مقاله پیش بینی ضریب تراکم پذیری گاز از طریق ترکیب شبکه عصبی والگوریتم ژنتیک

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله پیش بینی ضریب تراکم پذیری گاز از طریق ترکیب شبکه عصبی والگوریتم ژنتیک دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی ضریب تراکم پذیری گاز از طریق ترکیب شبکه عصبی والگوریتم ژنتیک  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیش بینی ضریب تراکم پذیری گاز از طریق ترکیب شبکه عصبی والگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی ضریب تراکم پذیری گاز از طریق ترکیب شبکه عصبی والگوریتم ژنتیک :

تعداد صفحات:۱۷
چکیده:
ضریب تراکم پذیری گاز (Gas compressibility factor, Z)به عنوان یکی از عوامل تعیین کننده در محاسبات خصوصیات گازهای طبیعی در حوضه مهندسی شیمی و نفت همواره مورد توجه بوده است. محاسبه دقیق و سریع این پارامتر در شبیه سازی های مهندسی نفت بیشتر اهمیت پیدا میکند. در سال ۱۹۴۲، Standing-Katz با ارائه یه روش گرافیکی گام بلندی در محاسبه این مقدار برداشتند که تا به امروز نیز روش آنها مورد استفاده قرار میگیرد. در طول سالیان محققین دیگری نیز تلاش کردند با ارائه روش های جایگزین، دقت محاسبات را افزایش دهند که از مهمترین آنها میتوان به Dranchuk and Abu-Kasem (DAK), Brill-Begss, Hall and Yalborough اشاره کرد.تمامی روش های ارائه شده بعد از نمودار Standing-Katz هر یک به نوبه خود دارای محدودیتی میباشند مانند عدم همگرایی، عدم دقت و داشتن محدودیت دما و فشار. همچنین اکثر روش ها برای حل نیاز به تکرار(iteration) دارد و طبیعی است در چنین شرایطی متناسب با حدس اولیه ممکن است نتایج نیز تغییر کند.در این پژوهش، ما به ارائه مدلی جدید جهت محاسبه ضریب تراکم پذیری گاز طبیعی با کمک ترکیب شیکه عصبی مصنوعی و الگوریتم بهینه سازی ژنتیک میپردازیم. جهت آموزش و ارزیابی مدل پیشنهادی نیز از ۳۵۴ داده آزمایشگاهی بهره گرفته شده است. شبه دمای کاهشی و شبه فشار کاهشی به عنوان ورودی های شبکه لحاظ شده اند و از الگوریتم ژنتیک جهت بهینه سازی شبکه طراحی شده و افزایش دقت استفاده گردید. دقت مدل پیشنهادی نیز توسط مقایسه با روش های تجربی سنجیده شده است. میانگین مربعات خطا و ضریب تعیین (Coefficient of determination, R2) به عنوان شاخص های دقت مدل پیشنهادی مقادیر ۰۰۰۶۷ و ۰۹۷۵۰۶ را نتیجه میدهند که در مقایسه با خروجی های روش های تجربی دقت بالاتری را نشان میدهند.