پديد آورنده :
ابطحي فروشاني، مهدي
عنوان :
استفاده از شبكههاي عصبي مصنوعي براي بررسي احتمال ايجاد هيدراتهاي گازي با تزريق الكل به لوله‌هاي انتقال گاز آبهاي عميق
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
طراحي فرآيند
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
چهارده، 96ص. : مصور، جدول، نمودار
استاد راهنما :
محمدرضا احساني، محمدرضا احمدزاده
توصيفگر ها :
هيدرات هاي گازي , شبكه هاي عصبي مصنوعي , پرسپرون چند لايه , لوله هاي گاز آب هاي عميق , اتيلن گلايكول
استاد داور :
ارجمند مهرباني، عليرضا خزعلي
تاريخ ورود اطلاعات :
1400/09/29
رشته تحصيلي :
مهندسي شيمي
تاريخ ويرايش اطلاعات :
1400/09/30
چكيده فارسي :
تشكيل هيدراتهاي گاز در لوله هاي انتقال گاز واقع در آبهاي عميق، سبب انسداد آن خط لولهها شده و يكي از مشكلات شبكه هاي انتقال گاز در حوزه هاي فلات قاره به شمار ميرود. براي رفع اين مشكل راه حل هاي متفاوتي پيشنهاد شده است كه تزريق الكلها به محل هاي در خطر تشكيل هيدرات هاي گازي از رايج ترين روشها محسوب ميشود. بررسي رفتار انحلال گاز طبيعي در الكل ها با استفاده از روش هاي آزمايشگاهي امري مستلزم صرف هزينه و زمان قابل توجه است. از اين رو، پژوهش حاضر به بررسي شبيه سازي رفتار انحلال گاز طبيعي در الكل با استفاده از شبكههاي عصبي پرداخته است. به اين منظور، با استفاده از شبكه هاي عصبي از نوع پرسپترون چند لايه و استفاده از داده هاي آزمايشگاهي پژوهش هاي پيشين براي آموزش شبكه، انحلال پذيري گازهاي اتان و متان در الكلهاي متانول، اتيلن گلايكول و اتانول مدلسازي شده اند. اين مدلسازي ها نشان دادند كه پاسخ مدلسازي با شبكه پرسپترون دولايه اي در مقايسه با پاسخ نوع تكلايه اي، انطباق بهتري با نتايج آزمايشگاهي نشان مي دهد. همچنين مشخص شد كه لزوما افزايش تعداد نورون هاي استفاده شده به بهبود انطباق پاسخ مدل و داده ها كمك نمي كند. توابع انتقال استفاده شده در مدلسازيهاي اين پژوهش، نشان دادند كه تنها برخي از آنها براي هدف مدلسازي حاضر مفيد هستند. براي مثال استفاده از توابع انتقال Pureline عملكرد مناسبي از خود نشان نداد در حالي كه بهره گيري از تابع انتقال Tan-sigmoid به پاسخهايي با انطباق بالا با دادههاي مورد استفاده منجر شد. تاثير الگوريتم هاي آموزش شبكه نيز در مدلسازي مورد بررسي قرار گرفت و مشخص شد كه الگوريتم لونبرگ-ماركوارت و نسخه بهبود يافته آن با منظم سازي بيزين نتايجي مشابه و با سطح خطاي ناچيز دارند و مي توان از آموزش به روش بهبود يافته كه هزينه و زمان بيشتري مصرف مي كند صرف نظر نمود. همچنين، مقايسه خطاي مدلسازي روش شبكه هاي عصبي در پژوهش حاضر و خطاي حاصل از روش مبتني بر استفاده از معادله حالت SRKنشان داد كه شبكه هاي عصبي استفاده شده در اين پژوهش خطاي كمتري نسبت به معادله حالت SRK ارائه ميكنند. بنابراين، معادلات حالت استفاده شده توسط محققان پيشين به دليل داشتن فرضهاي ساده كننده نمي توانند در حد شبكه هاي عصبي براي تخمين رفتار انحلال پذيري گازها در الكل ها مفيد واقع شوند.
چكيده انگليسي :
The formation of gas hydrates in gas transmission pipes located in deep waters has caused the blockage of those pipelines and is one of the problems of gas transmission networks in the continental shelf basins. Different solutions have been proposed to solve this problem that injecting alcohols into spots at risk of gaseous hydration is one of the most common methods. Investigating the dissolution behavior of natural gas in alcohols using laboratory methods requires considerable expense and time. Therefore, the present study investigates natural gas
dissolution behavior simulation in alcohol using neural networks. For this purpose, the solubility of ethane and methane gases in methanol, ethylene glycol, and ethanol alcohols have been modeled using multilayer perceptron neural networks trained by laboratory data from previous studies. These simulations showed that the modeling response with the bilayer perceptron
network was better in agreement with the laboratory results than with the monolayer type response. It was also found that increasing the number of neurons did not necessarily help to improve the modelʹs fit and response. The transfer functions used in the modeling of this study showed that only some of them are useful for the present modeling. For example, the use of Pureline transfer functions did not perform well, while the Tan-sigmoid transfer function resulted in highly consistent responses with the data. The effect of network training algorithms on modeling was also examined, and it was found that the Levenberg-Marquardt algorithm and its improved version with Bayesian regularization have similar results and a low error level.
Hence, the latter can be ignored due to its time and cost consumption. Also, comparisons between the modeling error of the neural network method and the error of the methods based on
the SRK state equation showed that the neural networks provide more minor errors than the SRK state equation. Therefore, due to their simplifying assumptions, the state equations used
by previous researchers can not be as helpful as neural networks for estimating the solubility behavior of gases in alcohols.
استاد راهنما :
محمدرضا احساني، محمدرضا احمدزاده
استاد داور :
ارجمند مهرباني، عليرضا خزعلي
