بهینه سازی پیش بینی ضریب تراکم پذیری گاز طبیعی با استفاده ازترکیب شبکه های عصبی و الگوریتم ژنتیک بر پایه معادله حالت MMA
Publish place: The Third Scientific Conference of Hydrocarbon Reservoir Engineering, Science and Related Industries
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,149
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
RESERVOIR03_064
تاریخ نمایه سازی: 21 تیر 1393
Abstract:
اندازه گیری خواص فشار-حجم-دمای گاز طبیعی درون خطوط انتقال، سیستم های ذخیره گاز، و مخازن گاز نیازمند مقدار درستی از ضریب تراکم پذیری میباشد.گرچه معادلات حالت و روابط تجربی زیادی در این زمینه جهت تخمین این ضریب مورد استفاده قرار گرفته است، اما تخمینی صحیح تنها با استفاده از این معادلات اساسا وابسته به بازه ای از داده ها بوده که روابط بر پایه آنها حاصل شده است.یکی از این معادلات معادله حالت محمدی خواه-محبی-ابولقاسمی (MMA) بوده که در آن ضریب تراکم پذیری به عنوان تابعی از پارامترM، ، تعریف می شود.از آنجایی که تقاضا برای روش های نوین، قابل اعتمادتر و البته مدل های آسان تر و سریع تر می باشد، لذا محققان را برآن داشته است تا مدل های جدیدی بر پایه سیستم های هوش مصنوعی ارائه دهند.در این مقاله علاوه بر دمای نقصانی و فشار نقصانی، که بطور معمول در تخمین ضریب تراکم پذیری مورد استفاده واقع می شوند، پارامتر دیگری به نام M به یک مدل از شبکه عصبیبه عنوان ورودی اضافه گردیده و پارامترضریب تراکم پذیری نیز به عنوان خروجی شبکه در نظر گرفته شده است. این مقاله الگوریتم ژنتیک را به عنوان یک الگوریتم جستجوی تصادفی مبتنی بر جمعیت جهت بهینه سازی ساختار شبکه عصبی و همچنین تنظیم وزن ها و بایاس های مرتبط با آن معرفی میکند. نتایج این تحقیق با تعدادی از معادلات مرسوم مورد مقایسه قرار می گیرد. ضریب همبستگی ( ) بین پیش گویی مدل این مطالعه و داده های تجربی برابر با 0.99445 می باشد
Keywords:
Authors
سعید افشاری منش
دانشجوی کارشناسی ارشد مهندسی شیمی دانشگاه شهید باهنر کرمان
علی محبی
استاد مهندسی شیمی، دانشگاه شهید باهنر کرمان
ولی احمد سجادیان
استادیار مهندسی نفت، دانشگاه صنعت نفت اهواز
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 :