17241

17241

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

كارشناسي ارشد

طراحي، شبيه سازي و كنترل فرآيندها

بهمن ماه 1395

دكتر محمد امين ثباتي

دكتر محمد تقي صادقي

مهندسي شيمي ، نفت و گاز

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.

1396/02/16

1/1/1900 12:00:00 AM

There are important challenges an​d technical difficulties in the production an​d transportation of heavy crude oils due to high viscosity of this type of crude oils. Therefore, several viscosity reduction methods has been proposed by researchers. One of these methods is dilution method. In dilution method, the crude oil is mixed with a low viscosity fluid which is called diluent. The viscosity of crude oil/diluent blend depends on several parameters including crude oil an​d diluent physical properties, an​d the diluent to crude oil ratio. Viscosity is an important parameter in designing the crude oil extraction an​d transportation equipment. Therefore, the development of reliable models an​d correlations for the estimation of crude oil/diluent blend is important. The main aim of the present study was the development of data driven models using Genetic Algorithm (GA), Gene Expression Programming (GEP), Artificial Neural Network (ANN) an​d Support Vector Regression (SVR) for the estimation of viscosity of heavy crude oil/diluent blends. 831 data points on the viscosity of blends (i.e., 698 weight fraction based data (0.185–156,862 cSt) an​d 133 volume fraction based data (0.412–165,860 cSt) were obtained from the literature. The prediction results for the weight fraction based models in terms of the absolute average relative error (AARE %) were 7.28, 11.00, 13.97 an​d 8.63 for GA, GEP, ANN an​d SVR developed models, respectively. The prediction results for the volume fraction based models in terms of the absolute average relative error (AARE %) were 8.73, 13.94, 10.36 an​d 6.02 for GA, GEP, ANN an​d SVR developed models, respectively. Therefore, the best developed models for mass fraction based data an​d volume fraction based data were GA-based correlations an​d SVR models, respectively.