استفاده از روشهاي هوش مصنوعي در مدلسازي فرآيند كاهش ويسكوزيته نفت خام از طريق افزودن رقيق كنندهها

كارشناسي ارشد

توليد و انتقال نفت هاي سنگين و فوق سنگين به دليل ويسكوزيته زياد با چالشهاي زيادي مواجه است لذا روش هاي مختلف كاهش ويسكوزيته اين نفت ها مورد توجه محققين قرار گرفته است. يكي از روش¬هاي كاهش ويسكوزيته نفت خام سنگين مخلوط كردن آن با مواد رقيق كننده مي¬باشد. اين روش به دليل سهولت كاربرد براي انتقال نفت¬هاي سنگين و قير طبيعي مورد استفاده قرار مي¬گيرد. ويسكوزيته نهايي نفت خام مخلوط شده به تركيب درصد محتويات نفت خام، خواص ماده رقيق¬كننده، نسبت وزني و يا حجمي نفت به رقيق¬كننده و برهمكنش آن¬ها وابسته است. با توجه به اهميت پارامتر ويسكوزيته در طراحي تجهيزات استخراج و انتقال نفت خام سنگين ارائه مدل¬هاي رياضي كه بتوانند در محدوده وسيع از ويسكوزيته اجزا مخلوط، ويسكوزيته مخلوط را با دقت بالا پيش¬بيني كنند، بسيار حائز اهميت است. در مطالعه حاضر هدف ارائه روابط و مدل¬هاي جديد براي تخمين ويسكوزيته مخلوط نفت و رقيق¬كننده با استفاده از روش¬هاي داده محور الگوريتم ژنتيك GA، برنامه¬نويسي بيان ژني GEP، شبكه عصبي مصنوعي ANN و رگرسيون بردار پشتيبان SVR مي¬باشد. داده¬هاي تجربي جمع¬آوري شده براي اين كار به دو دسته داده¬هاي ويسكوزيته بر حسب كسر حجمي و بر حسب كسر جرمي تقسيم مي¬شوند. محدوده ويسكوزيته سينماتيك داده¬هاي تجربي بر حسب كسر جرمي (cSt 156862-185/0) و براي داده¬هاي بر حسب كسر حجمي (cSt 165860-412/0) مي¬باشد. معيار مقايسه روش¬هاي مختلف ميانگين خطاي نسبي مطلق AARE در نظر گرفته شد.خطاي AARE داده¬هاي بر حسب كسر جرمي براي روش¬هاي GA، GEP، ANN و SVR به ترتيب 28/7، 00/11، 97/13 و 63/8 درصد و براي داده¬هاي بر حسب كسر حجمي به ترتيب 73/8، 94/13، 36/10 و 02/6 درصد مي¬باشند. بنابر نتايج بدست آمده بهترين مدل براي داده¬هاي كسر جرمي مدل مبتني بر الگوريتم ژنتيك GA و براي داده¬هاي كسر حجمي مدل مبتني بر روش رگرسيون بردار پشتيبان SVR مي¬باشد.

189623

دانشگاه علم و صنعت ايران

دكتر محمد تقي صادقي

طراحي، شبيه سازي و كنترل فرآيندها

دكتر محمد امين ثباتي