14888

كاربرد روش‌هاي يادگيري ماشين در حل مسائل جريان در خطوط لوله

1403

جناب آقاي دكتر سياوشي

در صنعت نفت و گاز، انتقال مطمئن سيالات در خطوط لوله همواره با چالش‌هاي متعددي همراه بوده است. پديده‌هايي نظير تشكيل رسوبات آلي از جمله موم و آسفالتين، تشكيل هيدرات‌هاي گازي در دماهاي پايين، پديده بارگذاري مايع در خطوط شيب‌دار، و رفتارهاي پيچيده جريان چندفازي، از جمله مهم‌ترين عواملي هستند كه عملكرد سيستم‌هاي انتقال را مختل مي‌سازند. روش‌هاي عددي و آزمايشگاهي مرسوم، علي‌رغم دقت بالا، به دليل پيچيدگي محاسباتي، هزينه زياد، و زمان‌بر بودن، پاسخ‌گوي كامل نيازهاي صنعتي نيستند. با گسترش تكنولوژي‌هاي داده‌محور، استفاده از الگوريتم‌هاي يادگيري ماشين مانند شبكه‌هاي عصبي مصنوعي، ماشين بردار پشتيبان، و درخت‌هاي تصميم‌گيري، به عنوان جايگزيني دقيق و سريع براي مدل‌سازي اين پديده‌ها مطرح شده است. اين الگوريتم‌ها توانسته‌اند با تحليل داده‌هاي عملياتي و استخراج الگوهاي پنهان، به پيش‌بيني رفتار جريان و كنترل ناهنجاري‌ها كمك كنند. افزون بر اين، روش‌هاي تركيبي مبتني بر دانش فيزيكي، به‌ويژه شبكه‌هاي عصبي فيزيك آگاه (PINN)، با تلفيق معادلات حاكم و داده‌هاي تجربي، افق‌هاي جديدي در مدل‌سازي مسائل پيچيده گشوده‌اند. در اين سمينار، با بررسي جامع پژوهش‌هاي انجام‌شده در اين حوزه و تحليل عملكرد روش‌هاي مختلف يادگيري ماشين، تلاش شده است تا ضمن شناسايي مزايا و چالش‌هاي هر رويكرد، مسير مناسبي براي توسعه مدل‌هاي دقيق‌تر و قابل اعتمادتر در تحليل جريان چندفازي ارائه گردد.

6/8/2025 12:00:00 AM

87039

1404/05/11

Application of machine learning methods in solving flow problems in pipelines

نفت و گاز , تضمين جريان , يادگيري ماشين , هوش مصنوعي فيزيك آگاه , تشكيل هيدرات گاز , رسوب آسفالتين و موم