مدل سازی کشش بینسطحی سیستم آب شور/ نفت خام/ سورفکتانت آنیونی با روش برنامهریزی ژنتیک
Publish place: The journal of Petroleum Research، Vol: 28، Issue: 4
Publish Year: 1397
Type: Journal paper
Language: Persian
View: 138
This Paper With 20 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_PRRIP-28-4_002
Index date: 27 December 2023
مدل سازی کشش بینسطحی سیستم آب شور/ نفت خام/ سورفکتانت آنیونی با روش برنامهریزی ژنتیک abstract
مواد فعالسطحی بهعنوان مهم ترین ترکیبات شیمیایی در فرآیند ازدیاد برداشت شیمیایی، میتوانند با کاهش کشش بینسطحی میان محلول آبی تزریقی و نفت مخزن، ضمن تغییر ترشوندگی محیط متخلخل، مقادیر قابل توجهی از نفت باقیمانده در مخزن را که به صورت پراکنده درون حفره ها و گلوگاه ها بهدام افتادهاند، آزاد کنند و بهسمت چاه تولیدی هدایت نمایند. با توجه به نقش مواد فعالسطحی، لازم است روشهایی برای پیش بینی عملکرد آن ها در فرآیند ازدیاد برداشت ارائه شود. در پروژه ی حاضر، مجموعه ای از دو مدل ریاضی داده محور برای تخمین کشش بینسطحی سیستم آب شور/ نفت خام/ سورفکتانت آنیونی ساخته شده اند که در تولید آن ها از ۵۹۸ داده تجربی استفاده شده است. برای ایجاد همبستگی میان متغیرهای مستقل و تابع هدف، از روش برنامه ریزی ژنتیک بهعنوان یکی از قوی ترین ابزارهای مدل سازی بهره گرفته شده است. مجذور ضریب همبستگی (R۲) روابط ایجاد شده برابر با ۹۴۶/۰ و ۹۳۸۷/۰ و جذر میانگین مربعات خطا (RMSD) برای این روابط، برابر با mN/m ۴۴۳۹/۳ و mN/m ۳۲۶۱/۳ است. سادگی و تخمین های مناسب، از ویژگی های روابط تولید شده است.
مدل سازی کشش بینسطحی سیستم آب شور/ نفت خام/ سورفکتانت آنیونی با روش برنامهریزی ژنتیک Keywords:
مدل سازی کشش بینسطحی سیستم آب شور/ نفت خام/ سورفکتانت آنیونی با روش برنامهریزی ژنتیک authors
دانیال ابوعلی
دانشکده مهندسی شیمی، نفت و گاز، دانشگاه علم و صنعت، تهران، ایران
شاهرخ شاه حسینی
دانشکده مهندسی شیمی، نفت و گاز، دانشگاه علم و صنعت، تهران، ایران
محمد امین ثباتی
دانشکده مهندسی شیمی، نفت و گاز، دانشگاه علم و صنعت، تهران، ایران
مهدی عصاره
دانشکده مهندسی شیمی، نفت و گاز، دانشگاه علم و صنعت، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :