شماره ركورد كنفرانس :
5452
عنوان مقاله :
تعيين نقطه تنظيم LBVها بر روي خطوط انتقال گاز با استفاده از هوش مصنوعي
عنوان به زبان ديگر :
Determining LBV’s Set Points in Natural Gas Pipelines Using Artificial Intelligence
پديدآورندگان :
نظري مصطفي nazari_mostafa@shahroodut.ac.ir دانشكده مهندسي مكانيك، دانشگاه صنعتي شاهرود، شاهرود، ايران , نظري محسن mnazari@shahroodut.ac.ir دانشكده مهندسي مكانيك، دانشگاه صنعتي شاهرود، شاهرود، ايران , دوست محمدي ميثم meisambox@gmail.com شركت انتقال گاز ايران، تهران، ايران
كليدواژه :
شير LBV , نرخ افت فشار , تركيدگي , مدل فازي-عصبي تطبيق‌پذير , تخمين افت فشار
عنوان كنفرانس :
چهارمين كنفرانس بين المللي فناوري‌هاي جديد در صنايع نفت، گاز و پتروشيمي
چكيده فارسي :
وظيفه شيرهاي LBV، قطع جريان در خطوط انتقال گاز مي باشد. تعيين نقطه تنظيم شيرهاي LBV جهت فعال شدن آن ها، يكي از چالش هاي اصلي در صنعت مي باشد. در اين مقاله، مدلي مبتني بر شبكه هاي فازي-عصبي تطبيق پذير جهت تخمين اين مقدار طراحي شده است. اين مدل قادر است با داشتن پارامترهاي قطر خط اصلي، قطر خط انشعاب، فشار سرخط و طول انشعاب؛ ميزان نرخ افت فشار ناشي از تركيدگي در خط انشعاب را تخمين بزند كه با كمك آن مي توان، نقطه تنظيم شيرهاي LBV را تنظيم نمود. مجموعه داده جهت آموزش شبكه فازي-عصبي تطبيق پذير از اطلاعات تجربي و عددي استفاده شده است. جهت استخراج داده هاي تجربي، يك مجموعه آزمايشگاهي مبتني بر اعداد بي بعد و تئوري پي باكينگهام ساخته شده است. همچنين، جهت جلوگيري از انجام آزمايش هاي فراوان، از روش طراحي آزمايش سطح پاسخ و تاگوچي كمك گرفته شده است. ارزيابي مدل استخراج شده با داده هاي تست، نشان دهنده تطابق بسيار مناسب مدل با اطلاعات واقعي است. حداقل مقدار پارامترR^2 در ارزيابي هاي مختلف مدل برابر با 95/0 مي باشد.
چكيده لاتين :
The duty of a LBV is to stop the flow in a gas pipeline. Determining the set point of LBVs for their activation is one of the main challenges in the industry. In this article, a model based on adaptive neuro-fuzzy inference system (ANFIS) has been designed to estimate this value. This model is able to estimate the rate of pressure drop caused by bursting in the branch line using the main line diameter, branch line diameter, line pressure, and branch length; which can be used to adjust the set point of a LBV. Experimental and numerical data have been used to train the ANFIS. In order to extract experimental data, a laboratory set based on dimensionless numbers and Buckingham theory has been constructed. Also, in order to avoid many tests, the response surface and Taguchi methods have been used. The evaluation of the extracted model with the testing data shows that the model has a good performance. The minimum value of the R^2 parameter in different evaluations of the model is equal to 0.96.
