The use and comparision of artificial intelligence based methods for prediction of natural gas hydrate formation conditions

Tofiq, Touba (2021) The use and comparision of artificial intelligence based methods for prediction of natural gas hydrate formation conditions. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
59.pdf

Download (2MB)

Abstract

Research Aim: Hydrate formation can cause problems such as high pressure drop and blockage in natural gas transmission lines. Accordingly, accurate estimation of hydrate formation conditions is crucial in preventing these Mentioned problems. The common mathematical models are presented in this regard, which usually do not have acceptable accuracy and for this reason, the use of artificial intelligence-based optimization methods as an alternative solution is very important. Artificial neural network has been used as a powerful modeling tool to predict many processes, that can the accuracy of prediction increased by hybridized it with other artificial intelligence methods. Research method: The study is performed on the methane and pure water systems without impurities and salts. Artificial neural network is used in MATLAB software to predict hydration formation equations. As a new approach, the equations governing the artificial neural network were extracted and the so-called white box neural network was created. Finally, the assessment was carried out on the findings of the artificial neural network. Findings: In artificial neural network experimental data, pressure, temperature, and specific gravity of gas are the main parameters of the hydrate formation equation. Analysis of difference values between the output data from the network and the experimental data has been done. Five error function modes including (R2, Mse, Rmse, Error, performance) have been studied and the constants of the obtained equations, which are the same weights (IW, LW) and biases (B1, B2), are stated. Conclusion: When there was a single pressure or temperature input to the artificial neural network from two neurons, and when there were two inputs to the network, "pressure or temperature" with SP. Gravity gas from three neurons were used. In the evaluation of the equations, their accuracy is determined. It is noteworthy that in this project, due to the function desirability of the artificial neural network, the use of its hybrid with other algorithms presented an undesirable result. In order to be comprehensive and develop these equations on an industrial scale, it is suggested that the study be examined in impure systems.

Item Type: Thesis (Masters)
Persian Title: استفاده و مقایسه¬ی روش¬های مبتنی¬بر هوش مصنوعی برای پیش¬بینی شرایط تشکیل هیدرات گاز طبیعی
Persian Abstract: هدف: تشکیل هیدرات می¬تواند مشکلاتی مانند افت فشار بالا و مسدود شدن در خطوط انتقال گاز طبیعی ایجاد نماید. بر همین اساس برآورد دقیق شرایط تشکیل هیدرات در پیشگیری از مسائل مذکور اهمیت حیاتی دارد. مدل¬های ریاضی مرسومی در این خصوص ارائه شده است که معمولاً دقت قابل قبولی ندارند و به همین دلیل استفاده از روش¬های بهینه¬سازی مبتنی بر هوش مصنوعی به عنوان یک راه حل جایگزین بسیار مورد توجه می¬باشد. شبکه¬ی عصبی مصنوعی به عنوان یک ابزار مدل¬سازی قوی برای پیش¬بینی بسیاری از فرآیندها به کار گرفته شده است که می¬توان با هیبرید نمودن آن با سایر روش¬های هوش مصنوعی، دقت پیش¬بینی را افزایش داد. روش‌شناسی پژوهش:مطالعه بر روی سیستم متان و آب خالص بدون ناخالصی و نمک¬ها انجام گرفته است. از شبکه¬ی عصبی مصنوعی در نرم¬افزار متلب برای پیش¬بینی معادلات تشکیل هیدرات استفاده شد. به عنوان یک رویکرد جدید معادلات حاکم بر شبکه عصبی مصنوعی استخراج شد و به اصطلاح شبکه عصبی white box ایجاد گردید. در نهایت ارزیابی بر روی یافته¬های شبکه¬ی عصبی مصنوعی انجام گرفت. یافته‌ها: در شبکه¬ی عصبی مصنوعی داده¬های تجربی فشار و دما و وزن مخصوص گاز که پارامترهای اصلی معادله¬ی تشکیل هیدرات می¬باشند آنالیز مقادیراختلاف صورت گرفته بین داده¬های خروجی از شبکه و داده¬های تجربی انجام گرفته است. پنج حالت تابع خطا از جمله (R2, Mse, Rmse, Error, performance) مطالعه شده است و ثوابت معادلات به¬دست آمده که همان وزن¬ها (IW, LW) و بایاس¬ها (B1, B2) می¬باشند، قید شده است. نتیجه‌گیری: وقتی که تک ورودی فشار یا دما به شبکه¬ی عصبی مصنوعی وجود داشت از دو نورون و زمانی که دو ورودی به شبکه، "فشار یا دما" همراه با دانسیته مخصوص گاز موجود بود از سه نورون استفاده شده است. در ارزیابی به¬عمل آمده از معادلات صحت آن¬ها تعیین شده است. قابل ذکر می¬باشد که در این پروژه به علت مطلوبیت کارکرد شبکه¬ی عصبی مصنوعی، استفاده از هیبرید آن با الگوریتم¬های دیگر نتیجه¬ی نامطلوبی ارائه داد. به¬منظور جامعیت و توسعه¬ی این معادلات در مقیاس صنعتی پیشنهاد می¬شود که مطالعه در سیستم¬های ناخالص بررسی شود.
Supervisor:
SupervisorE-mail
Heydari, AmirUNSPECIFIED
Advisor:
AdvisorE-mail
Fakharian, HajarUNSPECIFIED
Subjects: Faculty of Engineering > Department of Chemical Engineering
Divisions > Faculty of Engineering > Department of Chemical Engineering
Divisions: Subjects > Faculty of Engineering > Department of Chemical Engineering
Faculty of Engineering > Department of Chemical Engineering
Date Deposited: 19 Jul 2021 07:57
Last Modified: 19 Jul 2021 07:57
URI: http://repository.uma.ac.ir/id/eprint/13210

Actions (login required)

View Item View Item