fa مدیریت هوشمند فیلتراسیون سامانه‌های هوای ورودی توربین‌های گازی صنعتی: مرور نظام‌مند و ارائه یک چارچوب تصمیم‌یار مبتنی بر هوش مصنوعی برای انتخاب و ارزیابی سلامت فیلتر تخصصي Special مروری Review paper <div style="border-bottom: 1pt solid windowtext; padding: 0cm 0cm 1pt; text-align: justify;"><span style="font-size:9pt"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" style="font-family:" times=""><span style="font-weight:bold"><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">سامانه هوای ورودی نقش مهمی در عملکرد، قابلیت اطمینان و طول عمر توربین‌های گازی صنعتی دارد. تجمع ذرات، تغییرات شرایط محیطی و افت تدریجی عملکرد فیلتر می‌تواند موجب افزایش اختلاف فشار، کاهش عملکرد و افزایش هزینه‌های نگه‌داری شود. با این‌حال، مدیریت متداول فیلترها عمدتاً بر بازدیدهای دوره‌ای، تجربه کارشناسی و شاخص‌های محدودی مانند اختلاف فشار متّکی است و ارزیابی یکپارچه سلامت فیلتر، عملکرد سامانه، شرایط محیطی و ملاحظات اقتصادی را فراهم نمی‌کند. در این پژوهش، با استفاده از مرور نظام‌مند مطالعات پیشین، کاربردهای هوش مصنوعی و یادگیری ماشین در پایش وضعیت، ارزیابی عملکرد و مدیریت فیلتراسیون سامانه‌های هوای ورودی توربین‌های گازی صنعتی بررسی شده و خلأ موجود در یکپارچه‌سازی ارزیابی سلامت فیلتر، عملکرد سامانه، ملاحظات پایداری و اقتصادی با فرآیند تصمیم‌گیری شناسایی شده است. بر مبنای این خلأ و با در نظر گرفتن ملاحظات صنعتی، یک چارچوب مفهومی برای مدیریت هوشمند, فیلتراسیون پیشنهاد شده است که در آن، چهار شاخص پیشنهادی شامل شاخص سلامت فیلتر</span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">(FHI)</span></span><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">، شاخص عملکرد فیلتر و جریان هوا</span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">(AFPI)</span></span><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">، شاخص سلامت هوشمند سامانه هوای ورودی</span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">(SAIHI)</span></span> <span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">و شاخص اقتصادی فیلتر</span></span></span><span dir="LTR" style="font-size:10.0pt"><span style="font-weight:normal">(FEI)</span></span> <span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal">برای یکپارچه‌سازی عوامل فنی، عملکردی، محیطی و اقتصادی به‌کار گرفته می‌شوند. در این چارچوب، روش‌های هوش مصنوعی و یادگیری ماشین به‌عنوان ابزارهای بالقوه برای تحلیل داده‌های عملیاتی، ارزیابی وضعیت و پشتیبانی از تصمیم‌گیری در نظر گرفته شده‌اند و نه به‌عنوان یک مدل آموزش‌دیده و اعتبارسنجی‌شده در پژوهش حاضر. شاخص‌های پیشنهادی و روابط مفهومی آن‌ها در این مرحله ماهیت اولیه داشته و هنوز اعتبارسنجی میدانی نشده‌اند، تعیین ضرایب، آستانه‌ها و ارزیابی عملکرد آن‌ها مستلزم استفاده از داده‌های واقعی و مطالعات میدانی آینده است. چارچوب پیشنهادی می‌تواند مبنایی برای توسعه یک سامانه تصمیم‌یار داده‌محور جهت تصمیم‌گیری درباره ادامه بهره‌برداری، نگه‌داری، تعویض یا ارتقای کلاس فیلتر در سامانه‌های هوای ورودی توربین‌های گازی صنعتی فراهم کند</span></span></span><span dir="LTR" style="font-size:11.0pt"><span style="font-weight:normal">.</span></span><span lang="FA" style="font-size:11.0pt"><span b="" nazanin="" style="font-family:"><span style="font-weight:normal"></span></span></span></span></span></span></span></span></div> <div style="text-align: justify;"><span style="font-size:12pt"><span new="" roman="" style="font-family:" times="">The inlet air system is critical to the performance and reliability of gas turbines. Particle accumulation, environmental variation, and filter degradation can increase pressure drop, reduce performance, and raise maintenance costs. However, conventional filter management relies on inspections, expert judgment, and indicators such as pressure drop, without integrating filter health, system performance, environmental conditions, and economic considerations. This study reviews applications of artificial intelligence (AI) and machine learning (ML) in condition monitoring, performance assessment, and filtration management of gas turbine inlet air systems. The review identifies a gap in integrating filter health, system performance, sustainability, and economic considerations into a unified decision process. Accordingly, a conceptual framework for intelligent filtration management is proposed, incorporating four indices: the Filter Health Index (FHI), Air Filtration Performance Index (AFPI), Smart Inlet Air Health Index (SAIHI), and Filter Economic Index (FEI). These indices integrate performance, environmental, and economic factors. AI/ML methods are considered tools for data analysis, condition assessment, and decision support, rather than a trained and validated model in this study. The indices are preliminary and have not been field-validated. Their coefficients, thresholds, and performance require real data and field studies. The framework provides a basis for data-driven decisions regarding operation, maintenance, replacement, or filter-class upgrading.</span></span></div> هوش مصنوعی, توربین گازی صنعتی, سامانه هوای ورودی, فیلتراسیون هوشمند, نگه‌داری پیش‌بینانه Artificial Intelligence, Industrial Gas Turbine, Inlet Air System, Intelligent Filtration, Predictive Maintenance 1 29 http://jeed.dezful.iau.ir/browse.php?a_code=A-10-442-1&slc_lang=fa&sid=1 Seyed Jamal Mousavi سیدجمال موسوی sjm.aeo.2025@gmail.com Yes Science and Research Branch, Islamic Azad University, Tehran, Iran واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران