2-3- سیستم استنتاج تطبیقی عصبی- فازی (انفیس)31
2-3-1- دسته بندی قواعد انفیس32
2-3-1-1- مدل تاکاگی- سوگنو-کانگ32
2-4- شاخص های ارزیابی مدل های بدست آمده34
فصل سوم: بحث و نتیجه گیری
3-1-هدف تحقیق36
3-2- مدل های نیمه تجربی ارائه شده36
3-2-1- مدل ارائه شده برای دمای بحرانی37
3-2-2- مدل ارائه شده برای حجم بحرانی37
3-2-3- مدل ارائه شده برای فشار بحرانی38
3-3- مقایسه مدل های ارائه شده با داده های تجربی38
3-3-1- مقایسه مدل ارائه شده برای دمای بحرانی با داده های تجربی38
3-3-2- مقایسه مدل ارائه شده برای حجم بحرانی با داده های تجربی39
3-3-3- مقایسه مدل ارائه شده برای فشار بحرانی با داده های تجربی40
3-4- توزیع خطای نسبی مدل های ارائه شده41
3-5- مدل های ارائه شده توسط شبکه عصبی مصنوعی42
3-5-1- مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی42
3-5-1-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای دمای بحرانی46
3-5-2- مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی47
3-5-2-1-مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای حجم بحرانی51
3-5-3- مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی52
3-5-3-1- مقایسه مدل ارائه شده توسط شبکه عصبی مصنوعی برای فشار بحرانی56
3-6- مدل های ارائه شده توسط انفیس57
3-6-1- مدل ارائه شده توسط انفیس برای دمای بحرانی57
3-6-1-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای دمای بحرانی59
3-6-2- مدل ارائه شده توسط انفیس برای حجم بحرانی59
3-6-2-1- مقایسه مدل ارائه شده توسط انفیس با داده های تجربی برای حجم بحرانی61
3-6-3- مدل ارائه شده توسط انفیس برای فشا ر بحرانی61
3-6-3-1- مقایسه مدل ارائه شده توسط انفیس باداده های تجربی برای فشار بحرانی63
3-7- مقایسه مدل های ارائه شده با مدل های دیگر63
3-7-1- مقایسه مدل ارائه شده برای دمای بحرانی64
3-7-2- مقایسه مدل ارائه شده برای حجم بحرانی65
3-7-3- مقایسه مدل ارائه شده برای فشار بحرانی66
3-8- نتیجه گیری68
3-9- پیشنهادات69
3-10- منابع70

جدول ضمیمه 74
فهرست جدولها
عنوان صفحه
فصل اول: مباحث تئوری و نظری
جدول 1-1- ثابت های رابطه برای معادله 1-1 و 1-26
جدول 1-2- ثابت های رابطه برای معادله 1-159
جدول 1-3- ثابت های رابطه برای معادله 1-1710
جدول 1-4- ثابت های رابطه برای معادله 1-1811
جدول 1-5- ثابت های رابطه برای معادله 1-1912
جدول 1-6- ثابت های رابطه برای معادله 1-2313
جدول 1-7- مقادیر ثابت های ai و bi برای معادله 1-2915
جدول 1-8- ثابت های رابطه برای معادله 1-3018
فصل سوم: بحث و نتیجه گیری
جدول 3-1- ثابت های معادله 3-137
جدول 3-2- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین دمای بحرانی43
جدول 3-3- مقادیر وزن و بایاس های بهینه مربوط به دمای بحرانی44
جدول 3-4- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین دمای بحرانی46
جدول 3-5- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین حجم بحرانی48
جدول 3-6- مقادیر وزن و بایاس های بهینه مربوط به حجم بحرانی49
جدول 3-7- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین حجم بحرانی51
جدول 3-8- مقادیر شاخص های آماری برای عصب های مختلف جهت تخمین فشار بحرانی53
جدول 3-9- مقادیر وزن و بایاس های بهینه مربوط به فشار بحرانی54
جدول 3-10- شاخص های آماری مربوط به شبکه عصبی بهینه جهت تخمین فشار بحرانی56
جدول 3-11- شاخص های آماری مطلوب برای دمای بحرانی58
جدول3-12- پارامترهای توابع عضویت گوسین برای تخمین دمای بحرانی مواد58
جدول 3-13- ضرایب ارائه شده توسط انفیس برای دمای بحرانی58
جدول 3-14- شاخص های آماری مطلوب برای حجم بحرانی60
جدول 3-15-پارامترهای توابع عضویت گوسین برای تخمین حجم بحرانی مواد60
جدول 3-16- ضرایب ارائه شده توسط انفیس برای حجم بحرانی60
جدول3-17- شاخص های آماری برای فشار بحرانی62
جدول 3-18- پارامترهای توابع عضویت گوسین برای تخمین فشار بحرانی مواد62
جدول3-19- ضرایب ارائه شده توسط انفیس برای فشار بحرانی62
جدول 3-20- مقایسه مدل ارائه شده جهت تخمین دمای بحرانی با سایر مدل ها64
جدول 3-21- مقایسه مدل ارائه شده جهت تخمین حجم بحرانی با سایر مدل ها65
جدول 3-22- مقایسه مدل ارائه شده جهت تخمین حجم بحرانی با سایر مدل ها67
فهرست شکل ها
عنوان صفحه
فصل اول: مباحث تئوری و نظری
شکل 1-1- مقایسه ی مدل پازوکی با داده های تجربی برای دمای بحرانی16
شکل 1-2-مقایسه ی مدل پازوکی با داده های تجربی برای فشار بحرانی16
شکل 1-3- مقایسه ی مدل پازوکی با داده های تجربی برای حجم بحرانی17
فصل دوم: روش های انجام تحقیق
شکل2-1- نمایی از شبکه عصبی تک لایه26
شکل2-2- نمایی ازشبکه عصبی چند لایه27
شکل2-3- نمایی از شبکه عصبی اشتراک به جلوی سه لایه30
شکل2-4- نمایی از قاعده ی عملکرد روش سوگنو34
فصل سوم: بحث و نتیجه گیری
شکل 3-1-داده های تخمینی توسط مدل به دست آمده برای دمای بحرانی در مقابل داده های آزمایشگاهی39
شکل 3-2- داده های تخمینی توسط مدل به دست آمده برای حجم بحرانی در مقابل داده های آزمایشگاهی40
شکل 3-3-داده های تخمینی توسط مدل به دست آمده برای فشار بحرانی در مقابل داده های آزمایشگاهی41
شکل 3-4- نمودار توزیع خطای نسبی مدل ها برای دما،حجم و فشار بحرانی42
شکل 3-5-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی دمای بحرانی43
شکل 3-6-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی دمای بحرانی45
شکل 3-7-نمودار عملکرد شبکه بهینه جهت پیش بینی دمای بحرانی45
شکل 3-8-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای دمای بحرانی46
شکل 3-9-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی حجم بحرانی48
شکل 3-10-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی حجم بحرانی50
شکل 3-11- نمودار عملکرد شبکه بهینه جهت پیش بینی حجم بحرانی50
شکل 3-12-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای حجم بحرانی51
شکل 3-13-نمایی از مدل شبکه عصبی مصنوعی جهت مدل سازی فشار بحرانی53
شکل 3-14-رفتار پارامترها در مرحله ی آموزش شبکه جهت پیش بینی فشار بحرانی55
شکل 3-15-نمودار عملکرد شبکه بهینه جهت پیش بینی فشار بحرانی55
شکل 3-16-داده های تخمین زده شده توسط شبکه عصبی مصنوعی در مقابل داده های تجربی برای فشار بحرانی56
شکل3-17- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای دمای بحرانی59
شکل3-18- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای حجم بحرانی61
شکل3-19- داده های تخمینی توسط انفیس در مقابل داده های تجربی برای فشار بحرانی63
شکل 3-20- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای دمای بحرانی65
شکل 3-21- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای حجم بحرانی66
شکل 3-22- مقایسه ی نمودار توزیع خطای نسبی مدل ارائه شده با دیگر مدل ها برای فشار بحرانی67
فهرست علائم و اختصارات (Abbreviations)
FFahrenheit
kWatson Factor
KKelvin
MWMolecular Weight
MREMean Relative Error
Nnumber of atoms in a molecule
PcCritical Pressure
RRankine
R2Coefficient of determination
SG,γSpecific Gravity
TbBoiling Temperature
TcCritical Temperature
TotTotal
VcCritical Volume
ZcCompressibility Factor
Greek letters:
ωAcentric factor
θA critical constant, Tc , Pc or Vc
فصل اول
مشخصات بحرانی: مباحث تئوری
1-1- مقدمه
پیش بینی درست خواص بحرانی در تعیین خواص فازی سیستم ها اهمیت زیادی دارد. حالت بحرانی تنها شرایطی است که فازهای مایع و بخار را شناسایی می کند و در تئوری و عمل به یک اندازه مهم می باشد. در کلیه عملیات تولید و فرآیند هیدروکربن ها دانستن شرایط بحرانی نقش اساسی دارد. زیرا این عملیات ها در شرایط بسیار نزدیک به نواحی نقاط شبنم و حباب صورت می گیرد و اغلب با پدیده های هم دما یا هم فشار عقب روی1همراه است]1[. پیش بینی خواص سیالات و طراحی محاسبات در این ناحیه بسیار مشکل است و دانستن نقطه بحرانی در حل این مشکل به ما کمک می کند.
از دید تئوری، بسیاری از خواص ترمودینامیکی با استفاده از خواص بحرانی تعیین می گردند و از دید عملی بسیاری از روابط تجربی بر پایه این خواص سیستم های مورد مطالعه، بنا نهاده شده است.
هر چند داشتن خواص بحرانی در تئوری و عمل بسیار مهم می باشد ولی تعیین این خواص از طریق آزمایش بسیار مشکل است و از لحاظ اقتصادی نیز روش آزمایشگاهی برای تعیین خواص بحرانی مناسب نمی باشد]2.[
مشخصات بحرانی برای مواد خالص از قبیل فشار بحرانی، دمای بحرانی و حجم بحرانی مشخصات مهمی برای پیش گویی رفتار فازی مواد هستند. همچنین این مشخصات برای تخمین تعادل بین فاز گاز و مایعVLE)) به همراه معادله حالت اندازه گیری می شوند. به عنوان مثال این مشخصات برای صنعت گاز و نفت و پتروشیمی پارامترهای مهمی هستند و نیز برای توصیف فرایند اجزا نفتی تعریف نشده ضروری هستند.
1-1-1- هدف از انجام تحقیق
با توجه به اهمیت مشخصات بحرانی مواد خالص شامل دمای بحرانی، فشار بحرانی و حجم بحرانی در صنعت به ویژه در صنعت نفت و پتروشیمی و همچنین با توجه به این که اندازه گیری این پارامترها توسط آزمایشگاهی کاری دشوار و هزینه بر است، لذا بر آن شدیم تا مدل های مختلفی برای تخمین مشخصات بحرانی مواد خالص ارائه کنیم. همچنین با توجه به حجم کم کارهای پیشین در ارائه ی مدل های جامع، این تحقیق مدل سازی را براساس 7000 ماده آلی صورت داده است. در عین عمومیت داشتن مدل ها، مدل های موجود دارای سادگی و خطای ناچیزی می باشند.
1-2- تاریخچه
اولین روش های یافتن خواص بحرانی، تجربی بوده اند که در مورد سیستم های هیدروکربنی به کار می رفته است. میان این روش ها، کاتز2 و کاراتا3 در سال 1942 شناخته شده تر می-باشد]3.[ همچنین شرایط ریاضی نقطه بحرانی اولین بار توسط گیبس ارائه شد و بعدها در سال 1954 تصحیحاتی توسط دیفای4 و پریگاگین5 و در سال 1977 توسط رید6 و بیگل7 روی آن صورت گرفت]5-4.[
مشخصات فیزیکی مواد خالص در طول سال های اخیر اندازه گیری شده اند. این مشخصات شامل چگالی ویژه، نقطه جوش نرمال، جرم مولکولی، مشخصات بحرانی و ضریب خارج از مرکزی می باشد.
برای تخمین مشخصات بحرانی مواد که گروه ساده ی مولکولی دارند روش هایی مانند جوبک8، پیتزر9، لیدرسن10، فدورس11، کلینسویچ12 و هالم13 مهمترین روش ها هستند. از مزیت مهم ترین ویژگی این روش ها این است که بدون انجام منابع محاسباتی قابل توجهی می توان مشخصات بحرانی را تخمین زد. در میان روش های فوق روش جوبک آسان تر وخطای کمتری دارد]11-6.[
بسیاری از خواص مواد خالص در طول سالیان متمادی، اندازه گیری و گرد آوری شده اند. این خواص، اطلاعات اساسی را برای مطالعه رفتار حجمی و تعیین خواص ترمودینامیکی مواد خالص و مخلوط هایشان فراهم می آورند. مهم ترین این خواص عبارتند از :
فشار بحرانی، pc
دمای بحرانی، Tc
حجم بحرانی، Vc
ضریب تراکم پذیری بحرانی، Zc
ضریب خارج از مرکزی، ω
وزن مولکولی، MW.
معمولاً خواص مخلوط های هیدروکربنی، بیش از خواص مواد خالص مورد توجه مهندسین نفت می باشد. البته، این ثابت های ویژه مواد خالص، می توانند با متغیر های مستقل14 مانند فشار، دما و ترکیب به کار روند تا خواص فیزیکی و رفتار فازی مخلوط ها را مشخص و تعریف نمایند[12].
1- 3-روابط موجود در تخمین خواص بحرانی
رابطه های زیادی جهت برآورد خواص بحرانی مواد خالص وجود دارند. اکثر این رابطه ها چگالی نسبی(γ) و دمای نقطه جوش (Tb) را به عنوان پارامتر های رابطه15 به کار می برند. انتخاب مقادیر مناسب برای پارامترهای فوق، بسیار مهم است، زیرا تغییرات کوچک در این پارامترها، می توانند موجب انحراف قابل توجهی در نتایج مورد انتظار شوند. تعدادی از این رابطه ها در زیر ارائه می شوند:
1-3-1- روابط کاوت16
کاوت (1962) روابطی را برای تخمین فشار و دمای بحرانی مواد بیان کرد. این روابط مقبولیت وسیعی در صنعت نفت پیدا کرده اندکه دلیل آن قابلیت برون یابی در شرایطی که اطلاعات مورد استفاده، خارج از محدوده ی رابطه های دیگر است می باشد. رابطه پیشنهاد شده به صورت تحلیلی به عنوان توابعی از نقطه جوش نرمال و چگالی API بیان شده اند. کاوت برای تخمین دما، فشار و حجم بحرانی مواد مدل های زیر را پیشنهاد کرد:
Tc = a0 + a1 Tb + a2 Tb2 + a3 (API)(Tb) + a4 (Tb)3 + a5 (API) (Tb) 2 + a6 (API)2 + (Tb)2
Log(Pc) = b0 + b1 (Tb) + b2(Tb)2 + b3 (API) (Tb) + b4 (Tb)3 + b5 (API) (Tb)2 + b6 (API)2 (Tb) + b7 (API)2 (Tb)2
ضریب های معادله های1-1 و 1-2در جدول 1-1درج شده اند. کاوت این رابطه را بدون ذکر مرجع از نظر نوع و منبع اطلاعات مورد استفاده، ارائه کرد.
جدول 1-1- ثابت های رابطه برای معادله1 -1 و 1-2
bi aii2.8290406 768.0712100.94120109×10-3 1.71336391-0.30474749×10-5 -0.00108340032-0.20876110×10-4 -0.008921257930.15184103×10-8 0.38890584×10-640.11047899×10-7 0.53094920×10-55-0.48271599×10-7 0.32711600×10-760.13949619×10-9 —7
مدل کاوت برای Vc بر طبق معادله 1- 3 ارائه می شود:
V c= ( 10.732Tc)/(MWPc[3.72+0.26(5.811+4.919ω-7)])
جرم مولکولی بر طبق مدل سورید17 بدست می آید که در رابطه ی 1-4 مشاهده می شود.
مدل سورید برای جرم مولکولی بر اساس حل غیر خطی معادله زیر می باشد.
f(MW) = 1071.28 – 9.417×104 MW0.03522 SG3.266 exp (- 4.922×10-3 MW – 4.7685 SG + 3.462 ×10-3 Mw SG)-k = 0
در حالی که:
API =141.5/SG -131.5
k = Tb / 1.8
Tc= دمای بحرانی، °R
Pc= فشار بحرانی،psi
Tb= دمای جوش نرمال ،F°
API= درجه API ماده] 13[.
1- 3-2- روابط لی-کسلر18
لی-کسلر (1976) مجموعه معادله هایی برای تخمین دمای بحرانی، فشار بحرانی و حجم بحرانی مواد ارائه کردند. این معادله ها چگالی نسبی و نقطه جوش بر حسب رانکین را به عنوان پارامترهای ورودی به کار می برند.
دمای بحرانی:
Tc= 341.7 + 811.1 γ+ (0.4244 + 0.1174 γ)Tb + ( 0.4669 – 3.26238 γ) 105 / Tb
فشار بحرانی:
Ln(Pc)=8.3634-0.0566/γ-(0.24244+2.2898/γ +0.11857/γ2)10- 3Tb+(1.4685+3.648/γ+0.47277/γ2)10-7 Tb2-(0.42019+1.6977/ γ2)10-10 Tb3
حجم بحرانی: در این مدل بر اساس رابطه 1-9 تعریف می شود:
Vc= ( R〖T_c Z〗_c)/(MWP_c )
در معادله بالا Tc بر حسب °Rو طبق معادله 1-7بدست می آید.Pc بر حسب psia و طبق معادله 1-8 بدست می آید.
مقادیرMW و Zc طبق معادلات زیر محاسبه می شوند:
جرم مولکولی(MW):
اگر SG و Tb برای مواد داده شوند، جرم مولکولی بر طبق معادله 1-10 تخمین زده می شود:
MW = -12272+9486.4SG+(8.3741– 5.9917SG)k + (1-0.77084SG- 0.02058SG2) (0.7465-222.466/k) 〖10〗^7/k + (1-0.80882SG+0.02226SG2)(0.3228-17.335/k)1012/k3
در حالی که:

در این سایت فقط تکه هایی از این مطلب(به صورت کاملا تصادفی و به صورت نمونه) با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود-این مطالب صرفا برای دمو می باشد

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

k = Tb/1.8
ضریب تراکم پذیری بحرانی (Zc) طبق معادله 1-12 پیروی می کند.
Zc= 0.2905- 0.0850ω
در معادله فوق ω برابر ضریب خارج از مرکزی می باشد]14[.
1- 3-3- روابط وین-ثیم19
وین و دابرت20(1980) به این نتیجه رسیدند که منحنی های وین(1957) دقیق ترین روش جهت تخمین مشخصات بحرانی می باشند. به همین دلیل ثیم و دابرت منحنی های وین را برای محاسبه فشار بحرانی، دمای بحرانی و وزن مولکولی به شکل تحلیلی طی معادله های زیر ارائه کردند:
Tc= exp ( 3.9934718 Tb0.8615 γ0.04614 )
Pc= 3.48242 × 109 Tb-2.3177 γ2.4853
در رابطه ی فوق:
Tc= دمای بحرانی، °R
Pc= فشار بحرانی، psi
Tb= نقطه ی جوش،R °
γ = چگالی ویژه]15[.
1- 3-4- رابطه های تعمیم یافته ریاضی- دابرت21
ریاضی و دابرت (1980)، معادله دو پارامتری سادهای را برای پیش بینی خواص فیزیکی مواد خالص و مخلوط های هیدروکربن های نامعلوم5 ارائه دادند.معادله ی تجربی عمومی پیشنهاد شده، بر اساس استفاده از نقطه جوش نرمال و چگالی نسبی به عنوان پارامترهای رابطه می باشد. این معادله عبارت است از:
θ = a.Tbb.γc
θ= هر خاصیت فیزیکی
Tb= نقطه جوش نرمال، °R
γ= چگالی نسبی
a,b,c= ثابت های رابطه، داده شده در جدول زیر، برای هر یک از خواص.
جدول1-2- ثابت های رابطه برای معادله 1-15
cba()0.35960.588424.2787Tc (R)2.32012.31253.1228×109Pc (psia)0.7666-0.2896×10-37.5214Vc (ft3/lb)
دقت پیش بینی در گستره ی نقطه ی جوش 100 الیF°850 در حد قابل قبول است.
ریاضی و دابرت (1987)، با ارائه رابطه های جدیدتر برای بهبود پیش بینی خواص فیزیکی، عوامل مختلفی را در نظر گرفتند. این عوامل عبارت بودند از: دقت، سادگی، عمومی بودن، قابل دسترس بودن پارامترهای ورودی، قابلیت برون یابی و سرانجام سازگاری با رابطه های مشابه ارائه شده در سال های اخیر.
مولفین، تغییر زیر را برای معادله 1-16 پیشنهاد کردند. این تغییر، سادگی رابطه قبلی را حفظ کرده در حالی که به میزان قابل توجهی بر دقت آن افزوده است.
θ = a θ1bθ2c exp[d θ1 + e θ2 + f θ1θ2]
θ = هر خاصیت فیزیکی
a تا= f ثابت های هر خاصیت
بر طبق نظر ریاضی و دابرت، θ1 و θ2 می توانند، دو پارامتری باشند که قابلیت مشخص سازی22 نیروهای بین مولکولی و اندازه مولکول یک جز را دارند. آنها (γ و Tb ) و یا (γ و MW ) را به عنوان پارامترهای ورودی مناسب در معادله بالا، تشخیص دادند. سرانجام مولفین دو شکل رابطه عمومی زیر را پیشنهاد کردند:
شکل اول رابطه: در این شکل، نقطه جوش (Tb) و چگالی نسبی (γ) برش نفتی، به عنوان پارامترهای رابطه به کار می روند:
θ = a Tbb γc exp[d Tb + e γ + f Tb γ]
ثابت های a تا f برای هر یک از خواص θ در جدول 1-2 آمده است:
جدول1-3- ثابت های رابطه برای معادله 1-17
fedcba()3.5995×10-4-0.5444-5.1747×10-40.53690.810610.6443Tc (R)3.1939×10-3-4.8014-4.7250×10-34.0846-0.48446.1620×106Pc (psia)1.0950×10-3-0.2640-1.4679×10-3-1.20280.75066.2330×10-4Vc(ft3/lb)
شکل دوم رابطه: در این شکل، وزن مولکولی (MW) و چگالی نسبی (γ) ماده، به عنوان پارامترهای رابطه به کار رفته اند:
θ = a.(MW)b. γc.exp[d.(MW)+e. γ+f.(MW). γ]
ثابت های رابطه، درجدول 1-4 ارائه شده اند.
جدول 1-4- ثابت های رابطه برای معادله1-18
fedcba()0.0-0.6164-1.347×10-41.05550.2998544.4R ° Tc0.0-0.3364-1.807×10-31.6015-0.80634.5203×104Pc (psia)2.60×10-30.5287-2.65×10-3-1.3030.20371.206×10-2Vc (ft3/lb)
برای بدست آوردن ضریب های دو رابطه ی بالا، ریاضی و دابرت از اطلاعات موجود بر روی خواص 38 هیدروکربن خالص در گستره ی تعداد کربن 1 تا 20، شامل پارافین ها، اولفین ها، نفتین ها و آروماتیک ها در محدوده ی وزن مولکولی 70 تا 300 و محدوده ی نقطه جوش 80 تا F°650 استفاده کردند]17-16.[
1- 3-5- رابطه ی تعمیم یافته لین- چاوو23
لین و چاوو (1984) خواص فیزیکی اجزای هیدروکربنی را توسط وزن مولکولی، چگالی نسبی و نقطه جوش نرمال به هم مربوط کردند. رابطه پیشنهاد شده با استفاده از تئوری اغتشاش24تهیه شده است. این تئوری شامل 33 ثابت عددی برای هر خاصیت فیزیکی می باشد. خواص فیزیکی نرمال آلکان ها (نرمال پارافین ها) از C1 تا C20 توسط وزن مولکولی به هم مربوط می شوند. خواص هیدروکربن های دیگر و مشتقات آنها به عنوان انحراف از نرمال پارافین ها با نقطه
جوش و چگالی نسبی به عنوان پارامترهای رابطه، بیان شده اند.
لین و چاوو خواص فیزیکی نرمال آلکان ها از از C1 تا C20 را با استفاده از معادله عمومی زیر بیان کردند:
θA= C1 + C2 (MW) + C3 (MW)2 + C4 (MW) 3 + C5 / MW
در این رابطه θA بیانگر (Tc، ln(Pcیک نرمال آلکان است. ضریب های C1 تا C20 در جدول1-5 گزارش شده است.
جدول1-5- ثابت های رابطه ی 1-19
C5C4C3C2C1θA- 41002022.6762×10-5- 0.0217.0559490.8546Tc (R)3.5073- 3.7377×10-85.5110×10-5-0.10186.7534ln Pc (psi)
خواص فیزیکی گزارش شده در بالا پروژه 44 موسسه نفت آمریکا (API) ایجاد می کند. خواص هیدروکربن های دیگر و مشتقات آن ها از طریق میزان تفاوتشان با نرمال آلکان ها طبق معادله ی زیر به هم مربوط شده اند:
θ= θA+A1∆γ+A2∆Tb+A3(∆γ)2+A4(∆γ)( ∆Tb)+A5(∆Tb)2+A6(∆γ)3+ A7(∆γ)2 (∆Tb)+ A8 (∆γ)( ∆Tb)2+ A9 (∆Tb)3
که در معادله ی 1-20:
∆γ= γ- γa
∆Tb=Tb-( Tb)a
γ= چگالی نسبی ماده مورد نظر
Tb= نقطه جوش ماده مورد نظر، °R
Tb)a)، γa= نقطه جوش و چگالی نسبی یک نرمال آلکان فرضی25 با وزن مولکولی (MW) ماده مورد نظر.
ضریب های A1تا A9 در معادله 1-23با استفاده از معادله زیر، داده شده اند:
Ai = ai+bi MW
مقادیر ضریب ها ی ai و bi در جدول 1-6 ارائه شده اند[18.[
جدول 1-6- ثابت های رابطه برای معادله 1-23
θTc. ωln(Pc), psiaTc , °Rضریب ها103×2.0887929.715722844.45a13.48210-1.84446666×10-25.58509-a25.009706×104-86.0375-2.189862×104a3-2.05257×1020.305621111175.0653a40.2532038889-2.77788889×10-4-5.3688056×10-2a5-7.13722×1041.85927×1023.908016×104a65.08888×102-0.8395277778-1.57999×102a7-0.33904055561.33582716×10-30.20029a8-0.52071649×10-30.65419410×10-6-0.85111728×10-4a93.415698-7.5037×10-2-21.31776b12.41662×10-21.753983333×10-25.77384×10-2b2-4.814316×1020.8428541.992546×102b32.06071-2.89702222×10-3-0.658450 b4-2.90058333×10-32.43001543×10-64.34616666×10-4 b57.66070×102-1.85430-367.641 b6-5.751410.75583888×10-21.32064 b74.814816667×10-3-0.99978084×10-5-1.26440556 b80.540706790×10-50.3753412×10-82.69844135×10-7 b91- 3-6-رابطه وتانسیری26
وتانسیری و همکاران (1985)، مجموعه رابطه هایی جهت محاسبه ی خواص بحرانی مواد از زغال سنگ و هیدروکربن های دیگر و مشتقات آنها را ارائه داداند. این رابطه ها پارامترهای مشخصه را به عنوان توابعی از نقطه جوش نرمال، چگالی نسبی و وزن مولکولی نشان می دهند. این رابطه ها به صورت زیر است:
دمای بحرانی:
ln(Tc)= -0.0650504- 0.0005217 Tb+0.3095 ln(MW)+1.11067
فشار بحرانی:
ln(Pc)=6.6418853+0.01617283(Tc/Vc)0.8-8.712(MW/Tc)- 0.08843889(Tb/MW)
حجم بحرانی:
Ln(Vc)= 76.313887-129.8038 γ +63.1750 γ2-13.175 γ3+1.10108 ln(MW)+42.1958ln(γ)
که در رابطه های فوق داریم:
Tc= دمای بحرانی، °R
Pc= فشار بحرانی، psia
Vc= حجم بحرانی، ft3/lb.mole
γ= چگالی نسبی
MW= جرم مولکولی]19[.
1- 3-7- رابطه ارائه شده توسط پازوکی 27و همکارانش
پازوکی و همکارانش یک مدل ساده مبتنی بر جرم مولکولی و دمای جوش برای آلکان ها ارائه داده اند. این معادلات شبیه به معادله ی ریاضی و دابرت می باشد.
رابطه ارائه شده برای مشخصات بحرانی توسط معادله 1-27 تعریف می شود.
θ=θm + A1(∆Tb) + A2 (∆Tb)2 +A3(∆Tb)3
در حالی که:
-Tb,mTb =∆Tb
Ai=ai+ biMW
در فرمول فوق θ برابر است باTc بر اساس کلوین، Pcبر اساس MPa وVc برحسب cm3/g می باشد. واحد MW برحسب kg/kgmol و پسوند m اشاره به ماده متان دارد]20[.
ضرایب aiو biدر جدول 1-7 تخمین زده شده است.
جدول1-7- مقادیر ثابت ai و biبرای معادله 1-29
Vc, cm3/gPc , MPaTc , Kثابت-0.01897—1.6712a11.4000×10-41.1000×10-47.3300×10-3b11.7000×10-44.0319×10-48.2000×10-4a2-8.9900×10-7-7.3875×10-74×10-5b21.6656×10-7-9.5769×10-8-9.3193×10-6a37.1281×10-101.3086×10-9-2.8946×10-8b3
1- 3-7-1- مقایسه بین مدل پازوکی و داده های تجربی
مقایسه بین این مدل با داده های آزمایشگاهی برای دمای بحرانی، فشار بحرانی و حجم بحرانی به ترتیب در شکل های 1-1، 1-2 و 1-3 مشاهده می شوند.
شکل1-1- مقایسه ی مدل پازوکی و همکارانش برای دمای بحرانی با داده های آزمایشگاهی
شکل1-2- مقایسه ی مدل پازوکی و همکارانش برای فشار بحرانی با داده های آزمایشگاهی
شکل1-3- مقایسه ی مدل پازوکی و همکارانش برای حجم بحرانی با داده های آزمایشگاهی
1- 3-8- مدل یاسر خلیل28 و همکارانش
این مدل فقط برای حجم بحرانی ارائه شده و همچنین تنها برای34 ماده مختلف می باشد به طوری که حجم بحرانی به دمای بحرانی، فشار بحرانی و وزن مولکولی ماده ارتباط پیدا می کند.
معادله ارائه شده یاسرخلیل و همکارانش بر طبق معادله 1-30 می باشد]21[.
Vc=(A1+ A2TcA3 PcA4MW A5)( A6+ A7Tc2+A8Pc0.5+ A9MW)
ثابت های A1 تا A9 برای معادله 1-30بر طبق جدول1-8 می باشند.
جدول 1-8- ثابت های رابطه برای معادله 1-30
-0.0103A10.4517A20.7386A3-0.7282A40.0256A53171.3620A60.0006A7-10.8599A8-0.5534A9
با توجه به مدل های ارائه شده در بالا همان طور که مشخص است معادلات برای تعداد کمی از مواد پیش بینی شده اند، همچنین بعضی از معادلات دارای پیچیدگی هستند لذا بر آن شدیم تا معادلاتی با خطای کم، ساده و برای تعداد زیادی از مواد آلی(7000 ماده) ارائه دهیم.
فصل دوم
روش های انجام تحقیق
2-1- مقدمه ای بر روش های انجام تحقیق
در این تحقیق با در دست داشتن مشخصات بحرانی 7000 ماده آلی، مدلسازی در سه بخش انجام شده است.
1- ارائه مدلهای نیمه تجربی برای مشخصات بحرانی.
2- ارائه مدلهای جدید با استفاده از شبکه عصبی مصنوعی29.
3- ارائه مدلهای جدید با استفاده از سیستم استنتاج تطبیقی عصبی- فازی30.
2-2- شبکه عصبی مصنوعی
یک شبکه عصبی مصنوعی ایده ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می پردازد. عنصرکلیدی این ایده، ساختار جدید سیستم پردازش اطلاعات است. یک ANN برای انجام وظیفه های مشخص، مانندشناسایی الگوها و دسته بندی اطلاعات، درطول یک دوره یاد گیری، تنظیم می شود. در سیستم های زیستی یاد گیری با تنظیماتی در اتصالات سیناپسی که بین اعصاب قرار دارد همراه است. این روش ANN ها هم می باشد.
شبکه های عصبی مصنوعی دارای تعداد زیادی از واحدهای محاسباتی به نام عصب31 می باشند، همچنین در یک ساختار انبوه موازی متصل شده اند و نیازی به یک فرمول بندی واضح از روابط ریاضیاتی و فیزیکی ندارند. رایج ترین استفاده ANN ها شبکه های عصبی پیشخور32 هستند]22 [(در این تحقیق نیز از این روش استفاده شده است)، که بر اساس یک لایه ی ورودی و یک لایه ی خروجی همراه با لایه ی مخفی طراحی شده اند]23[.
تعداد عصب ها در لایه های ورودی و خروجی به ترتیب برابر است با تعداد کمیات فیزیکی ورودی و خروجی ها. مشکل 33FNN ها تعداد عصب ها در لایه ی مخفی می باشد. تعداد عصب کم باعث می شود که شبکه اندازه گیری دقیق نداشته باشد. البته تکنیک های بایاسین34]24[ همچنین الگوریتم لونبرگ- مارکوارت35]25[ می تواند باعث رفع این مشکل شود.
2-2-1- سابقه تاریخی شبکه عصبی
به نظر می آید شبیه سازی های شبکه عصبی یکی از پیشرفت های اخیر باشد. اگر چه این موضوع پیش از ظهور کامپیوترها بنیانگذاری شده و حداقل یک مانع بزرگ تاریخی و چندین دوره مختلف را پشت سر گذاشته است. خیلی از پیشرفت های مهم با تقلیدها وشبیه سازی های ساده و ارزان کامپیوتری بدست آمده است. در پی یک دوره ابتدائی اشتیاق و فعالیت در این زمینه، یک دوره ی بی میلی و بدنامی را هم پشت سر گذاشته است.
در طول این دوره سرمایه گذاری و پشتیبانی حرفه ای از این موضوع در پایین ترین حد خود بود، پیشرفت های مهمی به نسبت تحقیقات محدود در این زمینه صورت گرفت. که بدین وسیله پیشگامان قادر شدند تا به گسترش تکنولوژی متقاعد کنندهای بپردازند که خیلی برجسته تر از محدودیت هایی بود که توسط مینسکی36 و پاپرت37 شناسانده شد. مینسکی و پاپرت، کتابی را درسال 1969 منتشرکردند که در آن عقیده عمومی راجع به میزان محرومیت شبکه های عصبی را درمیان محققان معین کرده بود و بدین صورت این عقیده بدون تجزیه و تحلیل های بیشتر پذیرفته شد. هم اکنون، زمینه تحقیق شبکه های عصبی از تجدید حیات علایق و متناطر با آن افزایش سرمایه گذاری لذت می برد.
اولین سلول عصبی مصنوعی درسال 1943 بوسیله یک منطق دان به نام والتر پیتس38 ساخته شد. اما محدودیت های تکنولوژی در آن زمان اجازه کار بیشتر به آنها نداد]26 [.
2-2-2- شبکه عصبی پیشخور
در روش FNN، لایه ی ورودی شبکه تمام داده های ورودی را دریافت و به شبکه معرفی می کند. داده ها از عصب های ورودی از میان شبکه منتشر می شوند. از طریق اتصالات میانی هر عصب i در یک لایه ی k متصل می شود و به هر عصب در لایه ی همجوار عصب i بدون لایه ی مخفی k کار زیر را دنبال می کند:
مجموع ورودی های وزن ها (ورودی بردار Ii = [Ii,1,…Ii,Nk-1]) و جمع نتایج از میان یک تابع غیر خطی f، به عصب های مجاور لایه ی مخفی بعدی یا عصب های ورودی تابع انتقال حلقوی اکسپتنشیالی39 طبق معادله 2-1 می باشد:
∈ [0 1]x در حالی کهf(x)=□(1/( 1+e^(-x) ))
اصطلاح مجموع وزنی40 (S) برای i امین عصب در k امین لایه(k≥2 ) طبق معادله 2-2 است:

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

Sk,i = ∑_(j=1)^(N_(k-1))▒[(w_(k-1, j,i) I_(k-1,j) )+b_(k,j) ]
در حالی که w پارامتر وزنی بین هر عصب می باشد]27[.
با استفاده از این شبکه ی ساده همراه با تابع حلقوی غیرخطی، خروجی O برای عصب i-ام بدون در نظر گرفتن لایه ی مخفی k بر طبق معادله 2-3 است:
Ok,i=1/(1+e^(-(∑_(j=1)^(N_(k-1))▒〖[(w_(k-1, j,i) I_(k-1,j) )+b_(k,j)]〗)) )=1/(1+e^(〖-S〗_(k,j) ) )
2-2-3- مزیت های شبکه های عصبی
یادگیری انطباق پذیر: قابلیت یادگیری نحوه انجام و ظایف بر پایه اطلاعات داده شده برای تمرین و تجربه های مقدماتی.
سازماندهی توسط خود: یکANN می تواند سازماندهی یا ارائه اش را، برای اطلاعات یکه در طول دوره یادگیری دریافت می کند، خودش ایجاد کند. عملکرد بهنگام41 محاسباتANN می تواند بصورت موازی انجام شود، و سخت افزارهای مخصوص طراحی و ساخته شده است که می تواند از این قابلیت استفاده کند.

دسته بندی : پایان نامه

پاسخ دهید