İzotermal olmayan sürekli karıştırmalı bir tank reaktörde yapay sinir ağı ile derişim kontrolü

Control of the concentration in a nonisothermal CSTR with artificial neural network

Özet

Bu çalışmada, sürekli karıştırmalı bir tank reaktörde (CSTR) çıkış derişiminin yapay sinir ağı (YSA) temelli kontrolü incelenmiştir. İzotermal olmayan, ekzotermik ve birinci mertebeden tersinmez bir tepkimenin gerçekleştiği bu reaktörde çıkış derişiminin kontrolü soğutma suyu akış hızı ayarlanarak sağlanmıştır. Sistemin doğrusal olmama yapısının çok yüksek olmasından dolayı kontrol stratejisi olarak yapay sinir ağı kontrol yapılarından YSA-Öngörmeli kontrol ve NARMA-L2 (Nonlinear Auto Regressive Moving Average) kontrol stratejileri oluşturulmuş, klasik PID kontrol edici ile performans karşılaştırması yapılmıştır. Çalışmada kullanılan YSA kontrol edicilerin her ikisi de çok hızlı ve kısa zamanda set noktasına ulaşmayı başarmıştır. YSA-Öngörmeli kontrol edici ve NARMA-L2 kontrol edici yapıları, PID kontrol edici ile kıyaslandığında daha iyi bir performans göstermişlerdir. Sonuçlar, literatürde yer alan ve aynı örnek problem için kurulan YSA temelli DNNC (Dynamic Neural Network Control) ve NIMC’den (Nonlinear Internal Model Control) elde edilen sonuçlardan daha iyi görünmektedir.

Abstract

In this work, controlling of the outlet concentration of a continuous stirred tank reactor (CSTR) was studied using artificial neural network. Control of the outlet concentration in the reactor where a non-isothermal, exothermic and a first order irreversible reaction took place was accomplished by manipulating the coolant flow rate. Due to the highly nonlinear dynamic behavior of the system, Neural Network Predictive and NARMA-L2 (Nonlinear Auto Regressive Moving Average) controllers were used as neural network control architecture. The results obtained with neural network controllers were compared with those obtained by classical PID controllers. Both neural network controllers were able to succeed in responding toward the set point faster and earlier in time than PID controller. Thus, neural network controller architectures showed better performances when compared to PID control strategies. In comparison to the literature where the same example problem was solved by using Dynamic Neural Network and Nonlinear Internal Model Controllers, the results obtained in this work seemed better to represent the system behavior than the literature.