پیش‌بینی رسوب واکس با استفاده از الگوریتم‌های یادگیری ماشین: پرسپترون چند لایه و جنگل تصادفی

نوع مقاله : مقاله پژوهشی

نویسندگان
میلاد شادبخت 1
اقبال صحرایی 2
احمد حسین زادگان 3
1 دانشجوی کارشناسی ارشد مهندسی نفت، دانشکده مهندسی نفت و گاز، دانشگاه صنعتی سهند، تبریز، ایران
2 دانشیار، دانشکده مهندسی نفت و گاز، دانشگاه صنعتی سهند، تبریز، ایران
3 دکترای مهندسی نفت، شرکت نفت خزر، تهران، ایران
چکیده
پدیده رسوب واکس یکی از چالش‌های عمده در صنعت نفت و گاز است که در مراحل تولید، انتقال و فرآوری نفت خام رخ می‌دهد. در بسیاری از پژوهش‌ها درباره دمای ظاهری واکس (WAT)۱ تحقیق به‌عمل‌آمده اما در این پژوهش با بهره‌گیری از الگوریتم‌های هوش مصنوعی، به‌ویژه پرسترون چند لایه خطی و جنگل تصادفی، مدلی برای پیش‌بینی رسوب واکس ارائه شد که با استفاده از داده‌های میدانی و مدل سینتیکی ریگ، رایدال و رونینگسن مدل‌های پیش‌بینی توسعه یافته و مورد ارزیابی قرار گرفتند. نتایج حاکی از دقت بالای مدل‌ها در پیش‌بینی رسوب هستند که این مدل‌ها می‌تواند در بهینه‌سازی طراحی و بهره‌برداری از خطوط لوله بسیار مؤثر باشد.

Wax appearance temperature

کلیدواژه‌ها

موضوعات

عنوان مقاله English

Prediction of Wax Deposition Using Machine Learning Algorithms: Multilayer Perceptron and Random Forest

نویسندگان English

Milad Shadbakht 1
Eghbal Sahraei 2
Ahmad Hosseinzadegan 3
1 M.Sc. Student in Petroleum Engineering, Faculty of Petroleum and Gas Engineering, Sahand University of Technology, Tabriz, Iran
2 Associate Professor, Faculty of Petroleum and Gas Engineering, Sahand University of Technology, Tabriz, Iran
3 Ph.D. Petroleum Engineering, Khazar Exploration & Production Company (KEPCO), Tehran, Iran
چکیده English

The phenomenon of paraffin deposition is one of the major problems that has been permanently present in the oil and gas industry. One of these deposits is wax deposition, which is problematic in all stages of oil extraction, transportation, and processing, and has caused blockages in wells, and equipment. wells, oil transmission lines and exploitation units, and refining sites. Many of these researchers presented materials about wax apparent temperature (WAT) and thermodynamic investigation of wax deposition, which were widely used in the oil industry to predict initial deposition. In this work, models with multi-layer perceptron algorithm and random forest were created for wax deposition in the pipeline, and these models indicate that increasing the length of the pipeline can cause more wax deposition, as well as models for predicting these deposits relative to the length of the line. The tube was provided.

کلیدواژه‌ها English

Wax deposition
Pipeline deposition
Artificial intelligence
Machine learning
  1. Jafari Behbahani T. Fundamentals of Hydrocarbon Deposition in the Oil Industry (Asphaltenes, Waxes). Tehran: Farahmand Publishing; 2015. [In Persian].
  2. G. W. Gilby, Chemicals in the oil industry (1983). 108-113.
  3. M. S. Wertheim, Fluids with Highly Directional Attractive Forces. IV. Equilibrium Polymerization May 31, 1985.
  4. Mozes, G., Freund, M., Csikos, R. Keszthelyi, S. “Chemical crystallographical, and Physical Properties of liquid Paraffins and Paraffins Waxes, in Paraffin Product, Properties, Technologies, Applications”, Mozes, G, ED, Elsevier Scientific, New York, 1982.
  5. Wax Precipitation from North Sea Crude Oils. 1. Crystallization and Dissolution Temperatures, and Newtonian and Non-Newtonian Flow Properties. Hans Petter Ranningsen and Brit Bjamdal, June 11, 1991.
  6. Prediction of Wax Appearance Temperature Using Artificial Intelligent Techniques, Chahrazed Benamara, Kheira Gharbi, 2019.
  7. Wax deposition and prediction in petroleum pipelines, Alnaimat F, Ziauddin M, 2019.
  8. A review of wax formation/mitigation technologies in the petroleum industry, Meagan white, Kelly Pierce, 2018.
  9. A review. (PDF) Preventing and removing wax deposition inside vertical wells: a review, A. L. Sousa· H. A. Matos · L.  P. Guerreiro, 2019.
  10. Wax Deposition in Crude Oil Transport Lines and Wax Estimation Methods, Fadi Alnaimat, Mohammed Ziauddin and Bobby Mathew, 2020.
  11. Predicting wax deposition using robust machine learning techniques Menad Nait Amar, Ashkan Jahanbani Ghahfarokhi, 2021.
  12. Prediction of wax disappearance temperature using artificial neural networks, Gholamreza Moradi a, Majid Mohadesi, Mohammad Reza Moradi., 2013.
  13. Artificial Intelligence: A Modern Approach, Russell و Peter Norvig.
  14. Thermodynamics of Wax Precipitation in Petroleum Mixtures, C. Lira-Galeana and A. Firoozabadi, john M. Prausnitz,1996.

  • تاریخ دریافت 11 مهر 1403
  • تاریخ بازنگری 09 آبان 1404
  • تاریخ پذیرش 20 اردیبهشت 1404