Розробка моделі вимірювального контролю компонентів скрапленого нафтового газу з використанням багатошарового перцептрона

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.340608

Ключові слова:

скраплений нафтовий газ, багатошаровий перцептрон, середня абсолютна похибка, коефіцієнт детермінації

Анотація

Об’єктом дослідження є процес вимірювального контролю компонентів скрапленого нафтового газу з використанням багатошарового перцептрона. Розглядається проблема недостатньої ефективності існуючих методів вимірювального контролю компонентів скрапленого нафтового газу. Частково її можна вирішити шляхом дистанційного вимірювання компонентів скрапленого нафтового газу та обробки отриманих даних і, відповідно, контролю нейромережею. Проте виникає інша проблема, пов’язана з складністю використання нейронних мереж у поєднанні з периферійними пристроями, зокрема засобами, сенсорами, датчиками тощо, та потребою в значних обчислювальних потужностях.

В статті представлено модель вимірювального контролю компонентів скрапленого нафтового газу, яка враховує його фізичні особливості, з використанням багатошарового перцептрона, що забезпечує зв’язок з засобами вимірювання газу. Механізмом досягнення цих результатів є навчання моделі згідно показників ефективності на основі вхідних даних відповідно до сформованих ознак. Висока узагальнююча здатність та ефективність ілюструється коефіцієнтом детермінації, який склав 0,845. Висока точність ілюструється низьким загальним середнім значенням середньої абсолютної похибки, яка склала 1,1%. Це стало можливим завдяки відмінним особливостям запропонованого рішення, а саме оптимізованій архітектурі моделі відповідно до об’єкту дослідження та її вхідним ознакам. Цими ознаками є площі світлових смужок, їх логарифмічні співвідношення, температура, сума та різниця густин компонентів скрапленого нафтового газу.

Отримані результати можуть бути використані на практиці у прикладних задачах аналізу складу скрапленого газу, зокрема на газозаправних станціях, нафто- та газопереробних заводах, у газових сховищах тощо

Біографії авторів

Богдан Петрович Книш, Вінницький національний технічний університет

Кандидат технічних наук, доцент

Кафедра загальної фізики

Ярослав Анатолійович Кулик, Вінницький національний технічний університет

Кандидат технічних наук, доцент

Кафедра автоматизації та інтелектуальних інформаційних технологій

Посилання

  1. Bilynskyi, Y. Y., Knysh, B. P. (2017). Termooptychnyi metod i zasib vymiriuvalnoho kontroliu komponentiv skraplenoho naftovoho hazu. Vinnytsia: VNTU, 112. Available at: https://press.vntu.edu.ua/index.php/vntu/catalog/book/317
  2. ASTM D1835-20 (2022). Standard Specification for Liquefied Petroleum (LP) Gases. https://doi.org/10.1520/D1835-20
  3. Chernova, O., Kryvenko, G. (2023). Analysis of hazards during storage of liquefied hydrocarbon gases. Ecological Sciences, 2 (47), 112–116. https://doi.org/10.32846/2306-9716/2023.eco.2-47.18
  4. Zhou, M., Wang, S., Li, J., Wei, Z., Shui, L. (2025). A Wireless Sensor Network-Based Combustible Gas Detection System Using PSO-DBO-Optimized BP Neural Network. Sensors, 25 (10), 3151. https://doi.org/10.3390/s25103151
  5. Zhou, K., Liu, Y. (2021). Early-Stage Gas Identification Using Convolutional Long Short-Term Neural Network with Sensor Array Time Series Data. Sensors, 21 (14), 4826. https://doi.org/10.3390/s21144826
  6. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T. et al. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv. https://doi.org/10.48550/arXiv.1704.04861
  7. Zhang, X., Zhou, X., Lin, M., Sun, J. (2018). ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. https://doi.org/10.1109/cvpr.2018.00716
  8. Jia, T., Guo, T., Wang, X., Zhao, D., Wang, C., Zhang, Z. et al. (2019). Mixed Natural Gas Online Recognition Device Based on a Neural Network Algorithm Implemented by an FPGA. Sensors, 19 (9), 2090. https://doi.org/10.3390/s19092090
  9. Badreldin, O. A., El Ela, M. A., El-Banbi, A. H. (2024). Development of Artificial Neural Network Model to Predict the Performance of the Fractionation Towers in Gas Processing Plant. Mediterranean Offshore Conference. https://doi.org/10.2118/223340-ms
  10. Renuka, G., Sai Manikanta, K., Uday Karthik, S., Ayyappa Naga Sekhara Reddy, K., Varma, B. V. S. (2023). Gas detection using 3D-CNN and autoencoder on hyperspectral images. IOSR Journal of Engineering (IOSRJEN), 14 (4), 40–50.
  11. Fan, H.-H., Wang, X.-L., Feng, J., Li, W.-Y. (2025). Comprehensive Quantitative Analysis of Coal-Based Liquids by Mask R-CNN-Assisted Two-Dimensional Gas Chromatography. Separations, 12 (2), 22. https://doi.org/10.3390/separations12020022
  12. Moreira de Lima, J. M., Meneghetti Ugulino de Araújo, F. (2019). Deep learning based inference system for real-time estimation of lpg contaminants’ molar fraction. Proceedings of the 25th International Congress of Mechanical Engineering. https://doi.org/10.26678/abcm.cobem2019.cob2019-0225
  13. Lamamra, K., Rechem, D. (2016). Artificial neural network modelling of a gas sensor for liquefied petroleum gas detection. 2016 8th International Conference on Modelling, Identification and Control (ICMIC), 163–168. https://doi.org/10.1109/icmic.2016.7804292
  14. Sadighi, S., Mohaddecy, S. R. S., Abbasi, A. (2018). Modeling and Optimizing a Vacuum Gas Oil Hydrocracking Plant using an Artificial Neural Network. International Journal of Technology, 9 (1), 99. https://doi.org/10.14716/ijtech.v9i1.44
  15. Müller, A., Ersoy, V., Menser, J., Endres, T., Schulz, C. (2025). Real-time analysis of flame chemiluminescence spectra for equivalence ratio and gas composition using neural network approaches. Applications in Energy and Combustion Science, 23, 100345. https://doi.org/10.1016/j.jaecs.2025.100345
  16. Sifakis, N., Sarantinoudis, N., Tsinarakis, G., Politis, C., Arampatzis, G. (2023). Soft Sensing of LPG Processes Using Deep Learning. Sensors, 23 (18), 7858. https://doi.org/10.3390/s23187858
  17. Bilynsky, Y. Y., Knysh, B. P., Ratushny, P. M., Wójcik, W., Grądz, Ż. M., Bainazarov, U. et al. (2017). Thermo-optical method and a means of measuring mass fraction control of liquefied petroleum gas components. Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2017, 10445, 104450Q. https://doi.org/10.1117/12.2280973
  18. Rožanec, J. M., Trajkova, E., Lu, J., Sarantinoudis, N., Arampatzis, G., Eirinakis, P. et al. (2021). Cyber-Physical LPG Debutanizer Distillation Columns: Machine-Learning-Based Soft Sensors for Product Quality Monitoring. Applied Sciences, 11 (24), 11790. https://doi.org/10.3390/app112411790
  19. Dawod, R. G., Dobre, C. (2022). ResNet interpretation methods applied to the classification of foliar diseases in sunflower. Journal of Agriculture and Food Research, 9, 100323. https://doi.org/10.1016/j.jafr.2022.100323
  20. Zhan, C., He, J., Pan, M., Luo, D. (2021). Component Analysis of Gas Mixture Based on One-Dimensional Convolutional Neural Network. Sensors, 21 (2), 347. https://doi.org/10.3390/s21020347
  21. Wang, Z., Yan, B., Wang, H. (2024). Application of Deep Learning in Predicting Particle Concentration of Gas–Solid Two-Phase Flow. Fluids, 9 (3), 59. https://doi.org/10.3390/fluids9030059
  22. Szoplik, J., Muchel, P. (2023). Using an artificial neural network model for natural gas compositions forecasting. Energy, 263, 126001. https://doi.org/10.1016/j.energy.2022.126001
Розробка моделі вимірювального контролю компонентів скрапленого нафтового газу з використанням багатошарового перцептрона

##submission.downloads##

Опубліковано

2025-10-31

Як цитувати

Книш, Б. П., & Кулик, Я. А. (2025). Розробка моделі вимірювального контролю компонентів скрапленого нафтового газу з використанням багатошарового перцептрона. Eastern-European Journal of Enterprise Technologies, 5(6 (137), 14–22. https://doi.org/10.15587/1729-4061.2025.340608

Номер

Том 5 № 6 (137) (2025): Технології органічних та неорганічних речовин

Розділ

Технології органічних та неорганічних речовин

Ліцензія

Авторське право (c) 2025 Bogdan Knysh, Yaroslav Kulyk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.