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

مدلسازی افت فشار در خطوط لولهی انتقال نفت و گاز با استفاده از الگوریتمهای هوش مصنوعی

اعتبار موردنیاز PDF: ۰ | تعداد صفحات: ۴ | تعداد نمایش خلاصه: ۳۴۴ | نظرات: ۰
سال انتشار: ۱۳۹۲
کد COI مقاله: KBDC01_216
زبان مقاله: فارسی
حجم فایل: ۳۱۸.۱۵ کیلوبایت
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله منتشر نشده و درپایگاه سیویلیکا موجود نمی باشد.

منبع مقالات سیویلیکا دبیرخانه کنفرانسها و مجلات می باشد. برخی از دبیرخانه ها اقدام به انتشار اصل مقاله نمی نمایند. به منظور تکمیل بانک مقالات موجود، چکیده این مقالات در سایت درج می شوند ولی به دلیل عدم انتشار اصل مقاله، امکان ارائه آن وجود ندارد.

خرید و دانلود فایل PDF مقاله

متن کامل (فول تکست) این مقاله منتشر نشده و یا در سایت موجود نیست و امکان خرید آن فراهم نمی باشد

مشخصات نویسندگان مقاله مدلسازی افت فشار در خطوط لولهی انتقال نفت و گاز با استفاده از الگوریتمهای هوش مصنوعی

  حسین سلامی - تهران خیابان آزادی، دانشگاه صنعتی شریف، دانشکده مهندسی شیمی و نفت،
  محمدامین صادقی - تهران خیابان آزادی، دانشگاه صنعتی شریف، دانشکده مهندسی شیمی و نفت،
  ماندانا توکلیان - تهران خیابان آزادی، دانشگاه صنعتی شریف، دانشکده مهندسی شیمی و نفت،

چکیده مقاله:

یکی از مسائل مهم در هنگام طراحی و ساخت خطوط لولهی انتقال نفت و گاز اطلاع از میزان افت فشار سیال در این فرآیند است . از اصلی ترین پارامترهای موثر بر افت فشار می توان از طول خط انتقال وفشار مخزن نام برد. مد های مبتنی بر هوش مصنوعی توانایی پیش- بینی رفتار سیسام های پیاده را در شرایط گوناگون دارند . در تحقیق حاضر چگونگی تاثیر پارامترهای مختلف بر میزان افت فشارنفت در خطوط لوله با استفاده از دو ابزار شبکه های عصبی مصنوعی و منطق فازی مورد بررسی قرار گرفت. هر دو مدل توسعه داده شده در این مورد توانایی پیشبینی کمی و کیفی رفتار سیستم را با دقتمناسب دارند .

کلیدواژه‌ها:

افت فشار، هوش مصنوعی، شبکهی عصبی مصنوعی، منطق 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-KBDC01-KBDC01_216.html
کد COI مقاله: KBDC01_216

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:
سلامی, حسین؛ محمدامین صادقی و ماندانا توکلیان، ۱۳۹۲، مدلسازی افت فشار در خطوط لولهی انتقال نفت و گاز با استفاده از الگوریتمهای هوش مصنوعی، اولین همایش ملی توسعه دانش بنیان صنایع نفت، گاز و پتروشیمی، ماهشهر، پتروشیمی رازی، شرکت صنعت یاران نوین ارجان، https://www.civilica.com/Paper-KBDC01-KBDC01_216.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: (سلامی, حسین؛ محمدامین صادقی و ماندانا توکلیان، ۱۳۹۲)
برای بار دوم به بعد: (سلامی؛ صادقی و توکلیان، ۱۳۹۲)
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 :

  • Dvora Barnea, O.S., Yehuda Taitel, 1980, Flow pattern transition for ...
  • اسفند KBDC ONF۲۰ ۱۴، ۱۳۹۲ ...
  • horizontal and inclined pipes. Comparison of experimental data with theory. ...
  • James P. Brill, H.D.B., 1991 Two-phase Flow in Pipes. 6 ...
  • Mourelle, N.N.a.L.d.M., 2005, Fuzzy Systems Engineering: Theory and Practice. Springer. ...
  • Cybenko, G., Approximation by superposition of sigmoidal function, 1989, Mathematics ...
  • اسفند KBDC ONF۲۰ ۱۴، ۱۳۹۲ ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۲۱۴۵
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    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


    مقالات فوق اخیرا در حوزه مرتبط با این مقاله به سیویلیکا افزوده شده اند.

    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.