TY - JOUR ID - 37272 TI - تخمین مؤثر درصد حضور اجزای پارافینی، نفتنی و آروماتیکی در برش‌های نفتی سیال‌های هیدروکربوری JO - نشریه شیمی و مهندسی شیمی ایران JA - NSMSI LA - fa SN - 1022-7768 AU - خوشناموند, یونس AU - عصاره, مهدی AU - ملاداوودی, بهروز AD - دانشکده مهندسی شیمی، نفت و گاز، دانشگاه علم و صنعت ایران، تهران ایران Y1 - 2020 PY - 2020 VL - 38 IS - 4 SP - 253 EP - 261 KW - دمای جوش نرمال KW - چگالی ویژه KW - وزن مولکولی KW - پی سی سفت KW - شبکه عصبی DO - N2 - فهم ترکیب درصد برش­ های هیدروکربوری (مقدار پارافین‌ها، نفتن‌ها و آروماتیک‌ها) همچنان مسئله­ ای چالش‌برانگیز در زمینه پیش­ بینی رفتار فازی سیال­های نفتی به شمار می‌رود. روش‌های تعیین این ترکیب درصد‌ها، شامل روش‌های آزمایشگاهی و روش‌های مدل سازی مبتنی بر داده می‌باشند. روش‌های آزمایشگاهی، دقیق هستند، ولی مشکل­ هایی مانند هزینه‌بر بودن و وقت‌گیر بودن را دارند. روش ­های مدل سازی به صورت کلی شامل دو یا چند پارامتر مشخصه‌سازی مانند اندیس شکست، دمای جوش نرمال، چگالی در شرایط استاندارد، نسبت کربن به هیدروژن، ضریب واتسون، و ثابت گرانروی می‌باشند. مشکل مدل‌های ارایه شده این است که برای یافتن ترکیب درصد خانواده ها، باید پارامتر‌های مشخصه سازی ذکر شده، موجود باشد، ولی بیش ­تر این پارامترها برای برش‌های نفتی، مشخص نمی‌باشند، در نتیجه در عمل، تعیین ترکیب درصد شیمیایی برش ها، با مشکل مواجه می‌شود. در این پژوهش سعی شده است که پارامترهایی برای ساخت مدل انتخاب شود که این محدودیت را نداشته باشد. پارامترهای انتخاب شده، وزن مولکولی، چگالی ویژه و دمای جوش نرمال می‌باشند. این پارامترها بیش ­تر برای برش های نفتی وجود دارند، در نتیجه در تعیین ترکیب درصد برش‌های نفتی به عامل مشخصه سازی ویژه­ ی دیگری نیاز نیست. در این پژوهش از شبکه عصبی و معادله حالت خانواده  سفتبرای تعیین مدل تخمین درصد خانواده‌ها استفاده شد. برای توسعه این مدل برای برش‌های مصنوعی متشکل از اجزای پارافینی، نفتنی، و آروماتیکی، مقدارهای چگالی ویژه و دمای جوش نرمال با استفاده از معادله حالت پی­ سی­ سفت تعیین شد. سرانجام یک مدل شبکه عصبی، روی این داد‌‌ه های به­ دست آمده، پیاده‌سازی شد. در پایان با استفاده از یک سری داده های ارزیابی، برای برش‌های نفتی، قابلیت تخمین مدل مورد آزمایش قرار گرفت. نتیجه ها نشان می دهد که روند معرفی شده به طور مؤثری، خانواده‌های حاضر در برش‌ها را پیش بینی می کند. UR - https://www.nsmsi.ir/article_37272.html L1 - https://www.nsmsi.ir/article_37272_622f1dd68ff474ac5a076021d028fd5e.pdf ER -