Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/78722
| Title: | การทำนายความสามารถในการละลายของแก๊สไฮโดรเจนซัลไฟด์ ในการทำบริสุทธิ์แก๊สธรรมชาติ โดยโครงข่ายประสาทเทียม |
| Other Titles: | Prediction of Solubility of Hydrogen Sulfide Gas in Natural Gas Purification by Artificial Neural Network |
| Authors: | รัชนีพร ช่างปั้น ปฏิพล จันทบูรณ์ |
| Advisors: | ธีรวัฒน์ เสมา |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิทยาศาสตร์ |
| Subjects: | ไฮโดรเจนซัลไฟด์ แก๊ส -- การทำให้บริสุทธิ์ นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) Hydrogen sulfide Gas -- Purification Neural networks (Computer science) |
| Issue Date: | 2563 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | แก๊สไฮโดรเจนซัลไฟด์เป็นแก๊สที่พบในผลิตภัณฑ์ปิโตรเลียมและแก๊สธรรมชาติ โดยแก๊สธรรมชาติที่มีส่วนประกอบของแก๊สไฮโดรเจนซัลไฟด์ มากกว่า 4 ppm จะถูกกำหนดว่าเป็นแก๊สเปรี้ยว ซึ่งแก๊สไฮโดรเจนซัลไฟด์ก่อให้เกิดมลพิษทางอากาศบริเวณหอกลั่นและหอแยกแก๊ส อีกทั้ง กัดกร่อนอุปกรณ์ในกระบวนการผลิตและขนส่งแก๊สธรรมชาติได้ โดยความสามารถในการละลายของแก๊สไฮโดรเจนซัลไฟด์ในตัวทำละลายเป็นปัจจัยสำคัญในการออกแบบ พัฒนา และเพิ่มประสิทธิภาพของกระบวนทำบริสุทธิ์แก๊สธรรมชาติ อีกทั้ง บ่งบอกถึงข้อมูลเชิงอุณหพลศาสตร์ แก๊สไฮโดรเจนซัลไฟด์สามารถละลายได้ดีในตัวดูดซึม (absorbent) จำพวกเอมีน (เช่น MDEA EDA และ DIPA) และ ของเหลวไอออนิค (เช่น [C₂MIM][eFAP] [BMIM][Tf₂N] [DMEAH][For] และ [C₈MIM][PF₆]) อย่างไรก็ดี การทดลองหาความสามารถในการละลายของแก๊สไฮโดรเจนซัลไฟด์ในตัวดูดซึมดังกล่าวมีค่าใช้จ่ายสูง เนื่องจากต้องใช้ความดันในการดำเนินการทดลองสูง และการเลือกตัวดูดซึมที่เหมาะสมยังต้องอาศัยผู้เชี่ยวชาญด้านการทำบริสุทธิ์แก๊สธรรรมชาติอีกด้วย โครงการวิจัยนี้จึงนำโครงข่ายประสาทเทียมร่วมกับการรวบรวมข้อมูลด้วยกระบวนการทางวิทยาศาสตร์ข้อมูล เพื่อทำนายความสามารถในการละลายของแก๊สไฮโดรเจนซัลไฟด์ในตัวดูดซึมต่าง ๆ จากการรวบรวมข้อมูลความสามารถในการละลายของแก๊สไฮโดรเจนซัลไฟด์ในตัวดูดซึม 62 ชนิด เช่น MDEA EDA DIPA [DMEAH][Ac] [BMIM][Tf₂N] และ [C₈MIM][PF₆] ที่อุณหภูมิและความดันต่าง ๆ และนำมาวิเคราะห์ด้วยฟังก์ชัน ANN ในโปรแกรม MATLAB ซึ่งกำหนดให้ข้อมูลนำเข้า คือ อุณหภูมิ ความดัน ชนิดและความเข้มข้นของตัวดูดซึม และข้อมูลส่งออก คือ ความสามารถในการละลาย (molH2S/molAbsorbent) พบว่า การวิเคราะห์ด้วย Levenberg-Marquardt algorithm โดยใช้จำนวนข้อมูล training ร้อยละ 70 จำนวนข้อมูล validating ร้อยละ 15 และจำนวนข้อมูล testing ร้อยละ 15 ของจำนวนข้อมูลทั้งหมด และใช้ 17 hidden neurons พบว่าความสามารถในการละลายที่ทำนายได้มีค่าสัมประสิทธิ์สหสัมพันธ์ (R²) = 0.9817 และ ค่าความคลาดเคลื่อนสัมพัทธ์เฉลี่ย (MSE) = 0.0138 ซึ่งได้ผลเป็นที่น่าพอใจอย่างมาก |
| Other Abstract: | Hydrogen sulfide is found in petroleum and natural gas products. Natural gas containing more than 4 ppm is defined as a sour gas. Hydrogen sulfide pollutes an environment at the refinery and the gas separation area. It also causes corrosion in process equipment and pipelines. Solubility of hydrogen sulfide is a main parameter to design, develop, and optimize the natural gas purification process. Moreover, it represents the thermodynamic properties of hydrogen sulfide. Amine based solvents (such as MDEA, EDA, and DIPA) and Ionic liquids (such as [C₂MIM][eFAP], [BMIM][Tf₂N], [DMEAH][For], and [C₈MIM][PF₆]) have high potential to be used as hydrogen sulfide absorbent. However, an experimental study for the solubility of hydrogen sulfide is very costly. It is because of the high pressure experimental operating condition. Additionally, an expert in the natural gas purification process is essential for selecting of appropriate absorbents. In this research project, artificial neural networks (ANN) and data science were applied for predicting the solubility of hydrogen sulfide. The solubility data of hydrogen sulfide in 62 different absorbents over ranges of temperature and pressure were collected from the literatures. The collected data were then analyzed by ANN function in MATLAB program. In the ANN model, temperature, pressure, absorbent, and its concentration were set as inputs, while the solubility of hydrogen sulfide (mol H₂S/mol [subscript [absorbent]]) was set as an output. The model was optimized by Levenberge-Marquardt (LM) algorithm with data splitting (70% for training, 15% for validating, and 15% for testing) and 17 hidden neurons. It was found that very satisfactory predicted results were obtained with a coefficient of determination (R²) of 0.9817 and a mean squared error (MSE) of 0.0138 |
| Description: | โครงงานเป็นส่วนหนึ่งของการศึกษาตามหลักสูตรปริญญาวิทยาศาสตรบัณฑิต ภาควิชาเคมีเทคนิค คณะวิทยาศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย ปีการศึกษา 2563 |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/78722 |
| Type: | Senior Project |
| Appears in Collections: | Sci - Senior Projects |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 63-SP-CHEMENG-019 - Rachaneeporn Changpun.pdf | 24.41 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.