بررسی مدل های ترمودینامیکی جدید برای رسوب آسفالتین با تکیه بر هوش مصنوعی و یادگیری ماشین

رسوب آسفالتین از چالش های اساسی در تولید نفت است که موجب کاهش بهره وری، انسداد چاه و آسیب به تجهیزات سطحی می شود. مدل سازی این پدیده با روش های ترمودینامیکی مانند PC-SAFT و نظریه Flory-Huggins، علیرغم دقت بالا، نیازمند داده های آزمایشگاهی پیچیده است. الگوریتم های یادگیری ماشین نظیر ANFIS، RBF، MLP و مدل های ترکیبی مانند Random Forest و CatBoost با بهره گیری از داده های میدانی پیش بینی دقیقی ارائه می دهند. استفاده از الگوریتم های فراابتکاری مانند GWO و ICA و توسعه رویکردهای Physics-Informed Machine Learning، افق جدیدی در پیش بینی و کنترل رسوب آسفالتین ایجاد کرده است.

کلیدواژه ها:

رسوب آسفالتین ، مدل های ترمودینامیکی ، یادگیری ماشین ، هوش مصنوعی ، شبکه عصبی مصنوعی (ANN)