پیش بینی ضریب تراکم پذیری گاز از طریق ترکیب شبکه عصبی والگوریتم ژنتیک
- سال انتشار: 1392
- محل انتشار: دومین همایش علمی مهندسی مخازن هیدروکربوری، علوم و صنایع مرتبط
- کد COI اختصاصی: RESERVOIR02_030
- زبان مقاله: فارسی
- تعداد مشاهده: 1654
نویسندگان
فارغ التحصیل مهندسی نفت مخازن هیدروکربوری، دانشگاه علوم و تحقیقاتت
التحصیل فارغ کارشناسی ارشد مهندسی نفت مخازن هیدروکربوری،دانشگاه صن
چکیده
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
ضریب تراکم پذیری گاز، شبکه عصبی مصنوعی، بهینه سازی، الگوریتم ژنتیکمقالات مرتبط جدید
- پتانسیل کانیزایی و تشکیل بوکسیت در برگه علیآباد شمال استان سمنان
- کاربرد تلفیق تصاویر اپتیکال و راداری در بارزسازی سنگهای دگرسان شده و اکتشاف کانسارهای معدنی: مطالعات موردی از مصر، اندونزی و ایران
- شناسایی تاثیر لاگ های ژئو فیزیکی دراکتشافات نفت با تاکید بر چالش های تولید نفت در آب های عمیق تضمین جریان
- مروری بر مهندسی محیط زیست، توسعه پایدار، تجارت بین الملل و مدیریت منابع
- نقش هوش مصنوعی در ارتقای بهرهوری صنعت سنگ های ساختمانی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.