运用人工神经网络方法预测天然气偏差因子.doc

运用人工神经网络方法预测天然气偏差因子 Ehsan Sanjari , Ebrahim Nemati Lay. 摘 要 天然气压缩因子预测在许多的石油和天然气工程计算中是重要的关键。在这项研究中的不同的天然气组合物中的压缩因子是采用基于向后传播的人工神经网络（ANN）方法。可靠的数据库，其中包括5500多压缩因子实验数据用于测试和人工神经网络的生成。设计神经网络可以使用拟对比压力和拟对比温度预测天然气压缩因子，平均相对偏差0.593％。设计的人工神经网络的准确性已经和广泛采用的经验模型以及Peng-Robinson和流体理论统计缔合的状态方程进行了对比。比较表明，该方法相对于用于这项研究的其他模型提供了更准确的结果。 1．引 言 除了原油和煤，天然气是最重要的主要能源，占近四分之一世界一次能源消费，由于其比原油更长的未来可采储量（统计评价，2006年）。天然气是一种多组分的混合物，各种不同的组合物与甲烷作为主要组分，更多的组成如氮气，二氧化碳，乙烷，丙烷，和较重的烃。如今，使用天然气空间加热，做饭，发电，和作为原料在化学工业中的材料（Akansu等人，2004）。准确天然气的热力学性质知识其他天然气组分的混合物是不可缺少的的基本工程设计和性能技术的重要性流程。这需要适当的计算，适用范围广在均质的混合物的组合物和操作条件气体（Kunz等人，2007）。通过热力学性质天然气，压缩系数，是衡量真实气体和理想气体的偏差，是最重要的燃气工程计算参数。类似状态的规则表明天然气混合物同减压和降低的温度下具有大致相同的压缩因子（达内什，1998年）。要计算偏差因子，方程状态（EOS），即压力之间的关系，温度，体积，物质的组合物，已被广泛用于几乎每一个分支的工程，尤其是对那些行业气体处理。经验的相关性和实验测量数据是其他常见的方法来估计的参数。天然气压缩因子的计算在所有可用的方法，其中一个最有效和最准确的方法是人工神经网络（ANN）。神经网络算法是基于生物神经系统，如大脑，处理信息（Sivanandam等人，2006）的信息处理模式。ANN最近已由Moghadasi等人预测纯气体压力-体积-温度（PVT）性质 （Moghadasi等，2009）。Kamyab等人将Katz图版作为输入数据设计了人工神经网络估算天然气混合物偏差因子（Kamyab等，2010年）另外Garrouch等人提出应用人工神经网络估算致密砂岩气渗透率（Garrouch和Samaui，1996年）。Al-Quraishi等人（AlQuraishi等，2011年）运用使用4445组平均绝对误差为4.93的实验数据的人工神经网络预测天然气混合物密度。Al-Anazi等人（Al-Anazi等，2011年）通过使用977组平均绝对误差为0.965的实验数据的人工神经网络预测酸性和普通天然气的偏差因子。另一方面，状态方程对描述流体性质例如压力体积温度（PVT）非常有用。然而这种相关性的成功估算主要取决于原始数据的范围（Moghadasi等，2009）。对于状态方程，应该使用可靠的实验数据调整二元相互作用系数。此外，预测热物理性质的经验模型也被实验调解的范围所限制。因此，及其需要新的模型。人工神经网络估算PVT性质的能力是最好的高性能估算模型（Moghadasi等，2009）。出版的文献中关于人工神经网络应用于天然气混合物偏差因子方面的较少。 本次研究的主要内容是设计一个合适的人工神经网络估算天然气偏差因子且相比其他人工神经网络系统和模型有更高的准确性，模型在所需的温度和压力下使用了超过5500组实验数据（Seitz等，1996年a， 1996年b；Hou等，1996；Mihara等，1977年；Douslin等，1964年；Achtermann等，1992年；Goodwin，2009年；Chuang等，1976年； Schley等，2004年；Younglove和Ely，1987年；Seitz和Blencoe，1996年；Fenghour等，1996；May 等，2002年；May等，2001年；Sage和Lacey，1939年；Ababio等，2001年；McElro，等，2001年；Fenghour等，1999年；Reamer等，1944年；Capla等，2002年；Patil等，2007年；Zou等，2006年；Chamorro等，2006年；Assael等，2001年；Langelandsvik等，2007）。最后的人工神经网络模型结果将与广泛采用的经验模型和状态方程相比较。 2．天然气偏差因子 在真实气体方程中，偏差因子可以通过如下公式得到： （1） 其中，P—压力，KPa；V—气体体积，L；n—气体摩尔数，mol；R—摩尔气体常数；T—温度，K；Z—气体压缩因子。 对应