CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

پیش بینی فشار رسوب آسفالتین و فشار نقطه حباب طی تزریق گاز co2 با استفاده نظریه های از هوش مصنوعی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۷ | تعداد نمایش خلاصه: ۳۵۳ | نظرات: ۰
سال انتشار: ۱۳۹۰
نوع ارائه: پوستر
کد COI مقاله: IPEC03_141
زبان مقاله: فارسی
حجم فایل: ۸۶۸ کلیوبایت (فایل این مقاله در ۱۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۷ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله پیش بینی فشار رسوب آسفالتین و فشار نقطه حباب طی تزریق گاز co2 با استفاده نظریه های از هوش مصنوعی

رضا بهوندی - دانشگاه آزاد اسلامی واحد علوم و تحقیقات
  احسان خامه چی - دانشگاه صنعتی امیرکبیر
  فریبرز رشیدی - دانشگاه صنعتی امیرکبیر

چکیده مقاله:

با وجود آنکه تزریق امتزاجیco2یکی از رایج ترین روش های ازدیاد برداشت از نفت می باشد. می تواند باعث تغیر خواص سیالات نفتی و نیز بروز برخی مشکلات مانند تشکیل رسوب آسفالتین شود, که خود منجر به کاهش تزریق پذیری و قابلیتتولید چاههای نفت و گرفتگی دهانه چاه یا تسهیلات سرچاهی میگردد. حداکثر مقدار تشکیل رسوب آسفالتین در نزدیکی فشار و غلظت اشباع سیال می باشد.با توجه به توضیحات داده شده فشار شروع انعقاد آسفالتین 1 و همچنین فشار بیشترین حجم تشکیل رسوب فشار نقطه حباب 2 از اهمیت خاصی جهت بهینه سازی عملیات تزریق امتزاجی co2 برخوردار می باشد. هدف این تحقیق پیش بینی فشار شروع انعقاد آسفالتین و فشار نقطه حباب سیال مخزن با استفاده از مدل های توسعه داده شده هوش مصنوعی که شامل یک نرم افزار شبیه ساز به نامIntelligent Proxy Simulator(IPS بر اساس ساختار شبکه های عصبی مصنوعی با استفاده از دو الگوریتم آموزشی پس انتشار خطا 3 و الگوریتم بهینه سازی اجتماع ذرات 4 می باشد. این دو پارامتردر دو مرحله به صورت همزمان و با یک خطا و در مرحله دیگر به صورت تک خروجی و دو خطا پیش بینی شده اند. مدل دیگر برگرفته شده از نظریه های هوش مصنوعی سامانه استنتاج عصبی- فازی است که ترکیبی از منطق فازی و شبکه هایعصبی می باشد. که در ادامه جهت ارزیابی نتایج پیش بینی های شبکه های توسعه داده شده هوش مصنوعی در پیش بینیفشار شروع انعقاد آسفالتین از مدل جامد ترمودینامیکی با استفاده از نرم افزارWinprop و جهت اعتبار سنجی نتایج حاصل شده در پیش بینی فشار نقطه حباب از یک رابطه خطی به نامStandingاستفاده شده است. در پایان نتایج بدست آمده درمدل های هوش مصنوعی در پیش بینی فشار شروع انعقاد آسفالتین و فشار نقطه حباب طی تزریقco2نتیجه بسیار رضایت بخش تری به ترتیب نسبت به مدل جامد ترمودینامکی و مدلStandingداشته اند همچنین موکد این مطلب می باشد که در شرایطی که نیاز به پیش بینی دو یا چندین پارامتر برای یک مسئله پیچیده باشد به جای محاسبه تک تک آنها با روش های متفاوت و خطاهای غیر یکسان و نا برابر می توان تمامی پارامترهای مورد نظر را با خطای برابر و نسبتا پایین نسبت به داده های آزمایشگاهی به وسیله شبکه عصبی مصنوعی با استفاده از شبیه سازIPSو مدلANFISپیش بینی کرد.

کلیدواژه‌ها:

فشار شروع رسوب آسقالتین،فشارنقطه حباب، ، الگوریتم پس انتشار خطا, الگوریتم بهینه سازی ازدحام ذرات ، سامانه استنتاج عصبی – فازی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-IPEC03-IPEC03_141.html
کد COI مقاله: IPEC03_141

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
بهوندی, رضا؛ احسان خامه چی و فریبرز رشیدی، ۱۳۹۰، پیش بینی فشار رسوب آسفالتین و فشار نقطه حباب طی تزریق گاز co2 با استفاده نظریه های از هوش مصنوعی، سومین کنگره ملی مهندسی نفت، تهران، انستیتو مهندسی صنعت نفت، https://www.civilica.com/Paper-IPEC03-IPEC03_141.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (بهوندی, رضا؛ احسان خامه چی و فریبرز رشیدی، ۱۳۹۰)
برای بار دوم به بعد: (بهوندی؛ خامه چی و رشیدی، ۱۳۹۰)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • - Asghari, SPE, M. Dong, SPE, "Development of a Correlation ...
  • : Peramanus .et, al, "Flow loop apparatus to study the ...
  • : Hirschberg A., "Influence of temperature and pressure on asphaltene ...
  • : Srivastava, R. S.; Huang, S. S. Asphaltene Deposition during ...
  • _ Takahashi, S.; Hayashi, Y.; Yazawa, N.; Sarma, H. Characteri ...
  • : Verdier, S.; Carrier, H.; Andersen, S. I.; Daridon, J.-L. ...
  • : Sunil kokal , Abdullah Al-Ghamdi, Dimitrios Krinis, _ Asphaltene ...
  • : J. Kennedy and R. Eberhart, _ TParticleSwarm Optimization, " ...
  • منهاج، محمد باقر، مبانی شبکه های عصبی ؛ جلد اول، ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.