مشخصات پژوهش

عنوان	توسعه و بهره وری از روشهای هوشمند جهت پیش بینی ویسکوزیته نفت خام برای مخازن نفت خام ایرانی
نوع پژوهش	طرح پژوهشی خاتمه‌یافته
کلیدواژه‌ها	روش های هوشمند، پیش بینی ویسکوزیته نقت خام، شبکه های عصبی، RBF، MLP، ANFIS
چکیده	محاسبه دقیق خواص سیالات همانند ویسکوزیته، کشش سطحی، و… می تواند در بسیاری از حوزه های مهندسی شیمی همانند طراحی تجهیزات سطحی و زیرسطحی، ازدیاد برداشت و یا انجام تجزیه و تحلیل هایی مانند پیش بینی عملکرد یک مخزن نفتی، امری بسیار حائز اهمیت باشد. روش های آزمایشگاهی برای محاسبه این خواص بسیار زمان بر و پرهزینه بوده، و معادلات تجربی و نیمه تجربی نیز اغلب دقت مورد نیاز را ندارند، ازاین رو ارائه ی یک مدل پیش بینی کننده ی قابل اعتماد و دقیق، همواره چالشی مورد توجه بوده است. امروزه هوش مصنوعی از جمله تکنولوژی های بسیار مهم، پرکاربرد و درحال پیشرفت توسط بشر به شمار می رود که به دلیل به دلیل پیاده سازی ساده، طراحی آسان، تعمیم بخشی، قدرتمندی، و انعطاف پذیری، در حل این مشکل بسیار مفید واقع شده است. هوش مصنوعی شامل شاخه های مختلفی شامل شبکه های مصنوعی عصبی، منطق فازی، الگوریتم ژنتیک، سیستم های تخصصی، و سیستم های ترکیبی می باشد که به طور گسترده ای از آن ها در زمینه های گوناگون مهندسی شیمی شامل فرآیند هایی مانند مدل سازی، بهینه سازی، کنترل فرآیند، طبقه بندی، تشخیص خطا، و عیب سنجی و … استفاده شده است. در این پژوهش به بررسی روش‎های مطرح در نکنولوژی هوش مصنوعی برای پیش بینی خواص سیالات، پرداخته شده است. از 3 مدل مختلف شامل شبکه ی عصبی پرسپترون چند لایه (MLP) و شبکه ی مبتنی بر توابع شعاعی پایه (RBF) و سیستم استنتاج عصبی-فازی سازگار (ANFIS) بهینه شده، برای پیش بینی ویسکوزیته نفت خام استفاده شده است. نتایج در 3 بخش متفاوت برای مناطق متفاوت ویسکوزیته شامل بالا، در، و پایین فشار نقطه ی حباب مورد بررسی قرار گرفت. معادلات و مدل های بررسی شده در مقالات برای پیش بینی ویسکوزیته نفت خام معمولا تنها برای یک منطقه خاص توسعه داده شده اند، مزیت مدل های توسعه داده شده در این پزوهش این است که برای پیش بینی ویسکوزیته در هر 3 منطقه می توانند مورد استفاده قرار بگیرند. نتایج نشان می دهد که مدل MLP، در پیش بینی ویسکوزیته نفت خام با میانگین مطلق خطای نسبی 1.9942%، 2.9906%، و 1.5053% به ترتیب برای داده های کلی، امتحان، و آموزش، دارای کمترین خطا بوده و دقیق ترین مدل می باشد. همچنین مدل MLP توسعه داده شده با میانگین مطلق خطای نسبی 1.3343%، 3.9789%، و 2.1013% به ترتیب برای مناطق بالا، در، و پایین فشار نقطه ی حبا
پژوهشگران	محمد سلیمانی لشکناری (نفر اول)، محمد باقری (همکار)، افشین تاتار (همکار)