Visbreaker ünitesinde termal çatlama fırınının makine öğrenmesi tabanlı optimizasyonu

Makine öğrenimi (ML), büyük veri kümelerinden öğrenmek, karmaşık kalıpları tanımak ve minimum insan müdahalesiyle doğru tahminler yapmak için gelişmiş algoritmalar kullanan bir yapay zekâ dalıdır. Petrol ve gaz endüstrisinde, rafineri operasyonlarının karmaşıklığı göz önüne alındığında, ML tabanlı yaklaşımlar, geleneksel mekanik modellerin sınırlamalarını aşarak önemli avantajlar sunar. Geleneksel modeller, önceden tanımlı denklemlere bağımlılıkları nedeniyle rafineri süreçlerinin dinamik doğasını tam olarak yakalayamayabilir. Rafinerilerin en kritik birimlerinden biri olan Visbreaker ünitesi, artık petrol üretimini azaltarak nafta, gaz yağı ve yakıt yağı gibi değerli ürünlerin verimini artırır. Bu ünite, artık petrollerdeki büyük hidrokarbon moleküllerini yüksek sıcaklıkta termal olarak parçalayarak, viskoziteyi azaltır ve LPG ile benzin gibi hafif hidrokarbonlar üretir. Ancak, ağır artık beslemelerle çalışılırken fırın tüplerinde koklaşma meydana gelmesi, temizlik ve bakım nedeniyle sık sık kapanmalara yol açarak operasyonların sürekliliğini etkiler ve verimliliği düşürür. Bu tez, Visbreaker ünitesine yönelik ML tabanlı optimizasyon modellerinin geliştirilmesine odaklanmaktadır. Karar Ağaçları, Rastgele Ormanlar ve Yapay Sinir Ağları (YSA) gibi algoritmalar, fırının en sıcak bölgesindeki bobin sıcaklıklarını tahmin etmek için uygulanmıştır. Modellerin doğruluğu, 500 günlük geçmiş verilerle test edilmiştir. Ayrıca, ünite için kapatma gerekmeden önce kalan çalışma süresini tahmin etmek amacıyla öngörücü modeller geliştirilmiştir. Bu modeller üzerine inşa edilen ve Yapay Sinir Ağı tabanlı genetik algoritma (ANN-GA) kullanan bir AI odaklı optimizasyon çerçevesi, optimum çalışma koşullarını önermektedir. Bu sistem, operatörlere veri odaklı öneriler sunarak Visbreaker ünitesinin verimliliğini artırmayı, kapanma risklerini en aza indirmeyi ve rafineri süreçlerinde sürdürülebilirliği sağlamayı hedeflemektedir. ML tabanlı yaklaşımlar, operatörlerin koklaşma gibi darboğazları önceden tahmin ederek operasyonel parametrelerini ayarlamalarına imkân tanır. AI destekli optimizasyon çerçevesi ise sürekli olarak optimum çalışma koşullarını önererek Visbreaker ünitesinin en yüksek verimlilikte çalışmasını destekler. Bu yönüyle, ML tabanlı yaklaşımlar, rafineri süreçlerinin karmaşıklığını yönetmede güçlü bir çözüm sunar ve operasyonel sürdürülebilirlik ile üretkenliği artırır.