جستجوی مقالات مرتبط با کلیدواژه « Artificial Neural Network » در نشریات گروه « مهندسی شیمی، نفت و پلیمر »
تکرار جستجوی کلیدواژه «Artificial Neural Network» در نشریات گروه «فنی و مهندسی»-
This work evaluates the Proxy model application representing the production system for integrated simulation with a reservoir to reduce computational time while preserving the representativeness of financial return and hydrocarbon production behavior relative to a reference model. It includes specific Proxy models for production systems in integrated simulations that include their geometrical parameters, focusing on field production strategy optimization. The production system’s Proxy models are developed through response surface methodology (RSM) and artificial neural network (ANN), which are generated and validated from a medium fidelity model (MFM). The validation is performed by cross-checking simulations. The developed RSM-based Proxy model obtained the highest representativeness by combining discrete variables (pipe segment diameters and the gas flow rate for artificial lift) with split continuous variables (lengths of the production column and flowline, liquid rate, and water cut) using several response surfaces. The developed ANN-Based Proxy model enhanced representativeness by combining all variables and increasing the number of MFM samples for ANN training. The RSM-Based Proxy model was selected due to its lower residual value than the ANN-Based Proxy model. The results from the production strategy of the simulated Proxy model in the MFM showed a difference of 4% in net present value compared to the simulation of the reference model, with both strategies obtained inside a production strategy optimization process. The reduction of computational time was close to 30% with the selected Proxy model, which it presents an advantage of using the proposed approach in optimization applications. The developed methodology provides an alternative to replace more robust production system models in integrated simulations with several advantages, such as: reduction of computational times, applications in more complex problems, and better-exploring uncertainties, and thereby, faster decision-making is obtained.Keywords: Proxy Models, Numerical Simulation, Response Surface Methodology, Artificial Neural Network, Optimization}
-
Time-consuming and costly experiments to measure the cetane number (CN) of biodiesel make computations even more valuable. In the current study, two artificial intelligence (AI) models have been used to predict the biodiesel CN by using comprehensive datasets (440 datasets). They were the gradient-based artificial neural network (GB-ANN) and the multi-layer-perceptron ANN optimized by the genetic algorithm (GA-ANN) for the first time. The three input variablesof the model for predicting the target variable of the biodiesel CN are the average number of carbon atoms, average number of double bonds, and average molecular weight of the fatty acid methyl esters. The learning function, transfer function, number of hidden layers, and number of neurons in the hidden layers are some of the optimized parameters in the current AI-models. The developed models were compared using statistical criteria such as the coefficient of determination (R2), mean square error (MSE), average absolute relative deviation (AARD), standard deviation (STD) and mean absolute percentage error (MAPE). The resulting outcomes revealed that the highest R2 and the lowest MSE were related to the GB-ANN model with two hidden layers, trainbfg learning method and logsig-tansig-purelin transfer function. The R2 and MSE for the optimized model are equal to 0.9296 and 0.0005 respectively. Although the GA-ANN achieved acceptable outcomes, its statistical analyses produced weaker outcomes than the AI-model based on GB-ANN.
Keywords: Biodiesel, Cetane Number, Artificial Neural Network, Genetic Algorithm, Fatty Acid Methyl Ester} -
تصمیم گیری در انتخاب یک یا چند روش ازدیادبرداشتی از میان روش های مختلف، یکی از مراحل حیاتی در فرآیند توسعه میادین نفتی به شمار می رود. انتخاب درست روش افزایش برداشت نقش کلیدی در موفقیت فنی و اقتصادی پروژه های کلان در صنعت نفت دارد. معمولا برای غربال گری و اتخاذ تصمیم مناسب در خصوص تعیین روش های کاندیدای پیاده سازی افزایش برداشت یک مخزن از پارامترهای متعددی همچون، میزان ظرفیت ذخیره مخزن، قابلیت انتقال و عبوردهی سیال، عمق مخزن، ضخامت لایه نفتی، دمای مخزن و گرانروی نفت تاثیرگذار می باشند. هدف و رویکرد اصلی این پژوهش، تلفیق روش های هوش مصنوعی شامل: 1- سیستم های منطق فازی (مبتنی بر دانش انسانی) و 2- شبکه عصبی مصنوعی (داده محور) به عنوان یک ابزار و راه کار مناسب در کاهش عدم قطعیت و غربال گری روش های ازدیادبرداشتی استفاده کرد.در این مطالعه از داده های تاریخچه ازدیاد برداشت مخازن مختلف در سطح دنیا برای تعریف مجموعه های فازی و تعیین قوانین فازی بین متغیرهای ورودی و خروجی استفاده و در نهایت یک مدل فازی ارایه گردید. با توجه به عدم توازن در فراوانی و تعداد برچسب برخی از کلاس ها، طراحی آزمایش و روش سطح پاسخ به عنوان یک راه کار برای آماده سازی داده های ورودی برای مدل شبکه عصبی تک لایه استفاده گردید. مدل شبکه عصبی پیش خور با معماری 20 نرون، تابع فعال سازی سیگموییدی در لایه مخفی و عملکرد مدل با ضریب همبستگی 95 و 92% به ترتیب برای داده آموزش و صحت سنجی، برای تعیین و غربال گری روش های ازدیادبرداشت میادین نفتی استفاده گردید. در نهایت با استفاده از استراتژی الویت بندی و تلفیق نتایج روش های مختلف، الویت کاندیدهای مناسب ازدیادبرداشت تعیین گردید.کلید واژگان: غربال گری, ازدیادبرداشت, هوش مصنوعی, منطق فازی, طراحی آزمایش}Decision-making to choose the best Enhanced Oil Recovery (EOR) method(s) among different variety of models, is a vital step in the oil reservoir development process. Selecting the proper EOR method has a key role in the technical and economic success of enormous oil industry projects. Screening criteria are used for selecting the best EOR method(s) for an oil reservoir with specific rock and fluid properties. The main input parameters that affect the screening process include; Reservoir capacity, fluid transmissibility and permeability, depth, net thickness, temperature, and oil gravity (API). Considering mentioned parameters have uncertainty, specifying a suitable EOR method for reservoir development is a radical challenge. It can be used combination of fuzzy logic systems (knowledge base) and artificial neural networks (data-driven) as a suitable tool and solution for expressing uncertainty and screening methods. In this study, data from the history of different reservoirs worldwide is used to define fuzzy variables and determine fuzzy rules between input and target variables, and finally, a fuzzy model and a single-layer neural network with 20 neurons are presented. ANN model provides 92% accuracy in the prediction of the target method. Consequently, we proposed the ensemble model for the selection of the EOR screening tool.Keywords: Screening, Enhanced Oil Recovery, Artificial Neural Network, Fuzzy Logic, Ensemble Method}
-
Understanding the car tire market is very important for both producers and consumers due to its impact on the final price of the car, incurring fixed costs for the car owner and the high amount of financial transactions. The purpose of the current research is to explain and model the behavior of tire buyers based on four factors using a combined approach. In the first step, by reviewing the literature and the background of the research, the factors affecting the purchase of Iranian or foreign tires were identified according to the four factors of personal, market, store and product. In the second step, in order to analyze the behavior of Iranian or foreign rubber buyers, using non-hierarchical cluster analysis (mean k) and based on the 24 factors of the analyzed population and the number of optimal clusters according to the Davis-Bouldin index, Then, using artificial neural networks, the independent variables of the research (four factors of personal, market, store and product) were used to predict the dependent variable (purchase of Iranian or foreign tires). The statistical population of the research was Iranian or foreign rubber buyers in the west of Mazandaran province, and due to the unlimited population of the research, the unlimited population formula was used to determine the sample size, the minimum sample size was 384 and the analysis was done on 527 usable questionnaires. The results of the research showed that in the first cluster, in the order of price, safety standards, image and reputation of the store, and in the second cluster, in the order of proximity, friendly behavior of sellers, and the breadth of choice, they have obtained the most centers of the clusters. The use of neural networks showed that the independent variables of the research have a good predictive ability and by using them, 0.886 changes of the dependent variable can be predicted.
Keywords: consumer behavior, tires, clustering, artificial neural network} -
در این مطالعه، مدل مبتنی بر هوش مصنوعی برای پیش بینی حلالیت تعادلی دی اکسیدکربن در سامانه حلال آمین (تری اتانول آمین + پیپرازین + آب) با هدف جذبدی اکسیدکربن ایجاد شده است. در مدل پرسپترون چندلایه، داده های حلالیت (بارگذاری دی اکسیدکربن در محلول آمین) به عنوان تابعی از فشار جزیی دی اکسیدکربن، دمای سامانه و ترکیب آمین بررسی شد. الگوریتم لونبرگ- مارکوارت پس انتشار برای پیش بینی فشار جزیی دی اکسیدکربن استفاده شد. نسبت نهایی آموزش، اعتبارسنجی و مجموعه داده های آزمایشی تقریبا 70:15:15 بود. ساختار بهینه پرسپترون چندلایه (MLP) در الگوریتم لونبرگ- مارکوارت برای فشار جزیی دی اکسیدکربن با 20 نورون در اولین لایه پنهان و 10 نورون در لایه پنهان دوم ایجاد شده است. ضریب همبستگی 995/0 بین نتایج تجربی و محاسبات شبکه عصبی مصنوعی وجود دارد که سازگاری عالی بین آن ها را نشان می دهد. بهترین عملکرد اعتبارسنجی 0043497/0 از دوره 13 بود. به طور کلی، نتایج نشان می دهد که مدل اعمال شده می تواند پیش بینی دقیقی از فشار جزیی و یا حلالیت برای شرایط مختلف عملیاتی ارایه دهد.کلید واژگان: شبکه عصبی مصنوعی, حلالیت دی اکسیدکربن, آمین های مخلوط, تری اتانول آمین, پیپرازین}In this study, we developed artificial neural network-based model for prediction of equilibrium solubility of carbon dioxide in the amine solvent system of (triethanolamine + piperazine + water) for the purpose of carbon dioxide uptake. In the MLP model, the solubility data (CO2 loading in the amine solution) were investigated as functions of CO2 partial pressure, system temperature, and amine composition. The Levenberg–Marquardt back-propagation (LMP) algorithm was used to predict the partial pressure of carbon dioxide. The final ratio of training, validation, and test datasets was approximately 70:15:15. The optimum multilayer perceptron (MLP) structure in Levenberg-Marquardt algorithm for CO2 partial pressure is created with 20 neurons in the first hidden layer and 10 neurons in the second hidden layer. There was a 0.99546 correlation coefficient between the experimental results and the artificial neural network (ANN) calculations, demonstrating excellent compatibility between them. The best validation performance was 0.0043497 from epoch 13. In general, the results show that the applied model can provide an accurate prediction of partial pressure or solubility for different operating conditions.Keywords: Artificial Neural Network, Solubility of carbon dioxide, Blended amines, Triethanolamine, Piperazine}
-
روش هایی که به طور معمول برای شناسایی شلتوک های پوک از سالم مورد استفاده قرار می گیرند، اغلب زمان بر و هزینه بر هستند. به همین دلیل، در این پژوهش روشی هوشمند و سریع مبتنی بر بینایی ماشین و شبکه های عصبی مصنوعی به منظور تشخیص دانه های شلتوک پوک از سالم ارایه شد. تصاویر دیجیتالی پنج رقم شلتوک در سه وضعیت سالم، پوک و مخلوط و در دو حالت پراکنده و کپه ای تهیه شدند. پس از انجام پیش پردازش و قطعه بندی، برای هر دانه شلتوک 3 ویژگی رنگی و 5 ویژگی شکلی استخراج شد. به منظور تشخیص تاثیرگذارترین ویژگی ها در تشخیص شلتوک های سالم از پوک، روش تحلیل مولفه های اصلی (PCA) بکار گرفته شد. سپس برای ایجاد مدل شناسایی و دسته بندی نمونه ها شبکه های عصبی مصنوعی پرسپترون چندلایه (MLP) بر اساس مولفه های اصلی که با روش PCA بدست آمده بودند، مورد استفاده قرار گرفت. برای بررسی قابلیت مدلسازی و اعتبارسنجی هر الگوریتم از پارامترهای آماری میانگین مربعات خطا (MSE)، ضریب همبستگی (R2)، ویژگی و حساسیت استفاده شد. نتایج نشان داد که روش هوشمند طراحی شده می تواند با دقت قابل قبول در تمامی ارقام (R2P>0.81, RMSEp<0.219, Sensitivitiy>0.8 & Specifisitiy>0.98) دانه های سالم و پوک را تشخیص دهد. بنابراین از روش بینایی ماشین در ترکیب با شبکه های عصبی مصنوعی می توان به عنوان روشی هوشنمد و سریع در ورودی کارخانه های سفیدکن شلتوک برای ارزیابی کیفیت شلتوک و تشخیص شلتوک های سالم از پوک استفاده کرد.
کلید واژگان: پردازش تصویر, شبکه عصبی مصنوعی, متلب, آزمون غیر مخرب}The common methods that are usually used to identify the devoid rough rice from the healthy ones are often time-consuming and expensive. For this reason, in this research, a smart and fast method based on machine vision system coupled with artificial neural networks is presented in order to predict the percentage of devoid/healthy rough rice grains. Digital images of five varieties of paddy were prepared in three states: healthy, devoid, and mixed, in two states scattered and piled. After pre-processing and segmentation, 3 color features and 5 morphological features were extracted for each rice grain. Principal component analysis (PCA) method was then used in order to identify the most effective features in distinguishing devoid rough from healthy rice. In the next step, multilayer perceptron (MLP) algorithm based on the main components obtained by PCA method was used to create models for identifying and classifying the samples. Root Mean Square Error (RMSE), correlation coefficient (R2), specificity and sensitivity were used to evaluate the modeling capability and validation of each algorithm. The obtained results showed that the designed intelligent method can identify devoid rough rice seeds with acceptable accuracy in all cultivars (R2P>0.81, RMSEp<0.219, Sensitivity>0.8 & Specificity>0.98). Therefore, the machine vision system in combination with artificial neural networks can be used as an intelligent and fast method at the entrance of rice bleaching factories to evaluate the quality of harvested rough rice and predict the percentage of unhealthy rough rice.
Keywords: Image Processing, Artificial neural network, Matlab, Nondestructive Test} -
اندازه گیری ترکیبات گوگردی موجود در جریان Tail Gas واحد بازیافت گوگرد به منظور کنترل دقیق جریان هوای ورودی به کوره احتراق و افزایش راندمان امری ضروری است. در این تحقیق روابط لازم برای تنظیم جریان هوای ورودی کوره احتراق واحد بازیافت گوگرد پالایشگاه گاز ایلام با ترکیب دو حلقه کنترلی پیش خور و پس خور ارایه شده است. پس از شبیه سازی فرایند، با استفاده از شبکه عصبی MLP و برازش غیرخطی، شاخص مجهول K برای محاسبه هوای مورد نیاز آنالیزور Tail Gas تعیین شد. بدین منظور هوای مورد نیاز با دو خطTrim و Main به سمت کوره احتراق ارسال می شود؛ به طوری که 5/92% از جریان هوا از خط Main عبور می کند. لازم به ذکر است که تنظیم جریان هوا در حلقه کنترلی پس خور در بازه 5+ تا 5-% از کل هوای مورد نیاز است. روابط ارایه شده در این تحقیق، در سایر واحدهای بازیافت گوگرد قابل استفاده است.کلید واژگان: واحد بازیافت گوگرد, شبیه سازی فرایند, شبکه عصبی, آنالیزور Tail Gas, هیدروژن سولفید}Measurement of sulfur compounds in the tail gas flow in the sulfur recovery unit is necessary in order to fine control the combustion furnace airflow and efficiency enhancement. In this research, required equations for calculation of air demand in feedforward and feedback control loops in the sulfur recovery unit of Ilam Gas Treating Plant are developed. First, the process was simulated. Then, using MLP neural network and nonlinear regression, K factor was determined for tail gas analyzer air demand calculation. Total required air is sent to the combustion furnace through two lines: trim and main, such that 92.5% of air is passed through the main line. Meanwhile, tail gas analyzer air demand is in the range of -5 to +5 % of the total required air. The presented equations in this research can be employed for other sulfur recovery units.Keywords: Sulfur recovery unit, Process imulation, Artificial Neural Network, Tail gas analyzer, Hydrogen Sulfide}
-
Journal of Oil, Gas and Petrochemical Technology, Volume:10 Issue: 1, Winter and Spring 2023, PP 1 -24
To avoid drilling damages, it is very important to determine the field stress. Prediction of elastic parameters such as Poisson's ratio and Young's modulus is of great importance in determining in-situ stress and completing geomechanical modeling. These parameters are calculated statically through laboratory tests on drilling cores or dynamically through log data. However, such data may not be available in the oil field data-bank. Therefore, Daily Drilling Reports (DDR) can be introduced as a suitable alternative for predicting rock’s elastic modulus. In this study, for the first time, an attempt has been made to estimate the Dynamic Young’s modulus using DDR data with the application of a variety of conventional machine learning methods. In this regard, linear, support vector machine (SVM), artificial neural network (ANN), Random Forest (RF) LSBoost, and Baysian have been used. Input data to these algorithms also include depth, string rotary speed (RPM), rate of penetration (ROP), weight on bit (WOB), density (RHOB), porosity (Φ), pump pressure (PP), and tangential velocity (TV). Each of these algorithms was then compared in terms of accuracy using correlation coefficient (R2), mean squared error (MSE), and root mean square error (RMSE) criteria. Finally, using conventional experimental correlations and using core data, the resulting values were converted to static values. The results show that using daily drilling reports, based on the above criteria, a good estimate of the elastic parameters can be achieved. Also, among the methods used, Baysian and LSBoost methods have slightly higher and better accuracy than other methods.
Keywords: Daily Drilling Report, Young Modulus, geomechanical parameters, Support Vector Machine, Artificial Neural Network} -
The cementation factor is one of the basic parameters for calculating water saturation and then hydrocarbon saturation of reservoirs. The best way to determine the cementation factor is through laboratory measurements. To generalize this coefficient for samples without laboratory measurements, experimental relationships versus petrophysical properties by researchers can be somewhat helpful. The method of artificial neural networks, with the help of training, validation, and data analysis, has given better results in determining the cementation factor of carbonate samples. It is one of the best methods to use petrophysical data as training data and make acceptable predictions with analytical methods. Therefore, laboratory measurement of the cementation factor has been performed for 159 carbonate cores from the Sarvak formation in southwest Iran. For the studied samples, the cementation factor in porosity was determined as a quadratic equation with the highest correlation coefficient. In this study, the compatibility of the experimental relationship shows better conformity by considering the permeability of each sample. Improvement of empirical relationships by the authors, correlation coefficients between the laboratory data, and the experimental relationships have been increased. Therefore, it is better to use improved experimental relationships for the studied carbonate samples. Artificial neural network methods have been used to process the data, best adapt the laboratory data, and present a suitable model. The Bayesian Regularization algorithm with five hidden layers has the least error in the test, validation, and testing stages.Keywords: Carbonate Rock, Cementation factor, Artificial Neural Network, Empirical Relationship, Sarvak Formation}
-
ارزیابی پتانسیل هیدروکربن زایی سنگ منشا به عنوان تابعی از کل محتوی کربن آلی و نوع کروژن از اهمیت بالایی در مطالعات اکتشافی نفت و گاز برخوردار است. هدف اصلی در این مطالعه، مقایسه عملکرد شبکه عصبی مصنوعی بر پایه روش آموزش پس انتشار (ANN-BP) و همچنین الگوریتم های فراابتکاری ژنتیک (ANN-GA) و ازدحام ذرات (ANN-PSO) به منظور برآورد پارامترهای ژیوشیمیایی کل کربن آلی (TOC) و پتانسیل باقی مانده هیدروکربنی (S2) از طریق نمودارهای چاه پیمایی است. بدین منظور، سازند پابده (پالیوسن الیگوسن) در میدان نفتی منصوری مورد مطالعه قرار گرفت. براساس نتایج برازش خطی برروی داده های آزمون، روش ANN-PSO امکان برآورد پارامترهای TOC و S2 حاصل از آنالیز راک ایول را به ترتیب با ضریب تعیین (R2) برابر با 8548/0 و 9089/0 فراهم آورده و عملکرد بهتری نسبت به روش های ANN-BP و ANN-GA به نمایش می گذارد. همچنین، برآورد پارامتر شاخص هیدروژن (HI) بر مبنای ارتباط میان مقادیر TOC و S2 به واسطه این روش با ضریب تعیین 6882/0 از دقت قابل قبولی برخودار بوده و تفکیک انواع کروژن با دقت طبقه بندی 74% را امکان پذیر می سازد. زون بندی ژیوشیمیایی سازند پابده بر مبنای غنی شدگی آلی و نوع کروژن با توجه به نتایج حاصل از روش ANN-PSO نشان دهنده سه بخش مجزا است، به طوری که بخش میانی (واحد شیل قهوه ای) با دارا بودن مقادیر قابل توجه کل محتوی کربن آلی و شاخص هیدروژن از پتانسیل هیدروکربن زایی بیشتری برخودار بوده و در صورت رسیدن به بلوغ حرارتی مناسب می تواند نقش قابل توجهی در شارژ تله های نفتی میدان ایفاء نماید. بنابراین، تعیین دقیق اختصاصات هیدروکربن زایی سازند پابده با به کارگیری مدل پیشنهادی ANN-PSO در این مطالعه، کاهش عدم قطعیت در مدل سازی سیستم نفتی و متعاقبا افزایش قابل توجه کارایی اکتشاف در میدان نفتی منصوری را به دنبال خواهد داشت.کلید واژگان: کل کربن آلی, نوع کروژن, شبکه عصبی مصنوعی, الگوریتم ژنتیک, بهینه سازی ازدحام ذرات}Petroleum Research, Volume:32 Issue: 124, 2022, PP 112 -130Assessment of petroleum generation potential of the source rock as a function of total organic carbon content and kerogen type is of great importance in oil and gas exploration studies. The main aim of this research is to compare the performance of artificial neural networks trained by back propagation algorithm (ANN-BP) and metaheuristic methods including genetic algorithm (ANN-GA) and particle swarm optimization (ANN-PSO) for prediction of total organic carbon (TOC) content and remaining petroleum potential (S2) from the wireline data. For this purpose, Pabdeh Formation (Paleocene-Oligocene) in Mansuri oilfield is studied. Based on the results of linear regression on the test data, ANN-PSO method provides more accurate predictions of Rock-Eval derived TOC and S2 parameters with correlation coefficient (R2) values of 0.8548 and 0.9089, respectively. In addition, hydrogen index (HI) is appropriately predicted based on the relationship between TOC and S2 values obtained from the ANN-PSO method with R2 value of 0.6882, from which different types of kerogen can be distinguished with classification accuracy of 74 percent. Geochemical zonation of Pabdeh Formation based on organic richness and kerogen type reveals three distinctive parts, among which the middle part (Brown Shale Unit, BSU) demonstrates the greater petroleum generation potential with having the significant values of total organic carbon and hydrogen index. Therefore, the BSU can play an important role in hydrocarbon charging of the oilfield traps if it attains proper level of thermal maturity. Accordingly, precise determination of petroleum generation characteristics of Pabdeh Formation using the ANN-PSO model proposed in this study will lead to a reduction in uncertainty associated with petroleum system modeling, and therefore will considerably increase the exploration efficiency in the Mansuri oilfield.Keywords: Total Organic Carbon, Kerogen type, Artificial Neural Network, Genetic Algorithm, Particle Swarm Optimization}
-
امروزه در هر پروژه مباحث هزینه و زمان از اهمیت بالایی برخوردار می باشند، بنابراین در صنعت حفاری نیز که یکی از پرهزینه ترین صنعت ها به شمار می رود، باید اقداماتی مقتضی در خصوص صرفه جویی در زمان و هزینه صورت پذیرد. در عملیات حفاری، با انتخاب صحیح ابزار مورد استفاده و هم چنین پیش بینی دقیق و به موقع پارامترها و مشکلات احتمالی می توان این عملیات را در زمان و هزینه کمتر انجام داد. در این راستا یکی از موثرترین راهکارها تحلیل اطلاعات میدانی و به دنبال آن توسعه و بهبود ابزارهای این تحلیل ها می باشد. در صنعت حفاری برای شناسایی مشکل و بهبود عملکرد حفاری عموما یا از آزمون های آزمایشگاهی و روابط تجربی استفاده می شود و یا از تجربیات گذشته بهره گرفته می شود. در این تحقیق سعی شد از روش های نوین و مدل سازی هوشمند برای پیش بینی نرخ نفوذ در عملیات حفاری استفاده شود که بدین منظور از روش شبکه عصبی مصنوعی استفاده شد. در این مقاله با استفاده از شبکه عصبی مصنوعی و داده های حفاری میدان نفتی شادگان (400 داده) و در سازند آغاجاری اقدام به ساخت مدلی جهت پیش بینی نرخ نفوذ حفاری شد و سپس نتایج حاصل با نتایج بدست آمده از مدل سازی با رگرسیون چند متغیره مقایسه شد. برای ارزیابی خصوصیات اصلی مدل بدست آمده و صحت سنجی آن از داده های چاه های مجاور استفاده شد. نتایج تحقیق نشان داد که ضریب همبستگی برای شبکه عصبی 0.97 و ضریب تعیین آن 0.94 بدست آمد در حالی که در تحلیل آماری، مقدار ضریب همبستگی 0.94 و ضریب تعیین برابر با 0.89 می باشد که این امر دقت بالاتر مدل سازی با شبکه عصبی را نشان می دهد.کلید واژگان: شبکه عصبی مصنوعی, پیش بینی, نرخ نفوذ, ضریب همبستگی, ضریب تعیین, میدان نفتی شادگان}Time and cost are of great important issues in each project. Therefore, in the drilling industry as well, which is one of the most costly industries, there should be taken appropriate measures to save time and cost. In drilling, the operation can be carried out at a lower cost and time, by choosing the appropriate tool, as well as predicting accurate and timely parameters and probable problems. In this regard, one of the most effective strategies is to investigate field data and subsequently development and improvement of tools for the achieved results. In the drilling industry, in order to identify the problem and improve the drilling performance, generally, either laboratory tests or empirical models are used in accordance with previous experience. In this research, we tried to use novel methods and intelligent modeling to predict the penetration rate in drilling operations. For this purpose, artificial neural network (ANN) approach was used. In this paper, using an artificial neural network and data from Shadegan oil field drilling data (400 data), a model was developed to predict the rate of penetration, and then the results were compared with the results of modeling with multivariate regression. To evaluate the main characteristics of the model, its accuracy was measured using adjacent wells data. The results of the research showed that the correlation coefficient for the neural network is 0.97, and determination coefficient is 0.94 and the error histogram rate is proportional to the zero error 0.005, while the corresponding value in the statistical analysis the correlation coefficient is 0.94 and the determination coefficient is equal to 0.89, which indicates a higher accuracy of neural network modeling.Keywords: Artificial Neural Network, prediction, Rate of Penetration, Correlation coefficient, Determination Coefficient, Shadegan Oil Field}
-
در این پژوهش، مقایسه میان روش های شبکه عصبی و سطح پاسخ در فرایند بیواسید لیچینگ بر پایه استفاده از افشره لیمو برای استخراج فلزات مس و روی از صفحات مدارچاپی تلفن همراه بررسی شده است. سه شاخصه مهم چگالی پسماند، غلظت هیدروژن پراکسید و غلظت افشره لیمو بررسی شد. برای بهینه سازی شاخصه های موثر از روش سطح پاسخ (RSM) استفاده شد. نتایج نشان داد که برای ذراتی با اندازه 150 تا μm 180 در دمای ثابت20 درجه سلسیوس و زمان 4h در شرایط بهینه شامل چگالی پسماند(w/v) 4/1% غلظت هیدروژن پراکسید(v/v) 2/12% و غلظت افشره لیمو (v/v) 74%، بازده بازیابی فلزات مس و روی به ترتیب 89% و 73% است. هم چنین از شبکه عصبی مصنوعی برای پیش بینی میزان استخراج فلزات مس و روی به عنوان تابعی از شاخصه های موردبررسی استفاده شد. برای اعتبارسنجی مدل، یک چهارم داده های آزمایشگاهی به عنوان داده های ارزیابی در نظر گرفته شد. نتایج مدل سازی شبکه عصبی دقت بالایی را به منظور پیش بینی متغیر هدف نشان داد؛ به طوری که مقادیر خطای MRE، MSE و R2 به ترتیب 485/9%، 254/15 و 9356/0 برای مدل پیش بینی کننده استخراج مس و 854/1%، 094/1 و 9963/0 برای مدل پیش بینی کننده استخراج روی به دست آمد.کلید واژگان: بیواسید لیچینگ, صفحات مدارچاپی تلفن همراه, سطح پاسخ, شبکه عصبی مصنوعی}In this study, the application of bio-acid leaching method based on the use of lemon juice to extract copper and zinc metals from mobile printed circuit boards has been investigated. Three important factors were investigated include lemon juice concentration, Solid / Liquid (S/L) ratio, and hydrogen peroxide (H2O2) concentration. Response surface methodology (RSM) was used to optimize the effective factors. The results showed that for particles with a size of 150 to 180 μm at a constant temperature of 20 ° C and time 4 h under optimal conditions including 1.41% (w/v) S/L ratio, 12.2% (v/v) H2O2 and 74% (v/v) lemon juice, copper and zinc recovery efficiencies are 89% and 73%, respectively. Moreover, the artificial neural network was used to predict the extraction of copper and zinc metals as a function of the studied factors. To validate the model, laboratory results were considered as evaluation data. The results of neural network modeling showed high accuracy to predict the target variable. The values of MRE, MSE, and R2 were 9.485, 15.254, and 0.9356% for the copper extraction model and 1.854%, 1.094, and 0.9963% for the zinc extraction model, respectively.Keywords: Bio-acid leaching, Mobile printed circuit boards (PCBs), Response Surface Methodology, Artificial Neural Network}
-
موضوع تحقیق
حلالیت ضعیف ترکیبات دارویی در محیط آبی بدن موجب افزایش تاثیرات جانبی نامطلوب، افزایش مقدار داروی مصرفی و کاهش اثربخشی آن می شود. تولید میکرو/ نانوذرات ترکیبات دارویی با مرفولوژی و توزیع اندازه ی یکنواخت یکی از روش های تایید شده برای افزایش حلالیت این ترکیبات است. از این رو انتخاب وطراحی یک روش مناسب برای تولید میکرو/ نانوذرات ترکیبات دارویی یکی از مهمترین زمینه های تحقیقاتی در صنایع داروسازی است. در طول سه دهه گذشته، بکارگیری فرایندهای بر پایه دی اکسیدکربن فوق بحرانی در زمینه های مختلف داروسازی بسیار مورد توجه قرار گرفته است. اما برای استفاده از این فناوری جهت تولید میکرو/نانوذرات دارویی و طراحی و توسعه ی واحدهای عملیاتی موردنیاز، تعیین میزان حلالیت این ترکیبات در دی اکسیدکربن فوق بحرانی الزامی است.
روش کاردر این پژوهش، از پنج مدل تجربی مختلف (آداچی و لو، چ و مادراس، هژبر و همکارانش، بیان و همکارانش و مدل مندز سانتیاگو تیجا) و همچنین شبکه ی عصبی مصنوعی برای تعیین حلالیت شش ترکیب دارویی ضدسرطان (اپرپیتانت، 5-فلوروراسیل، ایماتینیب مسیلات، کاپسیتابین، لتروزول و داستاکسل) در دی اکسیدکربن فوق بحرانی استفاده شده است. سپس با استفاده از داده های تجربی موجود برای حلالیت این مواد و محاسبه ی معیارهای آماری مانند میانگین قدر مطلق خطای نسبی (AARD%)، ضریب هم بستگی تنظیم شونده (Radj) و مقدار پارامتر F (F-value)، میزان دقت و صحت این مدل ها در تخمین حلالیت ترکیبات دارویی مذکور بررسی شده است.
مهم ترین نتایج حاصلهبر اساس نتایج حاصله، مدل آداچی و لو با مقدار AARD%معادل %12/12 و میانگین Radj معادل 97/0 می تواند پیش بینی قابل قبولی از میزان حلالیت این ترکیبات دارویی در دی اکسیدکربن فوق بحرانی داشته باشد. همچنین با مقایسه ی نتایج به دست آمده از شبکه ی عصبی مصنوعی و مدل های تجربی، شبکه ی عصبی مصنوعی با مقدار AARD% معادل %65/1 و میانگین Radj معادل 9960/0 را می توان به عنوان مناسب ترین مدل برای پیش بینیمیزان حلالیت این داروهای ضدسرطان انتخاب نمود.
کلید واژگان: دی اکسیدکربن فوق بحرانی, حلالیت, داروی ضدسرطان, شبکه ی عصبی مصنوعی, مدل های تجربی}Research subjectLow solubility of pharmaceutical compounds leads to increasing the required drug dosage and their side effects as well as reducing their therapeutic efficiency. Producing pharmaceutical micro/nanoparticles with homogenous morphology and narrow size distribution is one of the confirmed approaches for their solubility enhancement. So, selection and designing an appropriate method for this purpose is one of the most important research fields of pharmaceutical industries. Over the past three decades, supercritical carbon dioxide (sc-CO2) based methods as a clean and green technologies have been received much attention in various fields of pharmaceutical industries. However, in order to design and development of these methods for producing micro/nanoparticles, determination of the compounds solubility in sc-CO2 is essential.
Research approachIn this research, well known empirical models (Adachi and Lu, Ch and Madras, Hozahzbr et al., Bian et al., Mendez-Santiago-Teja), as well as the artificial neural network model were applied for prediction the solubility of six anticancer drugs (Aprepitant, 5-Fluorouracil, Imatinib mesylate, Capecitabine, Letrozole, Docetaxel) in sc-CO2. In order to evaluate the accuracy of these models, a comparison was made between the calculated solubility values and the available experimental data, based on several statistical criteria, such as the average absolute relative deviation (AARD%), adjusted correlation coefficient (Radj) and F-value.
Main resultsAccording to obtained results, Adachi and Lu model with AARD% value of 12.12% and Radj value of 0.97 provided acceptable results for solubility of mentioned drugs in sc-CO2. Also, in comparison between empirical and artificial neural network models, the latter one with AARD% value of 1.65% and Radj value of 0.9960 was appointed as the most appropriate model for correlation of drugs solubility data.
Keywords: Supercritical carbon dioxide, Solubility, Anti-cancer drug, Artificial neural network, Empirical model} -
موضوع تحقیق
در ده های اخیر روش های بهینه سازی مبتنی بر پدیده های طبیعی به دلیل عدم نیاز به انجام محاسبات سنگین ریاضی، عدم وابستگی به نقاط انتخابی اولیه و قابلیت بهینه سازی نسبت به سایر روش ها، در زمینه بهینه سازی ترکیبی جایگاه ویژه ای پیدا کرده است. علاوه بر این شبکه عصبی مصنوعی به عنوان یکی از ابزار قدرتمند هوش مصنوعی در شبیه سازی فرایندها به کار برده می شود. به کارگیری شبکه عصبی برای مدل سازی فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و روش فرا ابتکاری در به دست آوردن شرایط بهینه برای کاتالیست و واکنش می تواند گام موثری، در جهت انجام فرایند با بازده بالا فراهم سازد.
روش تحقیقدر این پژوهش شبکه عصبی برای پیش بینی فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و الگوریتم کلونی زنبورهای عسل به منظور بهینه سازی بازده فرایند به کار گرفته شد. شبکه عصبی طراحی شده دارای 5 نرون در لایه پنهان می باشد. به منظور بررسی عملکرد الگوریتم پیشنهادی، شبکه عصبی مصنوعی برای پیش بینی تبدیل متاکروزل و گزینش پذیری آن به تیمول در فرایند آلکیلاسیون متاکروزل با ایزوپروپانول 120 داده استفاده شد. در این فرایند، سرعت فضایی (WHSV)، فشار و دما، به عنوان متغیرهای ورودی و تبدیل متاکروزل و گزینش پذیری تیمول به عنوان متغیرهای خروجی شبکه عصبی در نظر گرفته شده است.
نتایج اصلیسیستم شبیه سازی طراحی شده با ضریب رگرسیون (R2) بالاتر از %97.5، نشان دهنده دقت بالای شبکه عصبی طراحی شده برای این فرایند می باشد. میزان بیشینه بازده این فرایند با استفاده از الگوریتم کلونی زنبورهای عسل 28.9% با متغیرهای قابل تنظیم h-10.062 WHSV=، فشار bar1.5 و دمای C 300 حاصل شد. هم چنین برای دستیابی به کارایی بهتر الگوریتم بهینه سازی، مقادیر مطلوب ضریب شتاب و جمعیت زنبورها با آزمون سعی و خطا 100 و 10حاصل شد.
کلید واژگان: شبکه عصبی مصنوعی, الگوریتم کلونی زنبورها, بهینه سازی, آلکیلاسیون متاکروزل, تیمول}Research subjectIn recent decades, hybrid optimizations methods based on natural phenomenon have placed special position according to their capabilities in finding optimal solutions without expensive computational loads and disassociation on choosing initial points. Artificial Neural Network is used as one of the powerful tools of Artificial Intelligence for process simulation. The employment of the neural network in the modeling of m-Cresol alkylation process of with isopropanol as well as meta-heuristic methods in obtaining the optimal conditions for the catalyst and the reaction can prepare an effective step towards a high efficiency process.
Research approachIn the present study, the artificial neural network is applied to model alkylation of m‐Cresol with isopropanol process. In addition, the bee colony is employed in order to optimize the process yield. To verify its performance, the proposed method is used in prediction of the m‐Cresol conversion and Thymol selectivity of the alkylation process with isopropanol 120 data. In this process, the input variables are Weight Hourly Space Velocity (WHSV), pressure and temperature; m-cresol conversion and thymol selectivity are considered as the output variables of the neural network. Five hidden neurons are considered for the proposed neural network. 120 data is used to train the neural network. The meta-heuristic approach based on bee colony (BC) is applied to maximize the yield of the process.
Main resultsThe results confirm that the proposed method develops the accurate model with an R2 value of greater than 97.5%. The maximum yield is obtained 28.9% by bee colony algorithm with adjustable variables that are WHSV of 0.062 hr-1, the pressure of 1.5 bar and the temperature of 300oC. In addition, in order to achieve the better performance of the optimization algorithm, the appropriate values of acceleration coefficient and population size are chosen 100 and 10 during the trial-and-error phase.
Keywords: Artificial Neural Network, Bee Colony Algorithm, Optimization, Alkylation of m‐Cresol, Thymol} -
The present study seeks to conduct the optimization of a heavy-duty diesel engine under RCCI combustion fueled with diesel fuel and natural gas enriched with hydrogen. Since NOx emission is one of the most important concerns of using hydrogen as a sole fuel or an additive to hydrocarbon fuels in an internal combustion engine like RCCI engine, thus, the main goals of this study are to overcome the NOx challenge, enhance the RCCI combustion characteristics, and reduce the fuel consumption when the conventional hydrocarbon fuels are substituted with hydrogen. In order to conduct the optimization process, an artificial neural network coupled with the design of the experiment concept was employed to identify the RCCI combustion mathematical model and provide the required population for two optimization algorithms, namely genetic algorithm, and particle swarm optimization algorithm. The results from the optimization process show that by advancing the diesel fuel injection along with the appropriate amount of exhaust gas recirculation and nitrogen as diluents, the level of EURO VI for NOx can be met. However, the losses in the RCCI engine output power is less than 5% meanwhile the gross indicated efficiency is over 50% and the reduction in hydrocarbon fuels consumption is about 40%.Keywords: RCCI combustion, Heavy-Duty Diesel Engine, Hydrogen, artificial neural network, Optimization}
-
تخلخل یکی از پارامترهای مهم در ارزیابی ذخیره و توسعه یک مخزن هیدروکربنی است. این پارامتر پتروفیزیکی به صورت مرسوم توسط داده های مغزه و لاگ اندازه گیری یا محاسبه می شود. استفاده از داده های لرزه نگاری برای تخمین پارامترهای پتروفیزیکی مابین چاه ها، یکی از موضوعات مهم و قابل توجه در صنعت نفت و گاز است. در این مطالعه، ابتدا با استفاده از تلفیق داده های چاه نگاری و داده های لرزه نگاری سه بعدی پس از برانبارش مربوط به یکی از میادین نفتی خلیج فارس، وارون سازی لرزه ای با استفاده از روش وارون سازی براساس مدل و روش وارون سازی خارهای پراکنده انجام گرفت. همبستگی و خطای روش وارون سازی خارهای پراکنده به ترتیب برابر 98 و 19% بوده است، درحالی که در روش وارون سازی براساس مدل به ترتیب برابر 88 و 47% است. در مرحله بعد، با استفاده از سه روش چند نشان گر لرزه ای، شبکه عصبی احتمالاتی و شبکه عصبی تابع پایه شعاعی تخمین تخلخل انجام شد. روش شبکه عصبی احتمالاتی 91% همبستگی بین داده های آموزشی و 71% همبستگی بین داده های اعتبارسنجی ارایه داده است که جواب بهتری نسبت به دو روش دیگر بوده است. بنابراین، پیشنهاد می گردد برای تخمین تخلخل از داده های لرزه نگاری در میادین با زمین شناسی مشابه، از این روش استفاده گردد.کلید واژگان: سرشت نمایی مخازن, وارون سازی لرزه ای, مقاومت صوتی, نشان گر لرزه ای, شبکه های عصبی مصنوعی}Porosity is one of the important parameters in reserve estimation and development of a hydrocarbon reservoir. This petrophysical parameter is traditionally calculated from core and log data. The use of seismic data to estimate petrophysical parameters between wells has been of particular interest in oil and gas industry. In this study, seismic inversion was performed using two methods including model based and sparse spike using a combination of well data and post stack seismic data in an Iranian oil fields. The correlation and error of the sparse spike inversion method were 98 and 19%, respectively. However, the correlation and error of the model-based inversion were 88 and 47%, respectively. In the next step, porosity estimation was performed using three methods, including seismic multiple-attribute, probabilistic neural network and radial basic function neural network. The probabilistic neural network method provided 91% correlation between training data and 71% correlation between validation data that was a better answer than the other two methods. Therefore, it is suggested to use this method to estimate the porosity of seismic data in fields with similar geology.Keywords: seismic attributes, Seismic Inversion, Seismic Reservoir Characterization, Artificial Neural Network, Probabilistic Neural Network}
-
همزن های استاتیک تجهیزاتی برای آمیزش در راکتورهای شیمیایی و افزایش ضریب انتقال حرارت در مبدل های حرارتی هستند. در این تحقیق مشخصه های جریان سیال در لوله های مجهز به همزن های استاتیکی اصلاح شده با ابعاد هندسی متفاوت با روش شبیه سازی دینامیک سیالات محاسباتی بررسی شده است. همزن های نوارپیچیده کلاسیک، نوارپیچیده حفره دار و نوارپیچیده V-Cut برای اعداد رینولدز 3000 تا 19000 بررسی شدند. الگوی جریان و افت فشار برای جریان سیال بر روی این همزن ها بررسی شد. هم چنین پس از تایید اعتبار نتایج شبیه سازی، داده های به دست آمده برای آموزش مدل شبکه عصبی مصنوعی استفاده شد. عدد رینولدز و مولفه های هندسی همزن ها به عنوان متغیرهای ورودی شبکه عصبی برای تخمین ضریب اصطکاک استفاده شدند. کارایی مدل ها در تخمین ضریب اصطکاک ارزیابی شد که نتایج بیانگر خطای نسبی کمتر از 1 درصد است. خطای نسبی برای کلیه داده ها در حالت کلاسیک، V-Cut و حفره دار به ترتیب 75/0%، 57/0% و 52/0% و برای داده های ارزیابی به ترتیب 1/1%، 92/0% و 62/0% به دست آمد. 30 درصد داده ها به طور تصادفی برای ارزیابی شبکه عصبی در نظر گرفته شد که دقت بالای تخمین آن ها اعتبار مدل را اثبات می کند.
کلید واژگان: همزن استاتیک, ضریب اصطکاک, نوارپیچیده, دینامیک سیالات محاسباتی, شبکه عصبی مصنوعی}Static mixers are applied for increasing the mixing in chemical reactors as well as for increasing the heat transfer coefficient in heat exchangers. In the study, fluid flow characteristics in tubes equipped with modified static mixers with different geometric parameters were investigated by computational fluid dynamics. The classic twisted tape, perforated twisted tape, and V-Cut twisted tape were evaluated for Reynolds numbers between of 3000 to 19000. The fluid flow and pressure drop for the mixers were investigated. The validated simulation results were employed to train the artificial neural network model. Reynolds number and geometric parameters of the mixers were used as input variables of the neural network for predicting the friction factor. The model accuracy for estimating the friction factor was investigated and a relative error of less than 1% was obtained. The main relative errors for all data in classical, V-Cut, and perforated twisted tape were 0.75%, 0.57%, and 0.52%, respectively, and for validation data were 1.1%, 0.92%, and 0.62%. 30% of the data were randomly selected for the neural network to prove the model validity.
Keywords: Static Mixers, friction factor, Twisted Tape, Computational Fluid Dynamics, Artificial Neural Network} -
Effective pretreatment of lignocellulosic biomass could be used to produce fermentable sugar for renewable energy production, which reduces problems related to nonrenewable fuel. Therefore, the purpose of this study was to produce monosaccharide sugar for renewable energy from agricultural waste via ammonia pretreatment optimization using response surface methodology (RSM) and artificial neural network (ANN). Cornstover was collected and mechanically pre-treated. RSM and ANNwere applied for experimental design and optimum parameters estimation. Cornstover was converted into simple sugars with a combination of ammonia treatment subsequently enzymatic hydrolysis.The maximum yield of glucose (87.46%), xylose (77.5%), and total sugar (442.0g/Kg) were all accomplished at 20 min of residence time, 4.0 g/g of ammonia loading, 132.5 0C of temperature, and 0.5 g/g of water loading experimentally. While 86.998% of glucose, 76.789% of xylose, and 439.323(g/Kg) of total sugar were achieved by prediction of the ANN model. It was shown that cornstover has a massive potential sugar for the production of renewable fuel. Ammonia loading had a highly significant effect on the yield of all sugars compared to other parameters. Interactively, ammonia loading and residence time had a significant impact on the yield of glucose, while water loading and residence time, had a significant effect on the yield of xylose. The accuracy and prediction of an artificial neural network are better than that of the response surface methodology.
Keywords: Artificial Neural Network, Biomass, Central composite design, pretreatment, Sugar} -
The design and production of new materials to safely store hydrogen are challenging in hydrogen storage technology. Porous carbon materials such as carbon nanotubes (CNTs) are novel candidates for this aim. Predicting the hydrogen adsorption isotherm on these new materials can be done very effectively. Artificial neural network modeling (ANN) is a helpful tool for this aim. In this study, a feed-forward ANN with one hidden layer was constructed and tested to model the equilibrium data of hydrogen adsorption onto Ni-decorated CNTs. CNT properties like surface area, pore volume, and experimental conditions are used as inputs to predict the corresponding hydrogen uptake in equilibrium conditions. The constructed ANN was found to be precise in modeling the hydrogen adsorption isotherms for all inputs during the training process. The trained network successfully simulates the hydrogen adsorption isotherm for new inputs, which are kept unaware of the ANN during the training process. This shows the power of the created ANN model to determine adsorption isotherms for any operating conditions under the studied constraints.Keywords: Hydrogen adsorption, Carbon Nanotube, Isotherm, Artificial neural network}
-
وقوع نشتی در خطوط انتقال نفت و گاز ممکن است باعث مشکلات جدی از قبیل انفجارها، آلودگی محیط زیست و از بین رفتن انرژی و منابع مالی گردد. به منظور جلوگیری از بروز این اتفاقات یا کاهش تلفات آنها، تشخیص زود هنگام نشتی در خطوط لوله از اهمیت بالایی برخوردار است. برای این منظور می توان از یک بخش تشخیص نشتی که برروی زیرساخت یک سیستم اسکادا قرار گرفته است استفاده نمود. در این مقاله، ابتدا با استفاده از نرم افزار الگا نشتی هایی با اندازه های مختلف و در فواصل متفاوت برروی یک خط لوله انتقال نفت شبیه سازی گردید. پس از آن، خروجی داده های شبیه ساز الگا که شامل فشار و جریان نقاط مختلف خط لوله هستند به کمک ابزار Power Query و Dax Studio جهت تحلیل آماده سازی شدند. در ادامه، داده ها وارد نرم افزار متلب گردید و شبکه عصبی مصنوعی به منظور شناسایی اندازه و محل نشتی طراحی و آموزش داده شد. در نهایت، این بخش به عنوان همتای دیجیتالی از آن خط لوله برروی سیستم اسکادا قرار خواهد گرفت و با استفاده از استانداردهای متداول صنعتی به صورت برخط داده های لازم را جهت پایش وضعیت خط لوله دریافت می نماید و در صورت وقوع نشتی هشدارهای لازم و اطلاعات مربوطه را صادر می نماید.
کلید واژگان: نشتی خطوط لوله, اسکادا, الگا, همتای دیجیتال, شبکه عصبی مصنوعی}Leaks in oil and gas pipelines could cause serious problems such as explosions, environmental pollution, and the loss of energy and financial resources. Early detection of leaks in pipelines is critical to prevent or reduce the occurrence of these losses. For this purpose, a leak detection module located on the infrastructure of a Scada system can be used. In this paper, first, Olga simulates leaks of different sizes and distances on oil pipeline. The output of the Olga, which includes the pressure and flow of different parts of the pipeline, was prepared for analysis using Power Query and Dax Studio tools. The data was entered into MATLAB and the artificial neural network was designed and trained to identify the size and location of the leak. Eventually, this module will be placed on the Scada system as a digital twin of that pipeline and will receive the necessary online data to monitor the condition of the pipeline using the industrial protocols.
Keywords: Pipeline leakage, Scada, OLGA, Digital twin, Artificial Neural Network}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.