtma kolonu
kullanılmıştır. Bu tez ile birlikte deneysel çalışmalar laboratuvar ölçekli cam tepkimeli damıtma kolonunda yapılmış ve sistem kontrolleri MATLAB SIMULINK programında benzetimle yapılmıştır. Bu sistemde ilk defa dolaylı kontrol uygulanmış ve kontrol edici olarak yapay sinir ağı bazlı kontrol edici olan NARMA-L2 kontrol edici kullanılmıştır.
113 KAYNAKLAR
Anonymous. 2020d. Web sitesi: https://towardsdatascience.com/introduction-to-artificial-neural-networks-ann1aea15775ef9. Erişim tarihi: 10.01.2020
Anonymous. 2020e. Web sitesi: https://futurism.com/how-do-artificial-neural-networks-learn. Erişim tarihi: 10.01.2020
Anonymous. 2019a. Web sitesi: https://www.sigmaaldrich.com/catalog/ product/ ald-rich/ 224359?lang=en®ion=TR. Erişim tarihi: 13/03/2019
Anonymous. 2019b. Web sitesi: http://www.wikizeroo.net/index.php?q=a
HR0cHM6Ly9lbi53aWtpcGVkaWEub3JnL3dpa2kvSW9uLWV4Y2hhbmdlX3J lc2lu/. Erişim tarihi: 13/03/2019
Anonymous. 2020a. Web sitesi: https://www.britannica.com/technology/artificial-intelligence/The-Turing-test. Erişim tarihi: 10.01.2020
Anonymous. 2020b. Web sitesi: https://www.newworldencyclopedia.org/entry/ Ar-tificial _intelligence. Erişim tarihi: 10.01.2020
Anonymous. 2020c. Web sitesi: https://searchenterpriseai.techtarget.com/definition/AI-Artificial-Intelligence. Erişim tarihi: 10.01.2020
CHEMCAD v6.5.6. 2014. Chemstation Inc.. 3100 Wilcrest Drive Suite 300 Houston TX 77042.
Dipolay. d.. and Patle. D. S.. 2010. Sensivity analysis of steady-state methyl acetate synthesis reactive distillation column using Aspen Plus. The IUP Journal of Sci ence&Technology 6. 24-36.
G.P. Distefano. 1968. Mathematical modeling and numerical integration of multi-component batch distillation equation. AIChE J. 14(1) 176.
Giwa. A.. 2012. Etil Asetat Üretiminin Yapılacağı Tepkimeli Damıtma Kolonunun Çok Değişkenli Ayırımlı Model Öngörmeli Denetimi. Ankara Üniversitesi. Fen Bilimleri Enstitüsü. Ankara.
Günay. S.. Aladağ. Ç. H.. Eğrioğlu. E. 2012. Tek Değişkenli Zaman Serileri Analizine Giriş. Hacettepe Üniversitesi Yayınları. 230. Ankara.
Hiller. C.. Meier. R.. Niggemann. G.. Rix. A.. 2015. Distillation in Special Chemistry.
Chem. Eng. Res. Des. 99. 220-227.
Jana. A. K.. Banerjee. S.. 2018. Neuro Estimator-based Inferential Extended Generic Model of a Reactive Distillation Coloumn. Chem. Eng. Res. Des. 130. 284-294.
Kano. M.. Showchaiya. N.. Hasebe. S.. Hashimoto. I.. 2002. Inferential Control of Distiallation Compositions: Selection of Model and Control Configuration.
Chem.Eng. Prac. 11. 927-933.
Kumar. M. P. V.. and Kaistha. N.. 2007. Temperature bazed inferential control of a methyl acetat reactive distillation column. Chem. Eng. Research and Design 85(A9) 1268-1280.
114
Kumar. M. P. V.. and Kaistha. N.. 2009. Evaluation of ratio control schemes in a two-temperature control structure for a methyl acetate reactive distillation column.
Chem. Eng. Research and Design 87. 216-225.
Kumar. M. V. P.. Kaistha. N.. 2008. Decentralized control of a kinetically controlled ideal reactive distillation column. Chem. Eng. Science 63. 228-243.
Li. L.. Sun. L.. Wang. J.. Zhai. J.. Liu. Y.. Zhong. W.. Tian. Y.. 2015. Design and Cont-rol of Different Pressure Thermally Coupled Reactive Distillation for Methyl Acetate Hydrolysis. Industrial & Engineering Chemistry Research. 54.
12342−12353.
Mathew. A. K.. Kumar. M. V. P.. 2017. Estimator Based Inferential Control of an Ideal Quaternary Endothermic Reactive Distillation with Feed-Forward and Recur rent Neural Networks. Chemical Product and Prosess Modeling. 101515.
MATLAB R2015b. 2015. The MathWorks. Inc.. Apple Hill Drive. Natick. MA.
Öztemel. Ercan. Prof. Dr. 2003. Yapay Sinir Ağları. Papatya Yayıncılık Eğitim. 232.
İstanbul.
Rushdi. S. A.. Mahdi. T.. 2016. Multilayer Perceptron prediction for the Production of Methyl Acetate via Reactive Distillation. Journal of Babylon Univer sity/Engineering Sciences/ No.(4)/ Vol.(24)
Sakhre. V.. Jain. S.. Sapkal. V. S.. Agarwal. D. P.. 2016. Modified neural network ba-sed cascaded control for product composition of reactive distillation. Polish Jo-urnal of Chemical Technology. 18. 2. 10.15P1o5l/.p jJc. t-C2h0e1m6-.0 0T3ec7h.
Sharon. H.. Jyaprakash. R.. Karthigai selvan. M.. Soban Kumar. D.R.. Sundaresan. A..
Karuppasamy. K.. 2012. Biodiesel production and prediction of engine perfor-mance using SIMULINK model of trained neural network. Fuel 99. 197-203.
Sneesby. M. G.. Tade. O. M.. Smith. T. N.. 1999. Two-point control of a reactive distil-lation column for composition and conversion. Journal of Process Control. 19-31.
Stephanopoulos. G. 1984. Chemical Process Control. Prentice-Hall. 696 p.. New Jersey.
Tang Y.. Chen Y.W.. Huang H.P. and Yu. C.C.. 2005. Design of reactive distillations for acetic acid esterification. American Institute of Chemical Engineers. 51-6.
Terzioğlu. H. Z. 1999. Metil Asetatın Katalitik Reçine Varlığında Dolgulu Bir Destilas-yon Kolonunda Üretimi. Yüksek Lisans Tezi. İstanbul Üniversitesi. Fen Bilimle ri Enstitüsü. İstanbul.
Xiao-li. P.. Dong. X.. Yong. Y.. Zhi-zhong. M.. Fu-li. W.. 2008. 2007 IEEE Internatio-nal Conference on Robotics and Biomimetics (ROBIO)