GTL KORXONALARIDA BUG‘ TAYYORLASH JARAYONINI INTELLEKTUAL BOSHQARISH MODELINI ISHLAB CHIQISH

Farmonov Laziz Beg‘am o‘g‘li; Yusupov Sheroz Baxtiyor o‘g‘li; Botirov O‘ktam Usmon o‘g‘li; Norqobilov Adham Tilovovich

doi:10.5281/zenodo.21132765

25.06.2026

Oʻzbekcha

GTL KORXONALARIDA BUG‘ TAYYORLASH JARAYONINI INTELLEKTUAL BOSHQARISH MODELINI ISHLAB CHIQISH

Published

25.06.2026

Journal

Ta'lim ufqlari

Issue

"Ta'lim ufqlari" ilmiy-uslubiy jurnali 2026-yil 1-son

Pages

93-100

DOI

10.5281/zenodo.21132765

Authors

Farmonov Laziz Beg‘am o‘g‘li , Yusupov Sheroz Baxtiyor o‘g‘li , Botirov O‘ktam Usmon o‘g‘li , Norqobilov Adham Tilovovich

Abstract

Mazkur tadqiqotda GTL (Gas-to-Liquids) korxonalaridagi bug‘ qozonlarida bug‘ tayyorlash jarayonini intellektual boshqarish masalasi o‘rganildi. Jarayonning asosiy boshqaruv parametrlari sifatida bug‘ bosimi xatoligi va bug‘ sarfi tanlanib, yoqilg‘i klapani ochilish darajasi chiqish parametri sifatida qabul qilindi. Tadqiqotda Adaptive Neuro-Fuzzy Inference System (ANFIS) asosida matematik model ishlab chiqildi va uning ishlash samaradorligi baholandi. Modelni o‘qitish va sinovdan o‘tkazish uchun GTL korxonasi texnologik ish rejimlari asosida shakllantirilgan 150 ta ma’lumotlar to‘plamidan foydalanildi. Olingan natijalarga ko‘ra model uchun o‘qitish bosqichida R²=0,991, sinov bosqichida esa R²=0,989 qiymatlari olindi. Shuningdek RMSE va MAE ko‘rsatkichlari mos ravishda 2,279 va 1,811 hamda 2,142 va 1,682 ni tashkil etdi. Tadqiqot natijalari ANFIS modeli bug‘ tayyorlash jarayonlarini yuqori aniqlik bilan modellashtirish va boshqarish imkoniyatiga ega ekanligini ko‘rsatdi.

Keywords

modellashtirish sun’iy intellekt GTL bug‘ qozoni ANFIS noaniq mantiq neyron tarmoq bug‘ sarfi bug‘ bosimi intellektual boshqaruv

Other language versions

Русский

В данной работе исследована задача интеллектуального управления процессом выработки пара в паровых котлах GTL (Gas-to-Liquids) предприятий. В качестве входных параметров были выбраны ошибка давления пара и расход пара, а в качестве выходного параметра – степень открытия топливного клапана. Для моделирования процесса была разработана модель на основе Adaptive Neuro-Fuzzy Inference System (ANFIS). Для обучения и тестирования модели использовался набор данных, сформированный на основе технологических режимов работы GTL предприятия и содержащий 150 наблюдений. Полученные результаты показали высокую точность модели: коэффициент детерминации составил R²=0,991 для обучающей выборки и R²=0,989 для тестовой выборки. Значения RMSE и MAE составили соответственно 2,279 и 1,811 для обучающих данных, а также 2,142 и 1,682 для тестовых данных. Результаты исследования подтверждают эффективность применения ANFIS для интеллектуального управления и оптимизации процессов парообразования на предприятиях GTL

искусственный интеллект моделирование GTL паровой котёл ANFIS нечеткая логика нейронная сеть расход пара давление пара интеллектуальное управление

English

This study investigates the intelligent control of steam generation processes in GTL (Gas-to-Liquids) boiler systems. Steam pressure error and steam flow rate were selected as the main input variables, while the fuel valve opening was considered as the output parameter. An Adaptive Neuro-Fuzzy Inference System (ANFIS) model was developed to describe the nonlinear relationship between process variables and control actions. A dataset consisting of 150 operating conditions generated based on GTL plant technological regimes was used for model training and testing. The developed model demonstrated high prediction accuracy with coefficient of determination values of R²=0.991 for training data and R²=0.989 for testing data. The obtained RMSE and MAE values were 2.279 and 1.811 for training, and 2.142 and 1.682 for testing, respectively. The results confirm that the ANFIS-based intelligent control approach can effectively model and optimize steam generation processes in GTL plants.

artificial intelligence modeling GTL steam boiler ANFIS fuzzy logic neural network steam flow steam pressure intelligent control

References

[1] Ashby M F 2000 Multi-objective optimization in material design and selection Acta Materialia 48 359–69

[2] Ashby M F and Ashby M F 2011 Materials Selection in Mechanical Design (Elsevier Science)

[3] Kalidindi S R, Buzzy M, Boyce B L and Dingreville R 2022 Digital Twins for Materials Front. Mater. 9 818535

[5] Roters F, Eisenlohr P, Hantcherli L, Tjahjanto D D, Bieler T R and Raabe D 2010 Overview of constitutive laws, kinematics, homogenization and multiscale methods in crystal plasticity finite-element modeling: Theory, experiments, applications Acta Materialia 58 1152–211

View PDF