انجمن مهندسی شیمی ایران مهندسی شیمی ایران 1735-5400 مقالات آماده انتشار 2025 12 07 Surrogate Model Development for Rapid Simulation and Analysis of Linepack Dynamics in Gas Transmission Networks During Peak Consumption توسعه مدل جایگزین برای شبیه‌سازی و تحلیل سریع رفتار دینامیکی موجودی شبکه‌های انتقال گاز طبیعی در پیک مصرف 235714 10.22034/ijche.2025.541217.1541 FA امیرحسین شیری دانشکده مهندسی شیمی، دانشگاه تربیت مدرس محمد فخرالاسلام استادیار، دانشکده مهندسی شیمی، دانشگاه تربیت مدرس، تهران، ایران Journal Article 2025 08 13 In recent years, Iran has faced natural gas shortages during the cold months due to peak demand on cold days and the lack of sufficient imports or storage, making inventory management of gas transmission pipelines a critical solution. Simulating the dynamic behavior of such systems is often time-consuming and costly due to the complexity of interactions among their components. In this study, a data-driven surrogate model based on a Nonlinear Autoregressive Neural Network with eXogenous Inputs (NARX) is developed to analyze and predict the behavior of natural gas transmission networks under peak demand conditions. The quasi-experimental data required for training the NARX model were generated through dynamic simulation of a quasi-real unit in Aspen HYSYS, and the model was trained using the Levenberg–Marquardt algorithm. To evaluate the model’s performance, the Mean Absolute Error (MAE), Mean Squared Error (MSE) and Coefficient of Determination (R²) were calculated on both training and test datasets. The results show that on the test data, the model achieved MAE = 0.01474, MSE = 0.002229, and R² = 0.9968. Compared to full dynamic simulation, the proposed surrogate model is approximately 1133 times faster, corresponding to a 99.911% reduction in computation time, while maintaining high accuracy. This unique combination of speed and precision enables real-time analysis and decision-support applications during peak-demand scenarios, positioning the proposed NARX-based model as an efficient and reliable tool for forecasting and peak-shaving management in natural gas transmission networks. در سال‌های اخیر، ایران به دلیل پیک مصرف گاز در روزهای سرد و نبود واردات یا ذخیره کافی، با کمبود گاز طبیعی و خسارت‌های ناشی از آن مواجه بوده است که مدیریت موجودی خطوط لوله انتقال گاز را به راهکاری اساسی تبدیل کرده است. شبیه‌سازی رفتار دینامیکی این سامانه‌ها به دلیل پیچیدگی روابط اجزای مختلف، زمان‌بر و پرهزینه است. در این پژوهش، یک مدل جایگزین داده‌محور بر پایه شبکه عصبی بازگشتی با ورودی خارج (NARX) برای تحلیل و پیش‌بینی رفتار شبکه‌های انتقال گاز در شرایط پیک‌مصرف توسعه یافته است. داده‌های شبه‌تجربی با شبیه‌سازی دینامیکی واحد شبه‌واقعی در Aspen HYSYS تولید و مدل با الگوریتم لونبرگ-مارکوارت آموزش داده شد. برای ارزیابی عملکرد، مقادیر میانگین خطای مطلق (MAE)، میانگین مربعات خطا (MSE) و ضریب تعیین R2 روی داده‌های آموزش و تست محاسبه شد. نتایج نشان می‌دهند که مدل در داده‌های تست دارای MAE 01474/0، MSE برابر با 002229/0 و R2 برابر با 9968/0 است. مدل پیشنهادی حدود 1133 برابر سریع‌تر بوده و کاهش زمان اجرا معادل ‎91/%99 را با حفظ دقت نشان می‌دهد. این ترکیبِ سرعت و دقت امکان انجام تحلیل‌های ‌بلادرنگ و پشتیبانی از تصمیم‌گیری در شرایط پیک‌مصرف را فراهم کرده و مدل پیشنهادی را به ابزاری کارآمد برای پیش‌بینی و مدیریت پیک‌سایی شبکه‌های انتقال گاز طبیعی بدل می‌کند. https://www.ijche.ir/article_235714_340fbcfefdeaa081130db0ecc320bdd6.pdf