كاربرد شبكه هاي عصبي و الگوريتم هاي ژنتيك در پيش بيني و بهينه سازي فرآيند نمك زدايي

در طول فرآيند نمك‌زدايي، سعي بر اين است كه لايه امولسيوني در سطح مشترك بين آب و نفت از بين برود. در صنايع نفت، معمولا امولسيون باعث پراكنده شدن قطرات آب در فاز پيوسته نفت مي‌گردد. در امولسيون‌هاي نفت‌خام، عوامل امولسيون‌كننده موجود در سطح مشترك نفت و آب، از فرآيند انعقاد جلوگيري مي‌كنند. اين عوامل امولسيون‌كننده شامل ذرات رس و رسوبات معدني تركيبات شيميايي و طبيعي مانند آسفالتين، رزين و واكس در نفت‌خام هستند. تكنيك‌هاي زيادي جهت به‌حداقل رساندن اثرات امولسيون در جداكننده‌هاي نفت و گاز وجود دارد. اين تكنيك‌ها شامل تزريق مواد امولسيون‌زدا، افزايش دماي نفت، تفكيك ثقلي در ظروف بزرگ با زمان ماند بالا و همچنين ولتاژ الكتروستاتيك مي‌باشد. هدف از انجام اين مقاله بهبود كنترل تزريق مواد امولسيون‌زداست. طي اين مطالعه مدلي با استفاده از هوش مصنوعي براي پوشش محدوده عملياتي گسترده‌اي از تمام پارامترهاي موثر بر ميزان مصرف مواد امولسيون‌زدا طراحي مي‌شود. مدل طراحي شده به‌عنوان يك جعبه سياه كنترل مي‌تواند در داخل كنترل‌كننده مورد استفاده قرار گيرد. در اين مدل، تمام پارامترهاي موثر بر ميزان مصرف امولسيون‌زدا به‌عنوان ورودي و ميزان مصرف مواد امولسيون‌زدا به‌عنوان خروجي مدل قرار مي‌گيرند. آزمايش اين طرح كنترل، كاهش موثر در ميزان مصرف مواد امولسيون‌زدا را در مقايسه با روش هاي خطي موجود نشان مي‌دهد. در نهايت، مدل ديگري براي برآورد آنلاين ميزان نمك موجود در نفت توليدي توسعه داده شده است. در اين مدل، غلظت نمك در نفت خروجي به‌عنوان خروجي مدل و باقي پارامتر‌ها به‌عنوان ورودي مدل قرار مي‌گيرند. با استفاده از ابزارهاي بهينه‌سازي مانند ژنتيك الگوريتم، ميزان بهينه امولسيون‌زدا در حالتي كه غلظت نمك تا PTB 10 كاهش مي‌يابد، به‌دست مي‌آيد.

فاقد چكيده مي باشد