وبلاگ

:
یکی از مهمترین کاربرد سیستم های خنک کننده در صنعت سیمان است. خنک کننده های شبکه ای در صنعت سیمان برای خنک کردن ذرات داغ کلینکر مورد استفاده قرار می گیرد.
کلمه سیمان به هر نوع ماده چسبنده ای اطلاق می شود که قابلیت به هم چسباندن و یکپارچه کردن قطعات معدنی را دارا باشد. در شاخه مهندسی عمران سیمان گردی است نرم، جاذب آب، چسباننده سنگریزه که اساسا مرکب از ترکیبات پخته شده و گداخته شده اکسید کلسیم، اکسید سیلیسیم، اکسید آلومینیوم و اکسید آهن می باشد. ملات این گرد قادر است به در مجاورت هوا یا در زیر آب سخت شود و در زیر آب، در ضمن داشتن ثبات حجم، مقاومت خود را حفظ نموده و در فاصله 28 روز زیر آب ماندن دارای حداقل مقاومت 250 کیلوگرم بر سانتیمتر مربع گردد.
چگونگی خنک کردن کلینکر روی ساختمان بلوری کانی ها، قابلیت خرد شدن و نهایتا کیفیت سیمان تاثیر دارد و اصولا به همین دلایل است که توجه به خنک کننده ها بسیار ضروری است. از طرفی به دلیل رفتارهای غیرخطی در مراحل پخت سیمان برخی پیش بینی ها قبل از وقوع حوادث از ضررهای هنگفتی جلوگیری می کند.

متاسفانه کارهای تحقیقاتی در جهت شناسایی و مدلسازی بخصوص در زمینه موضوع این پروژه بسیار کم انجام شده است. شاید یکی از

 دلایل آن ارتباط بیش از حد بین قسمت های مختلف پروسه و اثرگذاری آنها بر یکدیگر باشد. بیشتر مراجع موجود اطلاعات تجاری در زمینه کولرهای شبکه ای بود و بسنده کردن به چند مرجع محدود بسیار، پیشرفت کار را کند می کرد.

گام بعدی جمع آوری داده از سیستم واقعی بود. به دلیل بعد مسافت و مشکلات اداری گرفتن داده از طریق مکاتبه امکانپذیر نبود. کارخانه سیمان بجنورد یکی از کارخانه های سیمان بود که سیستم خنک کننده مشبک در آن موجود بود. با همکاری مدیریت و مسئولان این کارخانه داده ها جمع آوری شد (داده های مربوط به دو ماه کاری کارخانه در اختیار گذاشته شد) ولی با توجه به اشکالاتی که در قسمت ثبت داده به صورت اتوماتیک داشتند داده ها دستی توسط اپراتور و مجموعا 24 داده برای هر پارامتر در هر روز موجود بود و این نگرانی وجود داشت که به خاطر فرکانس پایین جمع آوری داده بعضی اطلاعات مفید را از دست داده باشیم. ولی پس از بررسی معلوم شد که جز در حالات غیرعادی کار داده ها از رنج تقریبا ثابتی برخوردار بودند. مرحله بعد بررسی کلی داده ها بود و سپس وارد تست روش های شناسایی خطی شدیم. با توجه به پیش بینی که از قبل هم می کردیم تست های شناسایی خطی جواب های قانع کننده ای نداشتند. که این اظهارنظر با توجه به بررسی خروجی، شاخص Fitness و تست های دیگر انجام گرفته است. مدلسازی غیرخطی را با توجه به داشتن تجربه قبلی از مدلسازی های خطی و همچنین مراجع موجود که درباره مدلسازی ریاضی سیستم کار کرده بودند با روش شبکه عصبی MLP و آموزش مارکوات رونبرگ انجام دادیم. پاسخ های گرفته شده موفقیت مدلسازی را تایید می کردند.
به هرحال امیدوارم این پروژه در عمل بتواند گامی هرچند کوچک در رفع مشکلات موجود در صنعت سیمان بردارد.