پیش بینی میزان رسوب واکس با استفاده از شبکه های عصبی و الگوریتم ژنتیک و مقایسه آن با مدل چند جامدی (Multi-solid) در سیستمهای نفت خام

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,690

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NICEC12_812

تاریخ نمایه سازی: 30 شهریور 1387

چکیده مقاله:

این مقاله یکی از کاربردهای جدید تکنولوژی شبکه عصبی و برنامه ژنتیک در مهندسی نفت می باشد. روشهای هوشمند جهت محاسبه میزان رسوب واکس در مخلوط های نفت خام در دامنه های مختلف دمایی استفاده شده است. در این کار، یک شبکه عصبی چند لایه ای Feed forward معمولی و نظریه طراحی شبکه عصبی با استفاده از الگوریتم ژنتیک جهت پیش بینی میزان رسوب واکس پیشنهاد شده است. دقت این مدل در پیش بینی میزان رسوب واکس با استفاده از اطلاعات سیال مخزن که در آموزش شبکه شرکت نکرده اند امتحان شده است. همچنین کارکرد این مدل در مقایسه با مدل چند جامدی فیروز آبادی و همکارانش برای پیش بینی میزان رسوب واکس با اطلاعات آزمایشگاهی نتایج بهتری میدهد. نهایتا ، نتایج مدل نشان میدهد که این مدل پیشنهادی از جهت دقت و عمومیت نسبت به سایر مدلهای پیشنهادی برتری زیادی دارد.

نویسندگان

عباس خاکسار منشاد

دانشگاه آزاد اسلامی واحد امیدیه ، امیدیه ، خوزستان

محسن عدالت

قطب نفت وگاز ، گروه مهندسی شیمی دانشکده فنی ، دانشگاه تهران

سیاوش عاشوری

گروه مهندسی نفت ، دانشگاه صنعت نفت ، اهواز

غلامحسین منتظری

قطب نفت وگاز ، گروه مهندسی شیمی دانشکده فنی ، دانشگاه تهران

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 :
  • Won. K. W., 1986. Thermo dynamic for solid SO lution- ...
  • Won. K. W., 1989. Thermo dynamic calculation of cloud point ...
  • Pedersen, K. S., Skovborg, P., 1991. Wax precipitation from north ...
  • lira-galena, C., firoozabadi, A., prausnitz, M., 1996. Thermo dynamics of ...
  • Hansen, J. H., fredenslund, A., Pedersen, K. S., 1937. A ...
  • Pan, H., Firoozabadi, A., Fotland, P., 1996. Pressure and composition ...
  • Pedersen, K. S., 1996. Prediction of cloud point temperatures and ...
  • Zadeh, L.A., 1973. Outline of a new approach to the ...
  • Koza, J.R., Rice, J.P., 1991. Genetic Generation of Both the ...
  • Mitchell, M., 1996. An Introduction to Genetic Algorithms. MIT Press, ...
  • Moore, J.H., 2003. Cross validation consistency for the assessment of ...
  • Moore, J.H., Parker, J.S., Olsen, N.J., Aune, T.S., 2002. Symbolic ...
  • Ritchie, M.D., Hahn, L.W., Roodi, N., Bailey, L.R., Dupont, W.D., ...
  • Al-Fattah, M., 2007. Artificial intelligence technology predicts relative permeability of ...
  • Akbari, M., Jalali, F., 2007. Dew _ pressure estimation of ...
  • Ritchie, M. D., Motsinger, A. A., Bush, W. S., 2007. ...
  • Saemi, M., Ahmadi, M., Yazdian, A., 2007. Design of neural ...
  • _ Experimental data (oil 15) (Pedersen et al., 1991) _ ...
  • _ _ _ _ Multi-solid model (lira-galena et al., 1996) ...
  • _ Experimental data (oil 12) (Pedersen et al., 1991) ------ ...
  • Composition of C-C 0.218 2.127 Composition of Co-C» 3.057 30.952 ...
  • نمایش کامل مراجع