امتیاز کاربران: 

پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی

word
169
4 MB
31380
1392
کارشناسی ارشد
قیمت: ۱۶,۹۰۰ تومان
دانلود مقاله
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی

    پایان‌نامه کارشناسی‌ارشد

    گرایش ابزاردقیق و اتوماسیون در صنعت نفت

    معرفی کل تحقیق

     

         یکی از مباحث مهم علمی، فنی و اقتصادی، مسأله­ی خوردگی فلزات و حفاظت تأسیسات فلزی است. بررسی مبحث خوردگی چندان ساده نیست و با همه پژوهش­های انجام شده، هنوز عوامل آنها به درستی شناخته نشده است. به غیر از بکارگیری علوم شیمی برای مقابله با خوردگی، استفاده از سایر علوم در کنترل و پیش­بینی خوردگی و استفاده از نتایج آن در تعمیرات تجهیزات فلزی از اهمیت ویژه­ای برخوردار است. مسأله­ی خوردگی در صنایع نفت و گاز به دلیل داشتن ترکیبات خوردنده به شکلی جدی­تر از صنایع دیگر شده است. عدم توانایی در پیش­بینی نرخ خوردگی باعث می­شود که زمان­های خرابی ناشی از آن نیز قابل پیش­بینی نباشد که این موضوع تیم­های نگهداری و تعمیرات را دچار مشکل می­کند.

         تاکنون روش­های مختلفی برای مواجه با این پدیده استفاده شده­است. مدل­سازی خوردگی می­تواند در شناخت بیشتر و پیش­بینی مسائل برآمده از آن مؤثر باشد. دراین مدل­سازی­ها، بیشتر از روش­های مکانیستیک با تکیه بر پیشینه­ی تیوریک خوردگی و فرمول­های ریاضی بوده است، اما به دلیل پیچیدگی ذاتی این پدیده، این روش­ها موفقیت زیادی نداشته­اند.

         به دلیل پیچیدگی ذکر شده و تعدد عوامل شناخته شده و ناشناخته­ی تأثیرگذار بر این پدیده به نظر می­رسد می­توان از روش­های داده محوری چون شبکه عصبی برای پیش­بینی نرخ خوردگی استفاده کرد، البته به شرطی که داده با اندازه کافی در این زمینه موجود باشد.

         این تحقیق بر مبنای استفاده از توانایی­های شبکه­های عصبی برای پیش­بینی نرخ خوردگی بنا نهاده شده است و بدین منظور از اطلاعات جمع­آوری شده از میادین گازی تحت پوشش شرکت بهره­برداری زاگرس جنوبی استفاده شده است.

         از مباحث مهم دیگر که از اهمیت ویژه در صنایع گاز برخوردار است، پدیده­ی سایش/ خوردگی می­باشد. پدیده سایش در چاه­هایی که دارای سرعت جریان بالا و یا همراه با ذرات جامد معلق در سیال تولیدی باشد، بسیار محتمل است. حتی در شرایط عاری از شن و یا سرویس­های تمیز که شدت تولید شن حدود چند پوند در روز است، خسارات ناشی از سایش، در سرعت­های تولیدی بالا بسیار زیاد است. در صنعت، از روابط اصلاح شده تنش­برشی مانند رابطه­ی ارائه شده توسط استاندارد ، برای پیش­بینی سرعت سایش  استفاده می­شود.

                                                                                               

    که در آن

    Ve: سرعت سایشی سیال (فوت بر ثانیه)

    : جرم حجمی مخلوط گاز و مایع در فشار و دمای عملیاتی (پوند بر فوت مکعب)

    : ضریب تجربی (بدون واحد)

    محدودیت­ها و مشکلات کاربرد معادله (1-1) برای چاه­ها بیشتر مربوط به مقدار ثابت "" می­باشد. استاندارد API RP 14E پیشنهاد می­کند که برای چاه­های که تولید شن ندارند و  همچنین چاه­هایی که با لوله مغزی از جنس آلیاژ CRA  (آلیاژ مقاوم در مقابل خوردگی­)، استفاده می­کنند، مقادیر 150 تا 200 برای ثابت "" مد نظر قرار گیرد. اگر شن یا ماسه همراه با سیال تولید شود "" را عدد 100 در نظر می­گیرند.

        امروزه پس از گذشت سالها از پیدایش استاندارد API RP 14E، ناکار­آمدی آن بر همگان مشخص شده است. ثابتC" " در استاندارد API RP 14E در مواردی بسیار محتاطانه در نظر گرفته شده­است. در این پژوهش به پیش­بینی ثابت سرعت سایش (ضریب تجربی C) می­پردازیم. بدین منظور از اطلاعات جمع­آوری شده از میادین گازی تحت پوشش شرکت بهره­برداری زاگرس جنوبی استفاده شده­است.

     

     

     

    1-2 فعالیت­ های پیشین و تاریخچه­ تحقیق

     

         در سالهای اخیر استفاده از هوش مصنوعی در زمینه مدلسازی فرآیندهای خوردگی مورد توجه قرار گرفته است. شبکه عصبی مصنوعی تبدیل به یکی از روش­های بسیار پراستفاده در زمینه مدلسازی فرآیند خوردگی شده است. در ادامه برخی از تحقیقیات در مورد خوردگی که در آنها از شبکه عصبی برای مدلسازی استفاده شده، معرفی می­گردند.

         یکی از جدی­ترین کارهایی که برای استفاده از شبکه عصبی در مسائل خوردگی صورت گرفته و جزء اولین­ها در این زمینه بوده­است، پیش­بینی نرخ خوردگی با استفاده از شبکه عصبی توسط اسمتس و بوگارتس بوده­است. آنها در کار خود یک شبکه عصبی تولید کردند و با استفاده از آن به پیش­بینی [1]SCC   بر روی فولاد زنگ نزن نوع 304 در حضور ترکیبات کلراید و اکسیژن­دار و دمای مشخص پرداختند. آنها دریافتند که روش شبکه­های عصبی در این امر نسبت به روش برازش سنتی برتری دارد. ]1[

         در تحقیق دیگری یک مدل شبکه عصبی جهت پیش­بینی تعداد و عمق حفره­های ناشی از خوردگی حفره­ای تولید شد. البته اطلاعاتی در مورد توپولوژی و اندازه شبکه و نحوه آموزش آن داده نشده است. پیشرفت در عمق حفره­ها و تعداد آنها به صورت مؤثر مدلسازی شد و نتایج خوبی را در مقایسه با داده­های تجربی نشان داد. ]2[

         از شبکه عصبی برای پیش بینی نوع خوردگی از منحنی پلاریزاسیون استفاده شده است. ورودی­های شبکه چگالی و پتانسیل خوردگی حفره­ای بوده و خروجی­های آن ریسک به وجود آمدن هر کدام از خوردگی­های عمومی، حفره­ای و شکننده بوده است. ]3[

    نسیک و همکاران در مقاله­ای به دو مشکل مهم که باعث می­شود از شبکه­های عصبی کمتر در مباحث خوردگی استفاده شود اشاره کرده­اند. اولین دلیل را عدم آشنایی مهندسان خوردگی با مقوله هوش مصنوعی و شبکه عصبی و کاربرد آن در پیش­بینی خوردگی دانسته­اند و دلیل دوم آن را عدم وجود داده­های کافی در این امر دانسته­اند. البته در این مقاله در بخش اول توضیحاتی در مورد شبکه عصبی برای آشنایی مهندسان خوردگی آمده­است و در بخش دوم روش مونت کارلو معرفی شده و در حین آن یک کار عملی انجام شده است. ]4[

    تراساتی و گابتا در تحقیقاتی یک شبکه عصبی تولید کردند که از نفت خام، عدد اسید و درصد سولفور، از ترکیبات شیمیایی مواد، درصد کرومیوم و درصد مولیبدینم، از شرایط عملیاتی فرآیند (دما، فشار و نرخ جریان) را به عنوان ورودی و از نرخ خوردگی با واحد میلیمتر در سال (mpy) به عنوان خروجی استفاده کردند و نرخ خوردگی را با موفقیت از طریق شبکه عصبی تولید شده پیش­بینی نمودند. ]5[

     

    تحقیقات زیادی نیز، در زمینه­ی پیش­بینی ثابت سرعت سایش در لوله مغزی­های گاز و همچنین بررسی استانداردهای موجود در این زمینه صورت نگرفته است.

         استاندارد API RP14E  مقدار ثابت "C" را برای سرویس­های خورنده، 100 و برای سرویس­های که تحت حفاظت خوردگی هستند، 150 تا 200 پیشنهاد می­کند. برای سرویس­های که معضل خوردگی ندارند، مقادیر بالاتری برای ثابت "C" پیشنهاد شده­است هرچند که این مقادیر بطور مشخص بیان نشده­اند.

         علاوه بر محدودیت­های ذاتی موجود در مخزن که بر توان تولید چاه­های تولیدی گاز هر مخزن اثر می­گذارد، محدودیت سرعت سیال در رشته تولیدی چاه به منظور پیشگیری از پدیده سایش/ خوردگی یکی دیگر از عوامل تعیین کننده ظرفیت تولیدی یک چاه گازی می باشد.

         در مراجع موجود، تعریف های متفاوتی از این سرعت حدی (که به سرعت سایش معروف است) شده و مقادیر گوناگونی برای آن ذکر شده است. از جمله در صورت استفاده از آلیاژ های مقاوم در مقابل خوردگی (CRA) در لوله مغزی تولید گاز، افزایش این سرعت تا حد چندین برابر سرعت های معمول، مجاز شمرده شده است.

     شایان ذکر است که این دستورالعمل تا حد زیادی محافظه کارانه به نظر می رسد و در صورت جمع آوری و تجزیه و تحلیل اطلاعات عملی، امکان تجدید نظر در آن قابل پیش­بینی است.   

         لازم به توضیح است که در استاندارد ذکر شده و با استناد به تجارب صنعتی مقدار ضریب ''C' در خطوط لوله انتقال سیال با ذرات جامد همراه، به ترتیب برای سرویس­های دایم[2]  و نوبتی[3]  مقدار 100و 125 پیشنهاد شده است.

         همچنین در خصوص انتقال سیالات بدون ذرات جامد همراه در مواردی که بروز پدیده خوردگی محتمل نبوده و یا این پدیده با بکارگیری روش­های جلوگیری و یا استفاده از آلیاژهای مقاوم در برابر خوردگی مهار شده باشد، استفاده از مقادیر C=150-200 برای سرویس دایم وتا250  برای سرویس­های نوبتی مجاز شمرده شده­است.

         در مواردی که تولید ذرات جامد همراه سیال محتمل باشد مقادیر C  تا حد زیادی کاهش خواهد یافت. اهمیت مدل API RP 14E به خاطر ارتباط آن با دو موضوع شروع تشکیل رژیم Annular Mist و سرعت مورد نیاز برای از بین رفتن فیلم­های کربنات و اکسیدآهن روی جداره لوله مغزی است.

    برای محاسبه جرم حجمی مخلوط گاز و مایع، علاوه براستفاده از نرم افزارهای فرآیندهای کامپیوتری موجود می­توان از فرمول ذیل استفاده کرد:

     

    (1-2)                                    

     در این معادله

    P: فشار عملیاتی، پام مطلق

    T: دمای عملیاتی، درجه رانکین

    SL: وزن مخصوص مایع

    Sg: وزن مخصوص گاز

    R: نسبت گاز به مایع، فوت مکعب به بشکه

    Z: ضریب تراکم گاز

     

    پس از تعیین سرعت سایشی از معادله (1-1)­، از معادله ذیل می­توان دبی سایشی را بدست آورد:

    (1-3)                                                      

    در این معادله

    P: فشار عملیاتی، پام مطلق

    T: دمای عملیاتی، درجه رانکین

    Ve: سرعت سایشی، فوت بر ثانیه

    Z: ضریب تراکم گاز

    D: قطر داخلی رشته تولیدی، اینچ

    Qe: دبی سایشی، میلیون فوت مکعب استاندارد در روز

    چنانچه منحنی دبی سایشی و منحنی­های عملکرد چاه (­فشار سرچاهی بر حسب دبی تولید­) را با هم رسم نماییم، از تقاطع منحنی دبی سایشی با هر یک از منحنی­های عملکرد، حداکثر دبی مجاز تولید از چاه بدست خواهد آمد (شکل 1و2). به عبارت دیگر تولید در ناحیه سمت راست، دبی سایشی مجاز بوده و تولید در ناحیه سمت چپ منحنی مذکور غیرمجاز می­باشد.

     

    شکل شماره 1: حداکثر دبی مجاز برای سیال فاقد ذرات جامد

     

     

    شکل شماره 2: حداکثر دبی مجاز برای سیال حاوی ذرات جامد

    (منحنی­های سایشی برای حداکثر 15,10,7.5 mpy  رسم شده و با منحنی­های سایش برای ضرایب C=100,683  در فرمول مقایسه شده است).

     

    Illson,Andrews وMathtews  با استفاده از داده­های آزمایشی خوردگی سایشی مایع و گاز شیرین را بر روی فولاد  API 5CT L80  13cr و فولاد API 5CT C90 مورد بررسی و ارزیابی قرار دادند نتایج حاصل از آزمایش نشان می­دهد که مقاومت در مقابل خوردگی سایشی بدون حضور ذرات جامد به میزان زیادی بیشتر از مقدار پیش­بینی شده توسط API RP 14E می­باشد. ]6[

         اسماعیل­زاده در سال 2004 نشان داد که میزان ضریب "C" با توجه به داده­های میدانی در چاه­های خانگیران بر اساس استاندارد API RP 14E بسیار محافظه­کارانه است و مقدار  "C" را برای چاه­های پارس جنوبی، عدد 175 انتخاب کرد. ]7[

     

     

    1-3 اهداف پژوهش

     

    هدف از این تحقیق "پیش بینی نرخ خوردگی و ثابت سرعت سایش با استفاده از شبکه عصبی" بوده است،­ که در راستای این هدف، شناسایی و بررسی مدل­های مختلف شبکه عصبی که در مسایل پیش­بینی کاربرد دارند. شناسایی و بررسی روش­های معمول در پیش­بینی خوردگی محقق شده­اند.

    شبکه ‌های پیش‌خور[4]

     

         این نوع شبکه‌ها، به سیگنال‌ها اجازه می‌دهند که تنها از مسیر یک طرفه عبور کنند، یعنی از ورودی تا خروجی. بنابراین هیچ اتصال بازخوردی[5] وجود ندارد به این معنی که خروجی هر لایه تاثیری بر همان لایه یا لایه‌های قبلی ندارد (هیچ اتصالی از خروجی واحدها به ورودی واحدهای همان لایه یا لایه‌های قبلی وجود ندارد). این نوع شبکه‌ها به دو دسته تک لایه و چند لایه تقسیم می‌شوند. شبکه‌های پیش خور تک لایه[6] شامل لایه ورودی و لایه خروجی هستند. واحدهای لایه ورودی، نرون نیستند و فقط به عنوان یک بافر ورودی‌ها را دریافت کرده و هیچ پردازشی روی آنها انجام نمی‌دهند و به خروجی می‌فرستند. شبکه‌های پیش‌خور چندلایه[7] دارای ساختار لایه‌ای هستند. هر لایه شامل تعدادی واحد است که ورودی‌شان را از واحدهایی در لایه‌ای که مستقیما در پایین این لایه هستند دریافت می‌کنند و خروجی‌شان را برای واحدهایی که در لایه‌ای که مستقیما در بالای این لایه هستند، ارسال می‌کنند. اولین لایه، لایه ورودی و آخرین لایه، لایه خروجی است و لایه‌های میانی را لایه‌های مخفی می­نامیم. هر شبکه پیش‌خور چند‌لایه، می­تواند یک یا چند لایه مخفی داشته باشد [13-11]. 

           

    2-3-2 شبکه ‌های برگشتی[8]

     

         تفاوت شبکه‌های برگشتی با شبکه‌های پیش‌خور در این است که در شبکه‌های برگشتی، حداقل یک سیگنال برگشتی از یک نرون به همان و یا نرون‌های همان لایه و یا نرون‌های لایه‌های قبل وجود دارد. اگر نرونی دارای بازخورد باشد، بدین مفهوم است که خروجی نرون در لحظه حال نه تنها به ورودی در آن لحظه بلکه به مقدار خروجی خود نرون، در لحظه گذشته نیز بستگی دارد. این نوع شبکه‌ها، ممکن است لایه مخفی نیز داشته باشند [13-11]. شکل4 معماری‌های مختلف شبکه عصبی را نشان می‌دهد.

     

    خروجی

     

     

     

    ورودی

     

    ورودی

     

    لایه مخفی

     

    (الف)

     

    (ب)

     

     

     

     

    شکل شماره 4:  الف) شبکه پیش خور چندلایه  ب) شبکه بازگشتی[8]

     

     

    2-4  الگوریتم ‌های یادگیری

     

    شبکه عصبی باید به گونه‌ای پیکربندی شود تا با بکارگیری مجموعی از ورودی‌ها، مجموعه‌ی خروجی‌های مطلوب را بدهد. روش‌های مختلفی برای تنظیم شدت اتصالات وجود دارد. یکی از این روش‌ها، آموزش شبکه عصبی بوسیله‌ی الگوهای آموزشی و سپس تغییر ضرایب وزن آن بر اساس قاعده یادگیری است. یادگیری در شبکه‌های عصبی می‌تواند بصورت تحت سرپرست[9] و بدون سرپرست[10] باشد [8].

    یادگیری تحت سرپرست: در این مورد آموزش شبکه عصبی، ورودی و خروجی مربوط به آن به شبکه ارائه می‌شود. این زوج ورودی و خروجی توسط یک معلم خارجی اعمال می‌شود.

    یادگیری بدون سرپرست یا خود­سازمانده[11]: در این مورد واحدها آموزش می‌بینند تا به دسته‌های مختلف الگو که در ورودی وجود دارد، جواب دهند. در حقیقت در این سیستم‌ها ویژگی‌های برجسته ورودی کشف می‌شود.    

     

    2-5 شبکه عصبی MLP[12]

        

         شبکه‌های عصبی تک­لایه دارای محدودیت‌هایی در حل برخی از مسائل از جمله XOR بودند. مینسکی و پپرت[13] در سال 1969 نشان دادند که شبکه‌ی پیش‌خور دو­لایه قادر به حل خیلی از مسائل از جمله XOR هستند، ولی راه‌حلی ارائه ندادند.MLP  یک شبکه عصبی پیش­خور با حداقل یک­لایه مخفی است. از تمام گره­های ورودی به تمام گره­های میانی اتصال داریم. همچنین از لایه میانی نیز اتصال کامل[14] به خروجی برقرار است. لایه‌های مخفی، گره‌های محاسباتی هستند یعنی دارای تابع فعالیت هستند. برای آموزش MLP، الگوریتم پس­انتشار­خطا[15] پیشنهاد شده است [14و13].

     

    2-5-1  الگوریتم پس انتشار خطا

        

         رومل هرت، هینتون و ویلیامز[16] در سال 1986 قاعده‌ی یادگیری پس انتشار را معرفی کردند. در این روش خطای واحدهای لایه مخفی از طریق پس­انتشار خطای واحدهای لایه خروجی تعیین می‌شود. این الگوریتم، یک الگوریتم تحت­سرپرست است یعنی باید هدف در خروجی مشخص باشد. پس‌انتشار خطا، یک الگوریتم یادگیری تصحیح خطا است. در این الگوریتم، دو نوع مسیر داریم:

    مسیر رو‌به‌جلو[17]: ابتدا بردار ورودی به گره‌های ورودی اعمال می‌شود، سپس این مقادیر در ضرایب وزن لایه‌ها ضرب می‌شود و لایه به لایه با همین روند جلو رفته تا به گره خروجی برسد. این مسیر، یک مسیر فیزیکی است.

    مسیر رو‌به‌‌عقب[18]: در این مسیر در قاعده پس­انتشار­خطا، ضرایب وزن را متناسب با خطا تغییر می‌دهیم. بر خلاف لایه‌ی خروجی که در آن مقدار خطا مشخص است، برای لایه‌ی مخفی به دلیل مشخص نبودن مقدار هدف، خطا قابل محاسبه نیست. با استفاده از الگوریتم پس­انتشار­خطا، می­توان این مسئله را حل کرد. البته این مسیر، مسیر فیزیکی نیست بلکه یک مسیر منطقی است.

     

    [1]Stress Corrosion Cracking

    [2] Continuous

    [3] Intermittent

    [4] Feed-forward networks

    [5] Feedback

    [6] Single- layer

    [7] Multilayer

    [8] Recurrent  network

    [9] Supervised

    [10] Unsupervised    

    [11]  Self Organized

    [12] Multilayer perceptron

    [13]  Minsky & Pappert  

    [14] Fully Connected

    [15]  Error Backpropagation

    [16] Rumelhart, Hinton and Williams

    [17] Forward

    [18] Backward 

    ABSTRACT

    Prediction of corrosion rate and erosional velocity constant in gas tubing wells using neural networks

    One of the serious problems of oil and gas industry  is  the corrosion process. The internal corrosion is a multivariable nonlinear system, and furthermore because of the complex mapping قثمشفهخد  the complex mapping ofrelation between corrosion rate and its influencing factors, it is always difficult to predict the corrosion rateaccurately.incidentally,oil and gas industry, specially upstream, suffer from erosion/corrosion event. One commonly used  method for determining oil and gas production velocities is to limit production rates based on American  Petroleum Institude Recommanded Practice 14E(API RP 14E). This standard is overly conservative in many cases. The purpose of this research is to predict corrosion rate and erosional velocity constant in gas tubing wells by neural networks. 

  • فهرست و منابع پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی

    فهرست:

     عنوان                                                                                                                صفحه

    فصل اول: مقدمه. 9

    1-1 معرفی کل تحقیق.. 9

    1-2 فعالیت های پیشین و تاریخچه تحقیق.. 11

    1-3 اهداف پژوهش.... 17

    فصل دوم: شبکه های عصبی.. 18

    2-1  مدل‌سازی نرون تنها 19

    2-2  تابع فعالیت... 20

    2-3 معماری شبکه عصبی.. 21

    2-3-1 شبکه ‌های پیش‌خور 22

    2-3-2 شبکه ‌های برگشتی.. 22

    2-4  الگوریتم ‌های یادگیری.. 23

    2-5 شبکه عصبی MLP.. 24

    2-5-1  الگوریتم پس انتشار خطا 25

    2-5-2 سیگنال خطا 26

    2-5-3 انتخاب نرخ یادگیری.. 26

    2-5-4 مرحله آموزش... 27

    2-5-5 قابلیت تعمیم ‌دهی.. 27

    2-5-6  توقف آموزش... 28

    2-6  شبکه RBF.. 29

    2-6-1  ساختار شبکه عصبی شعاعی.. 30

    2-6-2-1 تعیین موقعیت مراکز. 35

    2-6-2-2  تعیین انحراف استاندارد. 37

    2-6-2-3  آموزش ماتریس وزن لایه خروجی... 38

    فصل سوم: منطق فازی.. 40

    3-1 مقدمهای بر سیستمهای فازی.. 40

    3-2  اجزاء پایه سیستم استنتاج فازی(FIS) 45

    3-2-1  پایگاه قواعد فازی.. 45

    3-2-1-1   ویژگی های مجموعه قواعد.. 45

    3-2-2  موتور استنتاج فازی.. 47

    3-2-2-1   استنتاج مبتنی بر ترکیب قواعد.. 47

    3-3  غیرفازی‌ساز 49

    3-3-1  غیرفازی‌ساز مرکز ثقل.. 49

    3-3-2  غیرفازی‌ساز میانگین مراکز. 49

    3-3-3   غیرفازی‌ساز ماکزیمم. 50

    فصل چهارم: سیستم های استنتاج فازی-عصبی تطبیقیANFIS)). 52

    فصل پنجم: خوردگی.. 54

    5-1  مقدمه ای بر خوردگی.. 54

    5-1-1  هزینه های خوردگی.. 56

    5-1-2  بررسی انواع خوردگی.. 57

    5-2  طراحی سیستم های آلی ضدخوردگی.. 68

    5-3  خوردگی در تأسیسات نفت و گاز 70

    5-3-1  خوردگی توسط گاز خورنده دی ‌اکسیدکربن.. 71

    5-3-2  خوردگی توسط مایعات خورنده مخازن نفتی.. 73

    5-3-3  خوردگی توسط گاز خورنده سولفید هیدروژن.. 73

    5-4  خوردگی در سیستم های سه فازی چاه ها و لوله های گاز و روش های کنترل آن.. 77

    5-4-1  روش های کنترل خوردگی.. 77

    5-4-1-1   بازدارنده های خوردگی... 78

    5-3-1-2   روش تثبیت pH... 82

    فصل ششم: پدیده ی سایش در سیستم های تولید هیدروکربن.. 88

    6-1  فرایند سایش در چاه های تولیدی نفت و گاز 89

    6-2  مکانیزم های سایش.... 90

    6-2-3  آسیب پذیری تجهیزات در برابر پدیده سایش: 90

    6-3-2-1 جنس تجهیزات... 92

    6-3-2-2 فلزات هادی و مواد مرسوم دیگر. 92

    6-3-2-3 مواد ویژه مقاوم در برابر سایش..... 93

    6-4  سایش ناشی از ماسه یا ریز ذرات... 94

    6-4-1 تولید ماسه و انتقال آن.. 94

    6-4-2  اندازه، شکل و سختی ذرات جامد. 96

    6-5  سایش/ خوردگی.. 97

    6-6  سایش ناشی از اصابت قطرات مایع.. 98

    6-7 کاویتاسیون.. 100

    6-8 سایش ناشی از ذرات جامد در زانویی ها 101

    6-9 سایش ذرات جامد در اتصالات Tشکل یکسر بسته. 103

    6-10 روش های پایش، جلوگیری و مدیریت پدیده سایش.... 104

    6-10-1 تکنیک های مدیریت سایش.... 105

    6-10-1-1 کاهش دبی تولیدی... 105

    6-10-1-2 طراحی خط لوله. 105

    6-10-1-3 جداسازی و حذف ماسه از جریان.. 106

    6-10-1-4 دستورالعمل و پیش بینی سایش..... 107

    6-10-1-5  ارزیابی ضخامت دیواره. 109

    6-11  ابزارهای پیش بینی سایش و مروری بر تحقیقات صورت گرفته. 110

    6-11-1 مروری بر مهمترین استانداردها در طراحی خطوط لوله و مدیریت سایش.... 110

    6-11-2  ابزارها و مدل های پیش بینی سایش.... 111

    6-11-2-1 استاندارد API RP 14E.. 112

    6-11-2-2 دیگر مدل های پیش بینی سایش..... 117

    6-11-3 مقایسه مدل های پیش بینی سایش در زانویی ها 124

    فصل هفتم: روش تحقیق... 131

    7-1 پیش بینی نرخ خوردگی.. 134

    7-1-1 پیش بینی نرخ خوردگی با استفاده از شبکه عصبی.. 134

    7-1-2 پیش بینی نرخ خوردگی با استفاده از ANFIS. 141

    7-2 پیش بینی ثابت سرعت سایش.... 151

    فصل هشتم: نتیجه گیری.. 158

    فصل نهم: پیشنهادات... 159

    منابع   160

    منبع:

    منابع

     

     

    فهرست منابع فارسی

     

     [9] مصطفی کیا، "شبکه‌های عصبی در MATLAB"، انتشارات کیان رایانه سبز، 1387.

    [10] نیما جمشیدی، سید رسول مولایی و علی ابویی مهریزی، "آموزش کاربردی مباحث پیشرفته مهندسی برق با MATLAB"، انتشارات عابد، 1386.

    [11] مهدی غضنفری، "شبکه‌های عصبی (اصول و کارکردها)"، چاپ دوم، انتشارات دانشگاه علم و صنعت، ص 296.

    [15] محمدباقر منهاج، "مبانی شبکه‌های عصبی (هوش محاسباتی)"، انتشارات دانشگاه صنعتی امیرکبیر، 1377.

    [20] لی وانگ، ترجمه محمد تشنه لب "سیستم های فازی و کنترل فازی"، انتشارات دانشگاه صنعتی خواجه نصیرالدین طوسی، 1389.

    [21] مارس جی فونتانا، ترجمه احمد ساعتچی "مهندسی خوردگی"، انتشارات جهاد دانشگاهی واحد صنعتی اصفهان، 1387.

     

     

    فهرست منابع لاتین

     

    [1] Smets, H. M. G., Bogaerts, W.F.L.(1992) .Neural network prediction of stresscorrosion cracking, mater perform,vol.31, PP 64-68

     

    [2] Urquidi- Macdonald ,M. , Eiden, M. N. Macdonald D. D. (1993). Devolopment of a neural network model for predicting damage function for pitting corrosion in condensing heat exchanger .modification of passive films, paris. PP. 336-343.

     

    [3] E.M . Rosen and D.C silverman Corrosion prediction from polarization scans Using an artificial neural network integrated with an Expert sysyem. NACE international, corrosion/92, vol . 48,No. 9, PP. 734-745.

     

    [4] Nesic, S. ,Nordsveen , M. Maxwell N., Vrhovac, M. (2001). Probabilistic modeling of CO2 corrosion laboratory Data using neural network corrosion sience , vol.43, PP. 1373-1392

     

    [5] Trassati, S.P., Gabbetta G. (2006), study of naphtenic acid corrosion by neural network corrosion engineering science , and technology, vol 41, Number3, PP. 200-211.

     

    [6] Andrews, P.;Illson, T.F.;Matthews,S.J,"Erosion-Corrosion studies on 13Cr steel in gas wel environment", PP. 568-574 ,december1999

     

    [7] Esmaeilzedeh, F.,"Future south pars development may include 9 5/8-in.tubing". Oil & Gas Journal/ Sep.27, 2004 , PP. 53-57 .

     

    [8] J. Kamruzzaman, et. al,  “Artificial Neural Networks in Finance and Manufacturing”, 2006.

     

    [12] G. Bortolan and J. L. Willems, “Diagnostic ECG classification based on neural networks”, J. Electrocardiol, Vol. 26, pp. 75-79, 1994.

    [13] B. Krose, P. Van der Smagt, “An introduction to Neural Networks”, 1996,

    (http://www.avaye.com/files/articles/nnintro/nn_intro.pdf)

    [17] Y. Kutlu, M. Kuntalp, and D. Kuntalp, “Optimizing the performance of an MLP classifier for the automatic detection of epileptic spikes”, Expe. Syst. Applic., Vol. 36, pp. 7567–7575, 2009.

    [18] Hartman. E., Keeler. J. D, and Kowalski. J. M, Layered neural networks with Gaussian hidden units as universal approximations. Neural Computation, vol. 2, no. 2, pp. 210-215, (1990).

    [22] Venkatesh, E.S.. Erosion damage in oil and gas wells. Proc. Rocky Mountain Meeting of SPE, Billings, MT, May 19-21, 1986, pp 489-497.

    [23] Haugen, K., Kvernvold, O., Ronold, A. & Sandberg, R.. Sand erosion of wear-resistant materials: erosion in choke valves. Wear 186-187, pp 179-188, 1995.

     [24] Marchino, P.. Best practice in sand production prediction. Sand control & Management, London, 15- 16 October, 2001.

     [25] Det Norske Vertitas. Recommended practice RP 0501: Erosive Wear in Piping Systems. 1996 , Revision 1999.

    [26] Salama, M.M. & Venkatesh, E.S.. Evaluation of API RP14E erosional velocity limitations for offshore gas wells. OTC 4484, OTC Conference, Houston, May 2 – 5 1983, pp371 – 376, 1983.

     

    [27] Shadley, J.R., Shirazi, S.A., Dayalan, E., Ismail, M. & Rybicki, E.F.. Erosion-corrosion of a carbon steel elbow in a carbon dioxide environment, Corrosion, Vol 52, No9, September 1996, pp 714 – 723.

     [28] Shinogaya, T., Shinohara, T. & Takemoto, M.. Erosion of metals in high speed mist flow evaluation of velocity by acoustic emission system. International Congress on Metallic Corrosion,. Vol IV: Sessions 14-19, Madras, India, 7-11 Nov 1987.

    [29] Svedeman, S.J. & Arnold, K.E.. Criteria for sizing multiphase flow lines for erosive/corrosive service. SPE 26569, 68th Annual Technical Conference of the Society of Petroleum Engineers, Houston, Texas, 3-6 October 1993.

     

    [30] Lamb , W.S., Cavitation and Aeration in Hydraulic Systems. BHR Group, Bedfordshire, UK, 1987.

     

    [31] Blanchard, D.J., Griffith, P. & Rabinowitz, E.. Erosion of a pipe bend by solid particles entrained in water. Journal of Engineering for Industry, Vol 106 pp 213-217, 1984.

     

    [32] Parslow, G., Stephenson, D., Strutt, J & Tetlow, S.. Erosion damage mapping in a standard 90 degree take-off subsea christmas tree assembly. J. Soc. Underwater Technology, Vol. 22, No.3, pp 95-101, 1997.

    [33]API 14E Recommended practice for design and installation of offshore production platform piping systems. 5th edition, 1991 (revised 2000).

    [34] BS EN ISO 13703:2001. Petroleum and natural gas industries – Design and installation of piping systems on offshore production platforms.

    [35] BS EN ISO 13628-1:1999. Petroleum and natural gas industries – Design and installation of subsea production systems - Part 1: General requirements and recommendations.

     

     

    [36]API RP 17B. Recommended practice for flexible pipe. 1st Ed. June 1998.

     

    [37] BS EN ISO 14692-3:2001. Petroleum and natural gas industries GRP Piping - Part 3: System Design.

    [38] Salama, M.M.. An alternative to API 14E erosional velocity limits for sand laden fluids. OTC 8898, OTC Conference, Houston, May 4 – 7 1998, pp721 –733, 1998.

     

    [39] Hammitt, F.G., Cavitation and Multiphase Flow Phenomena. McGraw-Hill Inc., 1980.

     

    [40] Heymann, F.J.. Liquid impingement erosion. ASM Handbook, Vol 18: Friction, Lubrication and Wear Technology. ASM International, Materials Park, Ohio, USA, pp221-232, 1992.

     

    [41] Huser, A. & Kvernvold, O.. Prediction of sand erosion in process and pipe components., Proc. 1st North American Conference on Multiphase Technology. Banff, Canada, 1998, pp 217 – 227.

     

    [42] Weiner, P.D. & Tolle ,G.C.. Detection and prevention of sand erosion of production equipment. API OSAPR Project No 2, Research Report, Texas A&M University, College Station, Texas, 1976.

     

    [43] Bourgoyne, .T.. Experimental study of erosion in diverter systems. SPE/IADC 18716, Proc SPE/IADC Drilling Conference, New Orleans, 28 February – 3 March 1989, pp 807

     

    [44] McLaury, B.S. & Shirazi, S.A. Generalisation of API RP 14E for erosive service in multiphase production. SPE 56812, Proc. SPE Annual Technical Conference, Houston, Texas, 3 – 6 October 1999, pp 423 – 432.

    [45] McLaury, B.S., Shirazi, S.A., Shadley, J.R. & Rybicki, E.F.. A particle tracking method to predict sand erosion threshold velocities in elbows and tees. FED-Vol. 189, Liquid-Solid Flows, ASME 1994, pp145-153.

    [46] Wallace, M.S. "CFD based erosion modelling of simple and complex geometries", PhD Thesis, University of Strathclyde, Glasgow, 2001.

    [47] Shirazi, S.A., Shadley, J.R., McLaury, B.S. & Rybicki, E.F.. A procedure to predict particle erosion in elbows and tees. Journal of Pressure Technology, Vol 117, February 1995, pp 45-52.

    [48] Shirazi, S.A., McLaury, B.S., Shadley, J.R. & Rybicki, E.F. Generalisation of API RP 14E guideline for erosive services. Journal of Petroleum Technology, August 1995, pp693-698.

    [49] Wang J., Shiraz, S.A., Shadley J.R. & Rybicki E.F.. Application of flow modelling and particle tracking to predict sand erosion in 90 degree bends. ASME Fluids Engineering Division Conference, FED-Vol 236, Vol 1, pp 725-734, 1996.



تحقیق در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, مقاله در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, پروژه دانشجویی در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, پروپوزال در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, تز دکترا در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, تحقیقات دانشجویی درباره پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, مقالات دانشجویی درباره پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, پروژه درباره پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, گزارش سمینار در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, پروژه دانشجویی در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, تحقیق دانش آموزی در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, مقاله دانش آموزی در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی, رساله دکترا در مورد پایان نامه عنوان پایان نامه – پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس