مدلسازی هوشمند ترکیبی ویسکوزیته نفت خام با استفاده از الگوریتم های شبکه عصبی

گرانروی نفت خام برای اهداف متفاوت از قبیل شبیه سازی مخزن و پیش بینی تولید از مهم ترین پارامترها در مهندسی نفت می-باشد. به خاطر اهمیت بالای این پارامتر، تعیین مقدار دقیق گرانروی نفت خام در صنعت نفت دارای اهمیت زیادی می باشد. روش های آزمایشگاهی مورد استفاده برای تعیین مقدار آن معمولا هزینه بر و نیاز به زمان زیادی دارند. در نتیجه تلاش برای پیدا کردن مدل های تجربی سریع و دقیق اهمیت بالایی دارد. در این مطالعه، برای توسعه مدل ویسکوزیته به جای استفاده از روش های ذکر شده برای مدلسازی، علاوه بر ورودی های روش های ذکر شده داده های ترکیب نفت خام نیز وارد شده است. همچنین برای ارائه مدل ها، از دو مدل شبکه عصبی" پرسپترون چندلایه" و "توابع پایه شعاعی" استفاده شد و مقایسه ی میزان دقت شبکه های عصبی به کار رفته برای هریک از مدل ها صورت گرفته است. در بخش آخر نیز مقایسه خطای این مدل ها توسعه داده شده است. نتایج حاصل، به طور قابل ملاحظه ای دقت بالای این مدل ها را برای پیش بینی ویسکوزیته نفت در همه نواحی اشباع و غیر اشباع نشان می دهد. ذکر این نکته حائز اهمیت است که روابط دیگر برای یک ناحیه خاص و با میزان دقت بسیار کمی توسعه داده شده اند در حالی که دقت و همینطور محدوده داده های مورد استفاده برای توسعه این مدل ها، مدل های توسعه داده شده را برای محاسبه ویسکوزیته نفت برای مخازن نفت دنیا مورد اعتماد قرار می دهد.

Keywords:

ویسکوزیته , مدل ترکیبی , شبکه عصبی , پرسپترون چند لایه , توابع پایه شعاعی