پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی

word
76
3 MB
32246
مشخص نشده
کارشناسی ارشد
قیمت: ۷,۶۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی

    کارشناسی ارشد مهندسی برق گرایش کنترل

    مهندسی برق گرایش کنترل

    چکیده

    امروزه علم شیمی و استخراج نفت و گاز و پالایش آن یکی از مهمترین نکته اتکای اقتصادی و تولیدی کشورها می‌باشد. یکی از معمول‌ترین فرایند هایی که در پالایشگاه ها انجام می‌شود جداسازی مواد شیمیایی می‌باشد. این کار با استفاده از برج های جدا کننده صورت می‌پذیرد. برج دی‌بوتانایزر یکی از برج‌هایی است که در پالایشگاه گازی برای جداسازی بوتان از گاز ترش در واحد بوتان‌زدایی استفاده می‌شود.

    در صورتی که سیستم کنترل مناسب و خوب برروی این سیستم حاکم باشد می‌توانیم محصولات با کیفیت بالا با صرف حداقل انرژی و کمترین هزینه تولید نماییم که طراحی این سیستم کنترل با شناسایی قابل اتکا از سیستم حاکم بر فرایند با بهره گیری از اطلاعات موجود از ورودی و خروجی نمونه برداری شده از سیستم میسر خواهد بود.

    روش های مختلفی برای شناسایی سیستم‌های دینامیکی فرایندی ارائه شده است. ما در این رساله به بررسی روش های موجود برای شناسایی سیستم حاکم بر این فرایند خواهیم پرداخت و دو گروه از روش‌های شناسایی: 1- خطی 2- غیر خطی  را مورد بررسی قرار خواهیم داد و سیستم را با روش های مورد مطالعه شناسایی و شبیه سازی خواهیم نمود.

    در انتها بعد از بررسی روش فازی-عصبی از دسته روش های شناسایی سیستم به صورت غیر خطی، روشی برای بهبود عملکرد شناسایی با این روش ارائه نموده و با مقایسه نتایج از شبیه‌سازی های به عمل آمده توسط روش‌های مختلف در شناسایی سیستم، با استفاده از داده‌های تجربی که با نمونه‌برداری از یک پالایشگاه گازی در حال عملیات به دست آمده‌اند، در مورد چگونگی وضعیت سیستم‌های شناسایی شده  فرایند یک برج جداکننده دی‌بوتانایزر بحث خواهیم نمود.

     

           کلید واژه: برج جدا کننده –  شناسایی سیستم –  دی بوتانایزر-سیستم غیر خطی

    Keywords: Distillation column- System Identification-Debutanizer-Nonli

     

    آشنایی با برج جدا کننده دی بوتانایزر ،تشریح ورودی وخروجی ،جمع آوری داده ها

    1-1-مقدمه

         امروزه علم شیمی و استخراج نفت و گاز و پالایش آن یکی از مهمترین نکته اتکای اقتصادی و تولیدی کشورها می‌باشد. یکی از معمول‌ترین پروسه‌هایی که در پالایشگاه ها انجام می‌شود جداسازی مواد می‌باشد. این کار با استفاده از برج های جدا کننده صورت می‌پذیرد]1[. برج دی بوتانایزر یکی از برج‌هایی است که در پالایشگاه گازی برای جداسازی بوتان از گازترش در واحد بوتان‌زدایی استفاده می‌شود.

    این برج از یک خط ورودی خوراک از وسط برج و دو خط خروجی مواد تولید شده در پایین و بالای برج تشکیل شده است. سیستم حاکم بر چنین برجی در منابع مختلف به صورت یک سیستم چند ورودی- چند خروجی بیان شده است که ما می توانیم چندین ورودی قابل کنترل مانند دبی خوراک ورودی برج،فشار برج و... وچندین خروجی مانند دمای پایین و بالای برج که تاثیر مستقیمی در کیفیت محصول تولید شده از فرایند دارند را داشته باشیم. در صورت اینکه سیستم کنترل مناسب و خوب برروی این سیستم حاکم باشد می‌توانیم محصولات با کیفیت بالا با صرف حداقل انرژی و کمترین هزینه تولید نماییم که طراحی این سیستم کنترل با شناسایی قابل اتکا از سیستم حاکم بر پروسه با بهره گیری از اطلاعات موجود از ورودی و خروجی نمونه برداری شده از سیستم میسر خواهد بود.

    هدف ما در این رساله شناسایی سیستم به بهترین کیفیت با استفاده از روش های موجود برای شناسایی سیستم های دینامیکی غیر خطی چند ورودی- چند خروجی خواهد بود.

    شناسایی و مدل سازی ریاضی سیستم یعنی به دست آوردن یک رابطه بین ورودی و خروجی سیستم به طوری که اگر سیگنال ورودی مشابه به سیستم و مدل شبیه سازی شده اعمال گردد خروجی های سیستم اصلی و مدل شده تقریبا یکسان باشند.

    شناسایی به سه دسته الف)جعبه سفید یا مدل‌سازی تحلیلی  ب)جعبه سیاه یا مدل‌سازی آزمایشی ج)جعبه خاکستری یا مدل ترکیبی  تقسیم می شوند]2[.

    الف)جعبه سفید یا مدل‌سازی تحلیلی

    مدل‌سازی تحلیلی به معنی به دست آوردن رابطه ریاضی بین متغیر‌های سیستم بر اساس قوانین فیزیکی است. آن‌چه در روش مدل‌سازی تحلیلی مشکل ساز است تعیین پارامتر ها می‌باشد. به دلیل متنوع بودن پارامتر‌های سیستم های مختلف، روش مشخصی برای تعیین پارامتر، در مدل‌سازی تحلیلی وجود ندارد]2[.

    ب)جعبه سیاه یا مدل‌سازی آزمایشی

    مدل‌سازی آزمایشی به دست آوردن یک مدل ریاضی برای سیستم با استفاده از نتایج انجام یک آزمایش است. در مدل‌سازی آزمایشی کاری نداریم که در داخل سیستم چیست و از چه اجزایی تشکیل شده است. در این روش با نمونه برداری از سیگنال های ورودی و خروجی به وسیله نمونه بردار، مقادیر عددی در اختیار کامپیوتر قرار می‌گیرد تا مدل ارتباط بین ورودی ها و خروجی ها به‌ دست آید به طوری که اگر ورودی دیگری به سیستم اعمال شود، بتوانیم خروجی را توسط مدل به دست آمده تخمین بزنیم وخروجی تخمین زده شده توسط مدل نزدیک به پاسخ خروجی خود سیستم باشد]2[.

    ج)جعبه خاکستری یا مدل ترکیبی  

    در این روش ساختار مدل با استفاده از قوانین فیزیکی به دست می‌آید، ولی به جای به دست آوردن تک تک پارامتر ها از طریق آزمایش های جداگانه، از سیگنال های ورودی و خروجی نمونه برداری کرده و بردار خروجی و ورودی را که همان اعداد نمونه برداری شده می‌باشند محاسبه کرده و با استفاده از این دو بردار، سعی می‌شود مقادیر پارامتر های ساختار تخمین زده شوند]2[.

    ما در این رساله به دلیل پیچیدگی فراوانی که سیستم بررسی شده، برج دی بوتانایزر، دارد( درادامه به تفصیل بحث خواهد شد) روش شناسایی جعبه سیاه را برای ادامه کار در نظر گرفته و انتخاب نموده‌ایم.

    برای شناسایی چنین سیستم هایی به روش جعبه سیاه روش های مختلفی ارائه شده است که در این رساله تعدادی از این روش ها معرفی می‌گردد.

     

    در ادامه با معرفی برج جداکننده و برج دی بوتانایزر به عنوان نوعی از برج‌های جدا کننده با نگاهی به کارهای گذشته در این زمینه به بررسی تفصیلی هر یک از روش های شناسایی اشاره شده خواهیم پرداخت و سیستم مورد مطالعه را با این روش ها شناسایی خواهیم نمود.

    1-2-فرایند جداسازی و نگاهی به گذشته

    جدا کردن یکی از فرایند‌های معمول در علم شیمی می باشد که از یک مخلوط مایع همگن، دو یا چند مایع از هم تفکیک و به صورت جداگانه مورد استفاده قرار می‌گیرد. امروزه در پالایشگاه‌ها و پتروشیمی برای تفکیک مواد شیمیایی وتولید محصولات از این برج ها استفاده می‌شود]3،4[.

    در زمان های قدیم از جداسازی برای تغلیظ الکل در نوشیدنی ها استفاده می‌شد]5[. شکل(1-1) اولین بار جداسازی در بین النهرین به کار بسته شد ولی یونانی ها کسانی بودند که این علم را به اروپا منتقل نمودند. کمابیش اثرات استفاده از این علم درقبایل آفریقایی و آمریکایی، در اکتشافات به عمل آمده نیز مشاهده شده است.]5

    Abstract

    Todays, chemistry, oil and gas extraction and refining, is one of the most important economic dependence and production of the countries. One of the most common procedures that are used in refineries is the separation of materials; This is done using distillation columns. Debutanizer column in butane gas separation unit on the refinery sour gas is used to separating butane.

    If the control system is adequate on this process system, we can produce high quality products at the lowest cost and energy spending; that this matter will be easy if we design a reliable control system detected the process system utilizes the information of input and output sample from the system.

    Various methods are proposed for identification of dynamical systems process. In this paper we review existing methods for identifying the process system. Two groups of methods: 1 -linear methods 2- nonlinear method, we will study, examine the systems and will identify and simulate system with these methods.

    Finally, after reviewing fuzzy - neural method, one of the non-linear system identification methods, This approach provides a method to improve the identification performance and by comparing the results of simulations conducted by various methods will talk about how is the state of the system identifying of a distillation Debutanizer column.

    Keywords: Distillation column- System Identification-Debutanizer-Nonlinear system

  • فهرست و منابع پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی

    فهرست:

    فصل اول: آشنایی با برج جدا کننده دی بوتانایزر ،تشریح ورودی وخروجی ،جمع آوری داده ها

    1

    1-1- مقدمه

    1

    1-2- فرایند جداسازی و نگاهی به گذشته

    1-3- مروری بر کارهای گذشته 

    3

    4

    1-4- تشریح یک برج جداکننده

    6

    1-5- برج دی بوتانایزر در پالایشگاه گازی پارس جنوبی

    8

     

     

    فصل دوم: شناسایی به روش های خطی  و غیرخطی

    2-1- مقدمه

    11

    11

    2-2- شناسایی به روش های خطی  

    11

    2-2-1- شناسایی خطی به روش پارامتری

    11

    2-2-1-1- شناسایی به روش ARX

    12

    2-2-1-2- شناسایی به روش OE

    14

    2-2-1-3- شناسایی به روش BJ

    15

    2-2-2- شناسایی خطی به روش مبتنی بر تحلیل زیر فضا

    16

    2-3- شناسایی به روش های غیر خطی

    20

    2-3-1- شناسایی به روش ARX غیر خطی(NLARX )

    20

    2-3-2- شناسایی به روش همرشتاین-وینر (NLHW )

    21

    2-3-3- شناسایی به روش شبکه های عصبی

    23

    (MLP) 2-3-3-1- پرسپترون چند لایه

    23

    2-3-3-2- آموزش به روش لونبرگ-مارکورت

    25

    2-3-4- شناسایی به روش فازی-عصبی

    26

    2-3-4-1- دسته بندی یا clustering  

    27

    2-3-4-2- دسته بندی تفریقی

    28

    2-3-4-3- تابع عضویت

    29

    2-4- جمع بندی

    عنوان

    30

    صفحه

    فصل سوم: پیاده سازی روش های شناسایی خطی و غیر خطی بر روی سیستم دی بوتانایزر

    31

    3-1- مقدمه

    31

    3-2- جمع آوری داده ها برای شناسایی سیستم دینامیکی دی بوتانایزر

    3-2-1- متغیرهای فیزیکی و ابزاردقیق

    32

    32

    3-2-2- نمونه برداری و نمودارگیری از متغیر‌های برج دی بوتانایزر

    34

    3-3- پیاده سازی روش شناسایی ARX

    37

    3-4- پیاده سازی روش شناسایی OE

    39

    3-5- پیاده سازی روش شناسایی BJ

    41

    3-6- پیاده سازی روش شناسایی N4SID

    44

    3-7- پیاده سازی روش شناسایی NLARX

    47

    3-8- پیاده سازی روش شناسایی NLHW

    48

    3-9- پیاده سازی شناسایی به روش شبکه های عصبی

    50

    3-10- پیاده سازی شناسایی به روش عصبی- فازی

    3-11- جمع بندی

     

    53

    56

    فصل چهارم: روش فازی- عصبی بسط یافته

    4-1-مقدمه

    57

    57

    4-2- سیستم های فازی نوع- 2

    57

    4-3- دسته بندی به روش کاهشی، فازی نوع -2

    58

    4-4- تعیین شعاع همسایگی تاثیر متقابل توابع عضویت

    61

    4-5- پیاده سازی شناسایی به روش فازی- عصبی بسط یافته

    4-6- جمع بندی

    65

    68

    فصل پنچم: بحث، نتیجه گیری و پیشنهادات

    69

    منابع

    71

     

     

    منبع:

    [1] Chang, R. General chemistry. McGraw-Hill, 2006

     

    [2] M.Karrari, System identification. Tehran: Amirkabir industrial university, 1388   

    [3] Abdullah, Z., N. Aziz and Z. Ahmad. Nonlinear modelling application in distillation column. Chemical Product and Process Modeling 2(3-12),2007.

    [4] Skogestad, S. Dynamics and control of distillation columns - A critical survey. In IFAC-SymposiumDYCORD, Maryland (April-1992).

    [5] Forbes, R. Short History of the Art of Distillation from the Beginnings Up to the Death of Cellier Blumenthal (Second Edition ed.). Brill Academic Publishers,1970.

    [6] Kister, H. Distillation Design. McGraw-Hill, Inc,1992.

    [7] R. GANI, C. A. Ruiz and I. T. CAMERONS: A GENERALIZED MODEL FOR DISTILLATION COLUMNS-MODEL DESCRIPTION AND APPLICATIONS, Computers & Chemical Engineering, Vol. 10, No. 3, pp. 181-198, 1986

     

    [8] S. Ismail KIRBASHLAR, Ahmet AYDIN, Umur DRAMUR: Identi_cation of a Binary Distillation Column Using Pulse Testing, Tr. J. of Engineering and Environmental Science 22 (1998) , 255- 267.

     

    [9] Shiraz Amjad, Closed Loop Identification For Model Predictive Control: A Case Study,MS Thesis, KING FAHD UNIVERSITY OF PETROLEUM & MINERALS October 2003

     

    [10] K.Ramesh, N.Aziz, and S.R. Abd Shukor:Development of  NARX model for distillation column ans studies on effect of regressors, Journal of Applied Sciences 8(7):1214-1220,2008  ISSN 1812-5654

    [11]H.Guidi :Open and Closed loop model identification and validation, MS Thesis,University of  Pretoria, December 2008

    [12] J. R. C Barroso: Modeling and Intelligent Control of a Distillation Column, , MS Thesis, Instituto Superior T´ecnico,Outubro – 2009

    [13] Morten Bakke: Subspace Identification using Closed- Loop Data, MS Thesis, Norwegian University of Science and Technology, June 2009

     

    [14] S. Kumar Damarla, Madhusree Kundu: Identification and Control of Distillation Process using, International Journal of Computer Applications (0975 – 8887) Volume 29– No.7, September 2011

     

    [15] S.Meenakshi,G.Saravanakumar: Subspace identificationand Controller design for Distillation Column, International Conference on Computing and Control Engineering (ICCCE 2012), 12 & 13 April, 2012

    [16] PetroVietnam Gas Company, Condensate processing plant project—process description, Tech. Rep. 82036-02BM-01, PetroVietnam,Washington, DC, USA, 1999.

    [17] Skogestad, S. The dos and dont’s of distillation column control. Chemical Engineering Research and Design (Trans IChemE, Part A) 85,2007.

    [18] Lundstr ¨om, P. and S. Skogestad. Opportunities and difficulties with 5×5 distillation columns. Journal of Process Control 5(4). IFAC Symposium: Advanced Control of Chemical Processes, 1995.

    [19] Cammarata, L., Fichera, A., and Pagano, A., Neural prediction of combustion instability, Applied Energy, 72:513-528, 2002.

    [20] Kister, H. Distillation Operation. McGraw-Hill, Inc, 1990.

    [21] POGC (Pars Oil and Gas Company), Oil and Gas Processing Plant Design and Operation Training Course Gas Sweetening Processes, < www.pogc.ir>, 2002

     

    [22] POGC (Pars Oil and Gas Company),Ducument number: SPP-910-107-C-102-03, DB-910-107-P332-5000-Rev0,2009

     

    [23] Li, T. and Georgakis, C. Dynamic input signal design for the identification on constrained systems. Journal of Process Control, 18, 332-346.2008

     

    [34] LJUNG, L. ,System Identification: Theory for the User, 2nd edn, Prentice Hall, Upper Saddle River, N.J. ISBN 0-13-656695-2,1999.

     

    [25] T.S. Soderstorm, Petre G. Stonica, System Identification, Prentice hall, 1989.

     

    [26] Y. zhu, Multivariable system Identification for process control, Elsevier Science, 2001.

     

    [27] J. Kon, Y. Yamashita, T. Tanaka, A. Tashiro and M. Daiguji, Practical Application of Model Identification based on ARX Models with Transfer Functions, Control Engineering Practice, on-line available, 2012

     

    [28] So¨derstrom, T., Fan, H., Carlsson, B., and Bigi, S.: Least squares parameter estimation of continuous-time ARX models from discrete-time data, IEEE Trans. Autom. Control, 42, (5), pp. 659–673, 1997.

     

     [29] Michel Verhaegen,”Filtering and System Identification ,A Least Squares Approach”,Vincent Verdult,2007.

     

    [30] U.Forsseland L.Ljung, Identification of unstable systems using output error and box-jenkins model structures,IEEE Transactions on Automatic Control,vol.45,pp.137-141,2000.

     

    [31] Mats Viberg. Subspace-based Methods for the identification of Linear Time- invariant Systems. Automatica, 31(12):1835-1851, 1995.

     

     [32] M. Verhaegen. identification of the deterministic part of MIMO state space models given in innovations form from input-output data. Automatica, 30:61-74, 1994.

     

     [33] Haverkamp,R,State space identification, PhD Thesis,Technical University of Delft,Netherlands,2001

     

     [34] Peter Van Overschee and Bart De Moor. Subspace Identification for LinearSystems: Theory-Implementation-Applications. Kluwer Academic Publishers,1996.

     

     [35] P.V. Overschee. Subspace Identification for Linear Systems: Theory Implementation-Applications. Kluwer Academic Publishers,1996.

     

    [36] Ljung, L. System Identification Toolbox Users Guide. The MathWorks, Inc, Natick.2012

     

     [37] Bomberger,J.D and D.E.Seborg, determination of model order for narx models directly from input-output data,J.Process control,8:458-468,1998

     

     [38] Spinelli, W. Piroddi, L. and Lovera, M. A two-stage algorithm for structure identification of polynomial NARX models,Proceeding of American Control Conference Volume,pp:2387-2392,2006

     

     [39] L. Piroddi and W. Spinelli, An identification algorithm for polynomial NARX models based on simulation error minimization , Int. J. of Control, vol. 76, no. 17, pp. 283-295, 2003.

     

     [40] P. Crama. Identification of block-oriented nonlinear models. PhD thesis, Vrije Universiteit Brussel, Dept. ELEC,  June 2004.

     

     [41] E.W. Bai. An optimal two-stage identi_cation algorithm for Hammerstein-Wiener nonlinear systems. Automatica, 4(3):333.338, 1998.

     

     [42] Schoukens, J., Suykens, J., & Ljung, L. Wiener_Hammerstein benchmark. In 15th IFAC symposium on system identification, SYSID, 2009.

     

     [43] Nørgaard.M , Neural Network Based System Identification TOOLBOX For Use with MATLAB, Department of Automation, Technical University of Denmark, 2000.

     

    [44] H. Demuth & M. Beale,Neural Network Toolbox: User’s Guide, Version 3.0, The MathWorks Inc., Natick, MA, 1998.

     

     [45] D. Marquardt, An Algorithm for Least-Squares Estimation of Nonlinear Parameters, SIAM J. Appl. Math. 11, pp. 164-168, 1963.

     

     [46] M. Nørgaard, O. Ravn, N. K. Poulsen, L. K. Hansen (2000): ”Neural networks for Modelling and Control of Dynamic Systems,” Springer-Verlag, London, UK, 2000

     

     [47] J.E. Parkum , Recursive Identification of Time-Varying Systems, Ph.D. thesis, IMM,Technical University of Denmark, 1992.

     

     [48] S.A. Billings, H.B., Jamaluddin, S. Chen, Properties of Neural Networks With Applications to Modelling non-linear Dynamical Systems, Int. J. Control, Vol. 55, No 1, pp. 193-224, 1992.

     

     [49] R. Fletcher: Practical Methods of Optimization, Wiley, 1987.

     

     [50] Jyh-Shing, Roger Jang, ANFIS: Adaptive Network-Based Fuzzy Inference Systems, IEEE Trans. On Systems, Man and Cybernetics, Vol. 23, No. 3,  pp. 665-685, 1993.

     

    [51] Mamdani, E. H. & Assilian, S., An experimental in linguistic synthesis with a fuzzy logic control. Int. J. Man-Mach. Stud. 7: 1-13, 1975.

     

     [52] Sugeno, M., Industrial applications of fuzzy control, Elsevier Publication Co. 278 p, 1985.

     

     [53] S. L. Chiu, Fuzzy Model Identification Based on Cluster Estimation,Journal on Intelligent Fuzzy Systems, vol. 2,pp.267–278, 1994.

     

     [54] J.C. Bezdek,R.Ehrich,W.Full, FCM: THE FUZZY c-MEANS CLUSTERING ALGORITHM

     ,Computers & Geosciences Vol. 10, No. 2-3, pp. 191-203, 1984.

     

     [55] H.Y. Shen, X.Q. Peng, J.N. Wang, Z.K. Hu, A Mountain Clustering Based on Improved PSO Algorithm[A]. First International Conference of Advances in Natural Computation[C], Changsha, China, 477-481. 2005.

     

     [56] Delmirli, K. & Muthukumaran, P., Higher order fuzzy system identification using subtractive clustering, Journal of Intelligent and Fuzzy Systems 9: 129–158, 2000.

     

    [57] Demirli K., S. X. Cheng, P. Muthukumaran, Subtractive clustering based modeling of job sequencing with parametric search, Fuzzy Sets and Systems, 137:235-270,2003.

     

    [58] JunYing Chen, Zheng Qin and Ji Jia, A Weighted Mean Subtractive Clustering Algorithm, Information Technology Journal 7 (2): 356-360, ISSN 1812-5638, 2008.

     

    [59] Kim, DW., K.Y. Lee and K.H. Lee, A Kernel Based Subtractive Clustering Method,Pattern Recog. Lett., 26(7):879-891,2005.

     

    [60] Fuzzy Logic Toolbox2 Users Guide. The MathWorks, Inc, Natick.2010.

     

    [61] Zadeh, L.A., “Fuzzy sets,” Information and Control, Vol. 8, pp. 338-353, 1965.

     

    [62] J. Mendel and R. John, Type-2 fuzzy set made simple, IEEE Trans. On Fuzzy Systems, vol. 10, no. 2, pp. 117–127, 2002.

     

    [63] N. Karnik and J.M. Mendel, Operations on Type-2 Fuzzy Sets, Fuzzy Sets and Systems, Vol 122, pp.327-348, 2001.

     

    [64] Uyen Nguyen Mau, Long Ngo Thanh and Tinh Dao Thanh, Approach to Image Segmentation Based on Interval Type-2 Fuzzy Subtractive Clustering, Intelligent Information and Database Systems ,Lecture Notes in Computer ScienceVolume :7197, pp 1-10, 2012

     

    [65] Long Thanh Ngo, Binh Huy Pham, Type-2 Fuzzy Subtractive Clustering Algorithm, Advances in Intelligent and Soft Computing, Springer, Vol. 125/2012, pp.395-402, 2012.

     

    [66] C. Hwang and F. C. Rhee, Uncertain Fuzzy Clustering: Interval Type-2 Fuzzy Approach to C-Means, IEEE Trans. On Fuzzy Systems, Vol. 15, pp 107-120, 2007.



تحقیق در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, مقاله در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, پروژه دانشجویی در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, پروپوزال در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, تز دکترا در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, تحقیقات دانشجویی درباره پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, مقالات دانشجویی درباره پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, پروژه درباره پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, گزارش سمینار در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, پروژه دانشجویی در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, تحقیق دانش آموزی در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, مقاله دانش آموزی در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی, رساله دکترا در مورد پایان نامه شناسایی غیر خطی سیستم برج جدا کننده دی بوتانایزر واقع در پالایشگاه گازی در پارس جنوبی با استفاده از داده های تجربی

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس