Empirical modelling, control and optimization of lubricant recycling unit

Abstract

Bu çalışma, iki aşamadan oluşmaktadır. İlk aşamada, karter yağ geri dönüşüm sisteminde bulunan kimyasal işlemler üzerine dört farklı öngörü yaklaşımı uygulanmıştır. Kullanılan öngörüsel yöntemler, Çoklu Doğrusal Regresyon, Çoklu Doğrusal Olmayan Regresyon, Yapay Sinir Ağları ve Ridge Regresyonu'dur. Modellerin girdi değişkenleri sıcaklık ve basınç, sistemin çıktı değişkenleri ise miktar ve kalitedir. Yağların hem miktarı hem de kalitesi, hafif yağ, orta yağ ve ağır yağ olarak sınıflandırılarak kimyasal birimin günlük kaydında tutulmaktadır. Dört farklı öngörü modeli performansları açısından karşılaştırılmıştır. Yapay sinir ağları yaklaşımı, en az hata oranı ile en iyi öngörü modeli olmuştur. Çalışmanın ikinci aşamasında, doğrusal olmayan matematiksel optimizasyon modeli ile geri dönüşüm sonrasında ortaya çıkacak hafif yağ, orta yağ ve ağır yağların miktar ve kalitesini maksimize edecek sıcaklık ve basınç değerleri bulunmuştur. Böylece, haftada en az 4300 litre atığın azaltılmasına yardımcı olmak için optimum parametreler elde edilmiş ve üretim % 57'den % 70'in üzerine çıkarılmıştır. Sonuç olarak, doğrusal olmayan matematiksel modelleme ile kimyasal süreçlerin kontrol edilmesinin üretim değerini arttırdığı gözlenmiştir. Anahtar Kelimeler: Ampirik modelleme, Çoklu Doğrusal Regresyon, Çoklu Doğrusal Olmayan Regresyon, Yapay Sinir Ağları, Ridge Regresyonu.

This study consists of two phases. In the first phase, four different forecasting approaches were applied to the chemical processes found in the lubrican recycling unit. The predictive methods used are Multiple Linear Regression, Multiple Nonlinear Regression, Artificial Neural Networks and Ridge Regression. The input variables of models are temperature and pressure, and the output variables of the unit are quantity and quality. Both quantities and qualities of useful end products are classified as light gas oil, medium gas oil, and heavy gas oil and are kept in the daily record of the chemical unit. Four different forecasting models have been compared in term of their performance. The artificial neural network approach showed best predictive model with the least error rate. In the second phase of the study, the non-linear mathematical optimization model generated the optimal temperature and pressure values in order to maximize the quantity and quality of light, medium, and heavy gas oils. Thus, optimum parameters have been obtained to help eliminate at least 4300 litres of wasted oil per week and production has been increased from 57% to over 70%. As a result, it has been observed that controlling the chemical processes by nonlinear mathematical modelling increases the production quantity.Key Words: Empirical modelling, Multiple Linear Regression, Multiple Nonlinear Regression, Artificial Neural Networks, Ridge Regression.