Prediction of Performance and Emissions, and Fault Prognosis in Steam Boilers Using Artificial Intelligence. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis Agus Haeruman 202208480 - Revised Final DGS.pdf Restricted to Repository staff only until 23 January 2026. Download (8MB)

Arabic Abstract

تركز هذه الدراسة على تطوير نماذج مستشعرات برمجية باستخدام الذكاء الاصطناعي للتنبؤ بانبعاثات أكاسيد النيتروجين (NOx)، والكفاءة، وتنبؤ الأعطال في الغلايات البخارية. تم استخدام مجموعتي بيانات لتدريب النماذج واختبارها: الأولى تم إنشاؤها من خلال المحاكاة الحاسوبية للديناميكا الحركية للسوائل (CFD) لغلاية بخارية تعمل باستخدام مزيج من الغاز الطبيعي والهيدروجين، والثانية تم جمعها من غلاية صناعية في أرامكو السعودية تعمل بالغاز الطبيعي. للتنبؤ بانبعاثات أكاسيد النيتروجين والكفاءة، تم استخدام عدد من نماذج التعلم الآلي (ML) مثل الانحدار الخطي (LR)، شجرة القرار (DT)، الغابة العشوائية (RF)، أقرب جار لمعامل K (KNN)، والانحدار باستخدام آلة المتجهات الداعمة (SVR)، بالإضافة إلى استخدام نماذج التعلم العميق (DL) مثل الإدراك متعدد الطبقات (MLP) ودالة الأساس الشعاعي (RBF). وقد أظهرت النتائج تفوق نماذج التعلم العميق على غيرها لمجموعة بيانات الغلاية التي تعمل باستخدام الهيدروجين، حيث بلغت دقة التنبؤ 98.08% و97.50% لكل من RBF وMLP على التوالي، مع تفوق سرعة تنبؤ RBF بمقدار 55 مرة مقارنة بـ MLP. أما بالنسبة لمجموعة بيانات الغلاية التي تعمل بالغاز الطبيعي، فقد حققت نماذج DT وRF أفضل أداء، حيث بلغ معامل R² لـ DT نسبة 99.32% بزمن استجابة 0.728 ثانية، بينما حققت RF معامل R2 99.68% بزمن استجابة 53.632 ثانية. كما أظهرت نتائج التنبؤ بالكفاءة أن نماذج RF وDT حققتا أعلى دقة، حيث بلغت قيمة R² لكل منهما 99.98% و99.97% على التوالي. بالإضافة إلى ذلك، تم إجراء تنبؤ بالأعطال باستخدام الشبكات العصبية طويلة المدى (LSTM) للتنبؤ بالتغير المفاجئ في عمل الغلايات بعيداً عن حالة عملها الطبيعية. وأظهرت النتائج أن نماذج LSTM مع خطوات زمنية قدرها 30 و60 ثانية حققت أفضل دقة مقارنة بالخطوات الزمنية الأخرى، مما يثبت قدرة النموذج على التنبؤ بالأعطال بفعالية اعتمادًا على البيانات التشغيلية ، مما يتيح التدخل الاستباقي لتجنب حدوث أضرار كبيرة في الغلاية.

English Abstract

This study focuses on developing soft sensor models using artificial intelligence to predict nitrogen oxides (NOx) emissions, efficiency, and fault prognosis in steam boilers. Two datasets were employed for training and testing the models: the first was generated through computational fluid dynamics (CFD) simulations of a hydrogen-enriched steam boiler, and the second was collected from an industrial natural gas-fueled boiler. Machine learning (ML) models - including linear regression (LR), decision tree (DT), random forest (RF), k-nearest neighbors (KNN), and support vector regression (SVR), as well as deep learning (DL) models like multi-layer perceptron (MLP) and radial basis function (RBF), were evaluated. Results indicated that the DL-based models outperformed others for the hydrogen-enriched dataset with the prediction accuracy (PA) of 98.08% and 97.50%% for RBF and MLP, respectively, and the speed of RBF is 55 times faster than MLP's. For the natural gas boiler dataset, the tree-based DT and RF models performed best with the coefficient of determination/R-squared (R2) of 99.32% with 0.728s response time, while RF has an R2 of 99.68% with 53.632s response time. The efficiency prediction in the natural gas boiler dataset also shows that RF and DT have the best accuracy with R2 of 99.98% and 99.97%, respectively. Additionally, fault prognosis was conducted using long short-term memory (LSTM) neural networks to predict boiler swings. The results demonstrated that LSTM models, with the 30s and 60s time steps, had the best accuracy compared to other time steps time steps. This shows that the model can effectively forecast faults based on historical operational data, enabling proactive interventions to prevent major boiler damage.

Item Type:	Thesis (Masters)
Subjects:	Mechanical
Department:	College of Engineering and Physics > Mechanical Engineering
Committee Advisor:	Alzahrani, Fahad Mohammed
Committee Members:	Habib, Mohammed Abdulaziz and Al Owaifeer, Maad Mohammed
Depositing User:	AGUS HAERUMAN (g202208480)
Date Deposited:	26 Jan 2025 06:07
Last Modified:	26 Jan 2025 06:07
URI:	http://eprints.kfupm.edu.sa/id/eprint/143269