پيش بيني چگالي گاز طبيعي با استفاده از ظرفيت گرمايي ويژه گاز در فشار ثابت به كمك تكنيك هوش مصنوعي بيان ژني

Prediction of natural gas density using gas heat capacity with the help of gene expression artificial intelligence technique

امروزه استفاده از تكنيك هاي هوش مصنوعي جايگاه ويژه اي در مدلسازي و پيش بيني فرآيندهاي طبيعي و صنعتي يافته است. از جمله اين موارد مي توان به محاسبه دقيق چگالي گازطبيعي به منظور اندازه گيري دبي جرمي عبوري در مبادين فروش گازطبيعي كه از چالش هاي اساسي صنعت گاز است اشاره نمود. براي محاسبه و اندازه گيري چگالي گازطبيعي از روش هاي پر هزينه و پيچيده استفاده مي شود. در مطالعه حاضر از يك مدل پيش بيني مبتني بر هوش مصنوعي با استفاده از الگوريتم برنامه نويسي بيان ژني كه يك روش جديد و كم هزينه است، براي تخمين چگالي گازطبيعي بدون نياز به دانستن تركيب گاز استفاده شده است. فشار، دما و ظرفيت گرمايي ويژه در فشار ثابت به عنوان خاصيت هاي قابل اندازه گيري ورودي هاي روش پيشنهادي مي باشند. براي آموزش،آزمايش و اعتبارسنجي روش پيشنهادي، يك پايگاه اطلاعاتي شامل 120000 تركيب گاز متفاوت توليد شده وخواص ترموديناميكي اين تركيبات با استفاده از معادلات حالت AGA8 ، به عنوان يكي از معتبرترن معادلات حالت گازطبيعي محاسبه شده است. از مجموع داده هاي مورد استفاده جهت مدلسازي، 85% به آموزش و 15% به ارزيابي اختصاص داده شد. مقادير آماري R2،RMSE وMAE به ترتيب 990/0, 0190/0, 0147/0 براي داده هاي آموزش و 994/0, 0255/0, 0213/0 براي داده هاي ارزيابي بدست آمدكه همبستگي بسيار خوب بين مقادير پيش بيني شده و اندازه گيري شده، و توانايي پيش بيني و تعميم بالاي مدل را نشان مي دهد. نتايج حاكي از آن است كه تكنيك برنامه نويسي بيان ژني پتانسيل قوي اي براي پيش بيني چگالي گاز دارد.

Today, the use of artificial intelligence techniques has found a special place in modeling and predicting natural and industrial processes. Among these cases, we can mention the accurate calculation of natural gas density in order to measure the mass flow rate in natural gas sales fields, which is one of the basic challenges of the gas industry. Expensive and complicated methods are used to calculate and measure the density of natural gas. In the present study, a prediction model based on artificial intelligence using gene expression programming algorithm, which is a new and low-cost method, was used to estimate the density of natural gas without the need to know the composition of the gas. Pressure, temperature and specific heat capacity at constant pressure are measurable properties of the inputs of the proposed method. To train, test and validate the proposed method, a database containing 120,000 different gas compounds has been produced and the thermodynamic properties of these compounds have been calculated using the AGA8 state equations, as one of the most reliable natural gas state equations. Of the total data used for modeling, 85% was assigned to training and 15% to evaluation. The statistical values of R2, RMSE and MAE were respectively 0.990, 0.0190, 0.0147 for the training data and 0.994, 0.0255, 0.0213 for the evaluation data, which showed a very good correlation between the predicted values and the size taken, and shows the high prediction and generalization ability of the model. The results indicate that the gene expression programming technique has a strong potential for predicting gas density.