A Methodology for Designing Octane Number of Fuels Using Genetic Algorithms and Artificial Neural Networks. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF A Methodology for Designing Octane Number of Fuels Using Genetic Algorithms and Artificial Neural Networks.pdf - Submitted Version Restricted to Repository staff only until 3 January 2023. Download (7MB)

Arabic Abstract

يكمن التقدم الحاصل خلال الثروة الصناعية الرابعة في التقليل او عدم الاعتماد على التدخل البشري. وجد هذا المفهوم الواسع طريقه إلى قطاعي النفط والغاز. خلال البحث الدؤوب عن فرص في مجالات النفط والغاز، تم استكشاف فرص عديدة تحمل في طياتها العديد من الإمكانيات المؤثرة على عملية معالجة النفط، الغاز. احدى هذه الفرص مرتبط بعملية مزج الوقود في المرحلة الأخيرة في مصانع تكرير النفط. تتم عملية المزج لتحقيق خصائص الوقود الأساسية المعتمدة من قبِل المعايير العالمية والمحلية. أحد الخصائص الأساسية في البنزين هو عدد الأوكتان (ON) وهو عدد بين الصفر والمئة يقيس خصائص منع الخبط في البنزين. يوجد نوعان من أشكال قياس العدد الأوكتان (ON): عدد الأوكتان البحثي (RON) وعدد الأوكتان الحركي (MON) وعلى الرغم من أن هناك جهود كبيرة قامت للعمل على تحسين عمليات مزج الوقود في معامل التكرير إلا آن تطبيق التعلم الآلي والذكاء الاصطناعي محدود للغاية في هذا المجال. إن الهدف الذي يكمن خلف استكشاف وتحسين هذا المجال مرتبط باجتناب حدوث سيناريوهات غير مرغوب بها مثل منتجات غير مطابقة للمواصفات ومقاييس الجودة المعتمدة والتي قد تثقل كاهل النفقات التشغيلية في معامل التكرير. هذا البحث يقدم نموذج مبتكر للتنبؤ بالآلية الأفضل لمزج الوقود. تتم هذه العملية من خلال الاستفادة من نظام متكامل مؤلف من الخوارزميات الجينية (GA) والشبكات العصبية الصناعية (ANN). بالإضافة، هذا العمل يقدم خوارزميات مبتكرة تحت مسمى الخوارزميات متعددة الأضلاع، والتي تساهم في ضبط عمليات الخوارزميات الجينية. النموذج المبتكر يقوم بعملية تحليل للبيانات المدخلة والتي تتضمن الهيدروكربونات النقية ومزيج الهيدروكربون والإيثانول، وست أنواع بنزين من وقود محركات الاحتراق المتقدمة (FACE). هذه المركبات هي المكونات الأساسية لعدد ٢٤٣ مزيج من الوقود. عملية التنبؤ بالمزيج الأفضل للوقود، هي عملية تكرارية تعتمد في آسسها على نتائج عدد الأوكتان. هذا البحث حقق نتائج مرضية، حيث عند مقارنة القيم المتنبئة بالفعلية باستخدام معامل الارتباط R2، فإن الناتج يساوي ٠.٩٩. إن هذه النتائج دليل على نجاح النظام المتكامل والتأثير الكبير المحتمل في تقليل السيناريوهات غير المرغوب بها في المزج.

English Abstract

The advancement during the era of the fourth industrial revolution lies in minimizing or eliminating human interference. This broad concept has found its course in the oil and gas sector. Pursuing opportunities in this sector has led to the identification of an auspicious application in fuel blending, an essential stage in refineries. At this stage, multiple streams are blended to achieve mandated fuel properties based on international and domestic standards. One of the mandated properties for gasoline is Octane Number (ON). There are two forms of measuring ON: Research Octane Number (RON) and Motor Octane Number (MON). Although there have been efforts to optimize the blending operation in refineries, the implementations of machine learning models are limited. The intention behind exploring and enhancing this field is to avoid undesirable scenarios, such as off-specification products and quality giveaways, as these scenarios overburden refineries' operational expenditures. The current work presents an innovative approach to predict the optimum fuel blending mechanism. This is accomplished through utilizing an integrated system composed of genetic algorithms (GA) and artificial neural networks (ANN). In addition, this paper presents the polygonal algorithms that govern the optimization process. The system analyzes fuel inputs consisting of pure hydrocarbons, hydrocarbon−ethanol blends, and FACE (fuels for advanced combustion engines) gasoline−ethanol blends. There are ten pure hydrocarbons and six FACE types of gasoline that are the base of 243 fuel blends. These components are presented as multiple input streams to the blending stage, at which the system computes multiple recipes utilizing GA. The system derives these recipes capitalizing on the polygonal method. This method offers a systematic approach to design optimal fuel with the lowest addition of relatively higher-octane components. Also, since refinery's material constraints vary, this method can be customized to fit each situation. The system was evaluated using the 243 blends. The produced recipes were designed to meet the desired anti-knocking index (AKI). The coefficient of determination (R2) is 0.99 for RON, MON, and AKI, respectively. Furthermore, the mean absolute error (MAE) values are 1.99, 1.23, and 1.40 for RON, MON, and AKI, respectively. These results signify the success of the integrated system and its significant potential impact in mitigating undesirable blending scenarios.

Item Type:	Thesis (Masters)
Subjects:	Chemical Engineering Research > Refining
Department:	College of Chemicals and Materials > Chemical Engineering
Committee Advisor:	Abdul Jameel, Abdul Gani
Committee Members:	Ahmed, Usama and Zahid, Umer
Depositing User:	FISAL ALBUGAMI (g201238140)
Date Deposited:	06 Jan 2022 08:42
Last Modified:	06 Jan 2022 08:42
URI:	http://eprints.kfupm.edu.sa/id/eprint/142011