پیش بینی ضریب تراکم پذیری گاز از طریق ترکیب شبکه عصبی والگوریتم ژنتیک
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,467
فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RESERVOIR02_030
تاریخ نمایه سازی: 11 خرداد 1392
چکیده مقاله:
ضریب تراکم پذیری گاز (Gas compressibility factor, Z)به عنوان یکی از عوامل تعیین کننده در محاسبات خصوصیات گازهای طبیعی در حوضه مهندسی شیمی و نفت همواره مورد توجه بوده است. محاسبه دقیق و سریع این پارامتر در شبیه سازی های مهندسی نفت بیشتر اهمیت پیدا میکند. در سال 1942، Standing-Katz با ارائه یه روش گرافیکی گام بلندی در محاسبه این مقدار برداشتند که تا به امروز نیز روش آنها مورد استفاده قرار میگیرد. در طول سالیان محققین دیگری نیز تلاش کردند با ارائه روش های جایگزین، دقت محاسبات را افزایش دهند که از مهمترین آنها میتوان به Dranchuk and Abu-Kasem (DAK), Brill-Begss, Hall and Yalborough اشاره کرد.تمامی روش های ارائه شده بعد از نمودار Standing-Katz هر یک به نوبه خود دارای محدودیتی میباشند مانند عدم همگرایی، عدم دقت و داشتن محدودیت دما و فشار. همچنین اکثر روش ها برای حل نیاز به تکرار(iteration) دارد و طبیعی است در چنین شرایطی متناسب با حدس اولیه ممکن است نتایج نیز تغییر کند.در این پژوهش، ما به ارائه مدلی جدید جهت محاسبه ضریب تراکم پذیری گاز طبیعی با کمک ترکیب شیکه عصبی مصنوعی و الگوریتم بهینه سازی ژنتیک میپردازیم. جهت آموزش و ارزیابی مدل پیشنهادی نیز از 354 داده آزمایشگاهی بهره گرفته شده است. شبه دمای کاهشی و شبه فشار کاهشی به عنوان ورودی های شبکه لحاظ شده اند و از الگوریتم ژنتیک جهت بهینه سازی شبکه طراحی شده و افزایش دقت استفاده گردید. دقت مدل پیشنهادی نیز توسط مقایسه با روش های تجربی سنجیده شده است. میانگین مربعات خطا و ضریب تعیین (Coefficient of determination, R2) به عنوان شاخص های دقت مدل پیشنهادی مقادیر 0.0067 و 0.97506 را نتیجه میدهند که در مقایسه با خروجی های روش های تجربی دقت بالاتری را نشان میدهند.
کلیدواژه ها:
نویسندگان
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 :