СИСТЕМНИЙ ПІДХІД ДО ВИБОРУ ПРИРОДОЗАХИСНОГО ОБЛАДНАННЯ

PDF(УКРАЇНСЬКА)

 

Козій Іван Сергійович

Сумський державний університет, Суми, Україна

https://orcid.org/0000-0003-0402-6876

 

DOI: 10.52363/2522-1892.2022.1.7

 

Ключові слова: технології захисту навколишнього середовища, забруднюючі речовини, пилогазоочисне обладнання

 

Анотація

У статті розглянуто питання оптимального вибору ефективного пилогазоочисного обладнання з урахуванням реальних умов середовища і характеристик забруднюючих речовин. Осадження забруднюючих речовин із газових викидів призводить до забруднення ґрунтів і міграції важких металів у підземні і поверхневі води, тому питання оптимального вибору ефективного природозахисного обладнання становить актуальність дослідження. Проблема обґрунтованого вибору оптимального пилогазоочисного обладнання повинна враховувати параметри забруднюючих речовин і умови середовища проведення процесу очищення, що може бути виконано з використанням математичного апарату. У статті за допомогою алгебри висловлень сформульовано поступовість і наслідування роботи алгоритмічної програми розрахунку оптимального пилогазоочисного обладнання на підставі параметрів забруднюючих речовин та умов середовища. Аналіз графу дає змогу отримати швидке алгоритмічне пояснення орієнтованого оптимального вибору певних типів очисного обладнання. На підставі аналізу і візуалізацій ієрархічної будови схеми вибору пилогазоочисного обладнання можна зробити висновок про зручну оцінку ефективності проведення процесу очищення.

 

Посилання

1.   Human exposure risks for metals in soil near a coal-fired power-generating plant / George J. et al. Archives of environmental contamination and toxicology. 2015. Vol. 68(3). P. 451–461. DOI: 10.1007/s00244-014-0111-x.

2.   Liao M. C., Lan K, Yao Y. Sustainability implications of artificial intelligence in the chemical industry: A conceptual framework. Journal of industrial ecology. 2021. Vol. 26(1). P. 164–182. DOI: 10.1111/jiec.13214.

3.   Artificial intelligence in sustainable energy industry: Status quo, challenges and opportunities / Ahmad T. et al. Journal of Cleaner Production. 2021. Vol. 289. Art. 125834. DOI: 10.1016/j.jclepro.2021.125834.

4.   Popescu L. G., Popa R. G., Schiopu E. C. The thermal power plant impact on the environment and some possibilities of reduce it by ash and slag recycling and reuse. Scientific Papers, Series E – Land Reclamation, Earth Observation and Surveying Environmental Engineering. 2018. Vol. 7. P. 10–15.

5.   Comprehensive evaluation of coal-fired power plants based on grey relational analysis and analytic hierarchy process / Gang X. et al. Energy Policy. 2011. Vol. 39(5). P. 2343–2351. DOI: 10.1016/j.enpol.2011.01.054.

6.   Potentials of whole process control of heavy metals emissions from coal-fired power plants in China / Zhu C. et al. Journal of Cleaner Production. 2016. Vol. 114. P. 343–351. DOI: 10.1016/j.jclepro.2015.05.008.

7.   Singh R. K., Gupta N. C., Guha B. K. The leaching characteristics of trace elements in coal fly ash and an ash disposal system of thermal power plants. Energy Sources. Part A: Recovery, Utilization and Environmental. 2012. Vol. 34(7). P. 602–608. DOI: 10.1080/15567036.2011.621928.

8.   Hoang V. N., Alauddin M. Input-orientated data envelopment analysis framework for measuring and decomposing economic, environmental and ecological efficiency: an application to OECD agriculture. Environmental and Resource Economics. 2012. Vol. 51(3). P. 431–452. DOI: 10.1007/s10640-011-9506-6.

9.   Aljundi I. H. Energy and exergy analysis of a steam power plant in Jordan. Applied Thermal Engineering. 2009. Vol. 29(2–3). P. 324–328. DOI: 10.1016/j.applthermaleng.2008.02.029.

10.Kozii I. S., Plyatsuk L. D., Koval V. V. Algorithm for selection equipment to reduce the technogenic effect on the environment. Problemele Energeticii Regionale. 2022. Vol. 1(53). P. 59–67. DOI: 10.52254/1857-0070.2022.1-53.05.

11.Bacciu D., Bruno A. Deep tree transductions – A short survey. Recent Advances in Big Data and Deep Learning. INNSBDDL 2019. Proceedings of the International Neural Networks Society, Vol. 1, Springer, Cham, 2020. P. 236–245. DOI: 10.1007/978-3-030-16841-4_25.

12.Comparison between UMAP and t-SNE for multiplex-immunofluorescence derived single-cell data from tissue sections / Wu D. et al. bioRxiv. 2019. Art. 549659. 20 p. DOI: 10.1101/549659.

13.Selection of equipment types when designing multipurpose chemical plants / Mokrozub V. G., Farakhshina I. V., Al-Magsusii H. F. H., Merkushova K. A. Chemical and Petroleum Engineering. 2020. Vol. 56. P. 230–236. DOI: 10.1007/s10556-020-00763-2.

14.Borisenko A. V., Karpushkin S. V. Hierarchy of processing equipment configuration design problems for multiproduct chemical plants. Journal of Computer and Systems Sciences International. 2017. Vol. 53(3). P. 410–419. DOI: 10.1134/S1064230714030046.

15.Mokeddem D., Khellaf A. Optimal solutions of multiproduct batch chemical process using multiobjective genetic algorithm with expert decision system. Journal of Automated Methods and Management in Chemistry. 2009. Art. 927426. DOI: 10.1155/2009/927426.

16.Lee J. H., Shin J., Realff M. J. Machine learning: Overview of the recent progresses and implications for the process systems engineering field. Computers and Chemical Engineering. 2018. Vol. 114. P. 111–121. DOI: 10.1016/j.compchemeng.2017.10.008.

17.Sustainable manufacturing with cyber-physical discrete manufacturing networks: overview and modeling framework / Garcia D. J. et al. Journal of Manufacturing Science and Engineering. 2018. Vol. 141(2). Art. 021013. DOI: 10.1115/1.4041833.

18.A recursive operations strategy model for managing sustainable chemical product development and production / Choy K. L. et al. International Journal of Production Economics. 2016. Vol. 181. Part B. P. 262–272. DOI: 10.1016/j.ijpe.2016.07.011.

19.Критерії вибору природозахисного обладнання для очищення промислових викидів підприємств / Козій І. С. та ін. Екологічні науки. 2021. Вип. 6(39). С. 12–18. DOI: 10.32846/2306-9716/2021.eco.6-39.2.