شبیه سازی شرایط تشکیل هیدرات گازی در حضور و عدم حضور بازدارنده های ترمودینامیکی با استفاده از روابط تجربی و مدل های داده محور

سال انتشار: 1390
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 66

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_PRRIP-21-65_007

تاریخ نمایه سازی: 4 دی 1402

چکیده مقاله:

هیدرات های گازی در تاسیسات مختلف مربوط به جابه جایی گاز طبیعی و تجهیزات فرآیندی در میادین نفت و گاز، پالایشگاه ها، پتروشیمی و دستگاه های موجود در صنایع شیمیایی، درصورت حضور هم زمان گاز طبیعی و آب، در شرایط فشار بالا و دمای پایین تشکیل می گردد. به منظور جلوگیری از تشکیل هیدرات، دما و فشار تشکیل هیدرات تخمین زده می شود. در این مقاله دو مدل داده محور یعنی شبکه عصبی مصنوعی و سیستم فازی-عصبی (مدل انفیس) به عنوان ابزاری جایگزین جهت تخمین فشار تشکیل هیدرات برای سیستم های گازی مختلف با استفاده از داده های تجربی موجود در این زمینه، توسعه داده شد. جهت رسیدن به این هدف، ساختار بهینه هر یک از این مدل های داده محور برای سیستم های مورد بررسی، با استفاده از پارامترهای آماری تعیین گردید. مقادیر حاصل از کاربرد شبکه عصبی و مدل انفیس با نتایج به دست آمده از روابط تجربی و مدل ترمودینامیکی دانشگاه هریوت وات (HWHYD) مقایسه گردید. از بین دو مدل داده محور، مدل انفیس در همه موارد از لحاظ تمامی معیارهای عملکردی، پاسخ بهتری نسبت به شبکه عصبی مصنوعی نشان داد. همچنین مدل انفیس نسبت به روابط تجربی و مدل ترمودینامیکی دانشگاه هریوت وات از دقت بالاتری برخوردار بود.

نویسندگان

سیدمجتبی حسینی نسب

دانشگاه تربیت مدرس، گروه مهندسی شیمی

محسن وفایی سفتی

دانشگاه تربیت مدرس، گروه مهندسی شیمی

امیرعباس ایزدپناه

دانشگاه خلیج فارس بوشهر، گروه مهندسی شیمی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • منابع[۱] Singh T.N., Sinha S. & Singh V.K., “Prediction of ...
  • Kaul M., Hill R.L. & Walthall C., “Artificial neural networks ...
  • Torrecilla J.S., Otero L. & Sanz P.D., “A neural network ...
  • Haykin S., Neural networks: A comprehensive foundation. McMillan College Publishing ...
  • Azadeh A., Ghaderi S.F. & Sohrabkhani.S., “Forecasting electrical consumption by ...
  • Rai P., Majumdar G.C., Das Gupta S. & De, S., ...
  • Bouchard C. & Grandjean A., “A neural network correlation for ...
  • Laugier S., Richon D., “Use of artificial neural networks for ...
  • Potukuchi W. & Wexler AS., “Predicting vapor pressures using neural ...
  • Shyam S.S., Oon-Doo B., & Michele M., “Neural networks for ...
  • Petersen R., Fredenslund A., & Rasmussen P., “Artificial neural networks ...
  • Sharma R., Singhal D., Ghosh R. & Dwivedi A., “Potential ...
  • Ganguly S., “Prediction of VLE data using radial basis function ...
  • Hoseini-Nasab S.A., Izadpanah A.M. & Vafaei-Sefti M., “Application of adaptive ...
  • Elgibaly A. & Elkamel A., “A new correlation for predicting ...
  • Elgibaly A. & Elkamel A., “Optimal Hydrate Inhibition Policies with ...
  • Heydari A., Shayesteh K. & Kamalzadeh L, “Prediction of hydrate ...
  • Avlonitis D., Danesh A. & Todd A.C., “Prediction of VL ...
  • Van der Waals J.H. & Platteeuw J. C., “Clathrate Solutions”, ...
  • Avlonitis D., Thermodynamics of gas hydrate equilibria, Ph.D. Thesis, Department ...
  • Tohidi-Kalorazi B., Gas hydrate equilibria in the presence of electrolyte ...
  • نمایش کامل مراجع