‫مدل سازی پیش بینی شرایط تشکیل هیدرات متان‬

‫‪1‬‬
‫با استفاده از شبکه عصبی مصنوعی‬

‫‪Predictive modeling of methane hydrate formation conditions‬‬

‫‪Using artificial neural network‬‬

‫چکیده‬
‫هیدرات های گاز‪ 2‬نوعی ترکیبات کریستالی هستند که از آب و مولکول های کوچک گ‪00‬از تش‪00‬کیل ش‪00‬ده‬
‫اند‪ .‬گستره وسیعی از کاربردهای هیدرات های گازی در ذخیره س‪0‬ازی گ‪0‬از ط‪0‬بیعی ب‪0‬ه ش‪0‬کل هی‪0‬درات‬
‫های جامد به صورت مصنوعی که به عنوان فناوری گاز طبیعی جامد شده‪ ،‬فرآین‪00‬دهای جداس‪00‬ازی گ‪00‬از‬
‫و فناوری نمک زدایی آب دریا شناخته می شوند‪ ،‬توجه زیادی را در مطالع‪00‬ات علمی و عملی ب‪00‬ه خ‪00‬ود‬
‫جلب کرده است‪ .‬تشکیل هیدرات گاز نیز ممکن است اثرات مخربی مانند مسدود شدن خطوط لوله گ‪00‬از‬
‫ایجاد کند‪ .‬بنابراین‪ ،‬پیش‌بینی دقیق شرایط تعادل برای هیدرات‌های گازی بسیار مورد توجه است‪ .‬هدف‬
‫از این مطالعه پیشنهاد مدل‌های مبتنی بر فراگیری ماشین برای پیش‌بی‪00‬نی دم‪00‬ای تش‪00‬کیل هی‪00‬درات مت‪00‬ان‬

‫‪1‬‬
‫‪artificial neural network‬‬
‫‪2‬‬
‫‪Gas Hydrate‬‬
‫نسخه الکترونیکی موجود در‪https://ssrn.com/abstract=4231583 :‬‬
‫برای طیف گسترده‌ای از آب نمک بود‪ .‬در این راستا اوال یک پایگ‪00‬اه داده ج‪00‬امع ش‪00‬امل ‪ 1200‬نمون‪00‬ه‬
‫داده که انواع آب نمک مختلف را پوشش می دهد از ادبی‪0‬ات جم‪0‬ع آوری ش‪0‬د‪ .‬پس از پ‪0‬االیش و آم‪0‬اده‬
‫سازی داده ها‪،‬از شبکه های عصبی مصنوعی استفاده و مورد آزمایش قرار گرفتند‪ .‬نتایج نشان داد که‬
‫شبکه های عصبی مصنوعی(‪ )ANN‬قادر به پیش‌بینی دمای تشکیل هیدرات متان با دقت خوبی هستند‪.‬‬
‫ریشه میانگین مربعات خطای این مدل ب‪00‬رای مجموع‪00‬ه داده آزمایش‪00‬ی ‪0.7124‬ب‪00‬ه دس‪00‬ت آم‪00‬د ک‪00‬ه نش‪00‬ان‬
‫دهنده دقت زیاد آن است‪ .‬یافته‌های این مطالعه می‌توان‪00‬د به‌عن‪00‬وان اب‪00‬زاری قاب‪00‬ل اعتم‪00‬اد ب‪00‬رای پیش‌بی‪00‬نی‬
‫منحنی ‪ P - T‬تشکیل هیدرات متان در آب خالص‪ ،‬آب نمک تک نمکی و آب نمک چند نمکی(محلولی‬
‫از چند نوع نمک ) مورد استفاده قرار گیرد‪.‬‬

‫کلید واژه ها‪ :‬متان؛ هیدرات گازی؛ فراگیری ماشین؛ شبکه های عصبی مصنوعی‪ :‬درجه حرارت؛ مدل سازی؛‬

‫نسخه الکترونیکی موجود در‪https://ssrn.com/abstract=4231583 :‬‬

 ‫فصل ‪1‬‬

‫نسخه الکترونیکی موجود در‪https://ssrn.com/abstract=4231583 :‬‬

 ‫‪-1-1‬مقدمه‬
‫هیدرات های گازی نوعی از ترکیبات کریستالی است که متشکل از مولکول های آب و گاز کوچک است ک‪00‬ه ب‪00‬ه ت‪00‬رتیب‬
‫‪4‬‬‫به عنوان مولکول میزبان و مهمان شناخته می شوند‪ .‬این ترکیبات در دماهای پایین و فشارهای باال تشکیل می ش‪00‬وند ‪CH‬‬
‫(متان)‪( C2H6 ،‬ات‪0‬ان)‪( 2N ،‬نی‪0‬تروژن)‪( 2CO ،‬دی اکس‪0‬ید ک‪0‬ربن)‪( 2H ،‬هی‪0‬دروژن) و‪( S2H‬س‪0‬ولفید هی‪0‬دروژن) ب‪0‬ه عن‪0‬وان‬
‫مولکول های مهمان درهیدرات های گازی‪..‬تشکیل هیدرات های گاز زمانی اتفاق می افتد که مولکول های مهمان در داخ‪00‬ل‬
‫ساختارهای قفس ایجاد شده توسط مولکول های میزبان به دام افتاده باشند[‪ . ]1‬ساختارهای کریستالی هیدرات‌های گ‪00‬ازی را‬
‫می‌توان به سه کالس ‪ S1,S2,S3‬طبقه‌بندی کرد که هر کدام از ترکیب‌های چند وجهی مختلفی تش‪00‬کیل ش‪00‬ده‌اند ک‪00‬ه در آن ه‪00‬ر‬
‫مولکول گاز کوچک بر تعادل و ساختار هیدرات گاز تأثیر می‌گذارد‪]2[.‬‬

‫هیدرات های گازی طبیعی را می توان به عن‪0‬وان یکی از من‪0‬ابع ان‪0‬رژی ن‪0‬ام ب‪0‬رد زی‪0‬را در بس‪0‬یاری از من‪0‬اطق فراس‪0‬احلی و‬
‫همیشه منجمد کشف شده است گاز طبیعی پاک ترین سوخت فسیلی است که نقش مهمی در ت‪00‬امین ان‪00‬رژی م‪00‬ورد نی‪00‬از جه‪00‬ان‬
‫ایفا می کند[‪ .]3‬گاز طبیعی تقریبًا ‪ 90‬درصد و در بیشتر موارد بسیار بیشتر متان است‪ .‬در بین سوخت های فسیلی‪ ،‬اس‪00‬تفاده‬
‫از گاز طبیعی به عنوان انرژی اولیه تا سال ‪ 2040‬به رشد خود ادامه خواهد داد‪ .‬ارزش ح‪00‬رارتی ب‪00‬اال‪ ،‬انتش‪00‬ار ک‪00‬ربن کم و‬
‫بهبود راندمان تولید برق در مقایسه با زغ‪00‬ال س‪0‬نگ و ب‪00‬نزین‪ ،‬اس‪0‬تفاده از گ‪00‬از ط‪0‬بیعی را اف‪00‬زایش می ده‪00‬د‪ ،‬ب‪00‬ه وی‪00‬ژه ب‪00‬رای‬
‫کاربردهای تولید برق واضح تر‪ ،‬استفاده از گاز طبیعی برای تولید برق‪ ،‬انتشار ‪ 2CO‬را ب‪00‬ه ت‪00‬رتیب در ح‪00‬دود ‪ ٪50‬و ‪٪33‬‬
‫در مقایسه با استفاده از زغال سنگ و نفت کاهش می دهد‪ .‬بدین ترتیب‪ ،‬گزینه های کارآمد برای ذخیره سازی و حمل و نقل‬
‫گاز طبیعی در سراسر جهان حیاتی است [‪ ]4‬مزایای ذخیره سازی گاز طبیعی به شکل هیدرات های جامد مصنوعی که ب‪00‬ه‬
‫عنوان گاز طبیعی جامد (‪ )SNG‬شناخته می شود‪ ،‬فرصتی منحصر به فرد برای ذخیره و ارسال آن به سراسر جهان ف‪0‬راهم‬
‫می کند‪ .‬فن آوری ‪ SNG‬مزایای مختلفی مانند ظرفیت ذخیره سازی با حجم ب‪00‬اال‪ ،‬س‪00‬ازگاری ب‪00‬ا محی‪00‬ط زیس‪00‬ت‪ ،‬ایم‪00‬نی ب‪00‬اال‪،‬‬
‫مقرون به صرفه بودن و ذخیره سازی گاز طبیعی در مقیاس بزرگ را در اختیار ما قرار می دهد ‪]5[.‬‬

‫قابل ذکر است که فناوری ‪ SNG‬به دلیل در دسترس بودن این گاز بر روی استفاده از گ‪00‬از مت‪00‬ان تمرک‪00‬ز دارد‪ .‬همچ‪00‬نین‪ ،‬بخش‬
‫قابل توجهی از تحقیقات در طول سه دهه گذشته بر ذخیره متان (گاز طبیعی) در هیدرات ها متمرکز ش‪0‬ده اس‪0‬ت عالوه ب‪0‬ر این‪،‬‬
‫از آنجایی که نمک ها تأثیر قابل توجهی بر روی ترمودینامیک و سینتیک هی‪00‬درات ه‪00‬ای مت‪00‬ان دارن‪00‬د‪ ،‬اخ‪00‬یرًا توج‪00‬ه زی‪00‬ادی ب‪00‬ه‬
‫استفاده از آب دریا عالوه بر آب خالص برای تشکیل هیدرات های متان معطوف شده است عالوه ب‪00‬ر این‪ ،‬اس‪00‬تفاده از آب دری‪00‬ا‬
‫می تواند اقتصاد تشکیل هیدرات متان را بهبود بخشد ‪]6[.‬‬

‫سایر کاربردهای هیدرات های گازی شامل استفاده از آنها در فرآیندهای جداسازی گاز با استفاده از تقسیم انتخابی گاز ه‪00‬دف‬
‫بین فاز کریستال هیدرات و فاز گاز است‪ .‬از سوی دیگر‪ ،‬تشکیل هیدرات‌های گاز طبیعی در چاه دری‪00‬ایی و در خط‪0‬وط لول‪0‬ه‬
‫نفت و گاز در مناطق سردسیر باعث مشکالت تضمین جریان می‌شود بنابراین‪ ،‬پیش‌بی‪00‬نی دقی‪00‬ق ش‪00‬رایط تع‪00‬ادل هی‪00‬درات‌های‬
‫گازی به دالیل مختلفی ضروری است‪ .‬ت‪00‬ا کن‪00‬ون‪ ،‬دم‪00‬ا و فش‪00‬ار تع‪00‬ادل هی‪00‬درات گ‪00‬از از آزمایش‌ه‪00‬ا ‪ ،‬م‪00‬دل‌های ترمودینامی‪00‬ک‬
‫همبستگی‌های تجربی و تکنیک‌های هوش مصنوعی به‌دست آمده‌اند‪]7[.‬‬

‫در برخی موارد‪ ،‬اندازه گیری های تجربی شرایط تعادل هیدرات گاز پرهزینه و وقت گیر اس‪00‬ت‪ .‬م‪00‬دل وان‪00‬دروالس ‪3‬ک‪00‬ه ب‪00‬ر‬
‫اس‪00‬اس ترمودینامی‪00‬ک آم‪00‬اری کالس‪00‬یک اس‪00‬ت‪ ،‬یکی از رایج‌ت‪00‬رین م‪00‬دل‌های ترمودین‪00‬امیکی ب‪00‬رای پیش‌بی‪00‬نی ش‪00‬رایط تع‪00‬ادلی‬
‫هیدرات‌های گازی است‪ .‬با این حال‪ ،‬مدل واندروالس نیز محدودیت های خود را دارد به عن‪0‬وان مث‪0‬ال‪ ،‬محاس‪0‬به ث‪0‬ابت ه‪0‬ای‬
‫جذب النگمویر پیچیده است عالوه بر این‪ ،‬مدل واندروالس خطای باالیی در محاسبه تعادل گاز‪-‬هیدرات در دماه‪00‬ای پ‪00‬ایین و‬
‫‪3‬‬
‫‪Van Der Waals‬‬

‫نسخه الکترونیکی موجود در‪https://ssrn.com/abstract=4231583 :‬‬

 ‫باال دارد به غیر از مدل واندروالس مدل های ترمودینامیکی دیگری بر اساس معادالت حالت توسعه یافته است با این ح‪00‬ال‪،‬‬
‫تخمین پارامتره‪00‬ای ب‪00‬رهمکنش بین مولک‪00‬ولی مع‪00‬ادالت ح‪00‬الت ن‪00‬یز پیچی‪00‬ده اس‪00‬ت‪ .‬عالوه ب‪00‬ر این‪ ،‬دم‪00‬ا و فش‪00‬ار ب‪00‬اال‪ .‬اگرچ‪00‬ه‬
‫همبستگی های تجربی به طور منظم به روز می شوند و استفاده از آنها ساده است‪ ،‬استفاده از آنها برای هیدرات های گ‪00‬ازی‬
‫مخلوط در طیف گسترده ای از دما و فشار منجر به خطاهای قابل توجهی می شود و بنابراین کاربرد آنها در مسائل ص‪00‬نعتی‬
‫را محدود می کند‪]8,9[.‬‬

‫تاریخچه کشف هیدرات های گازی‬

‫کشف هیدرات های گازی به قرن هجدهم توسط سر همفری دیوی‪ 4‬باز می گردد‪ ]10[.‬هیدرات های گ‪00‬از ی‪00‬ا کل‪00‬ترات‬
‫ترکیبات جامد کریستالی هستند که در مخلوط آب و مایعات فرار یا گازهای غیر قطبی با وزن مولک‪00‬ولی کم تش‪00‬کیل می ش‪00‬وند‪.‬‬
‫زمانی که مولکول‌های آب با پیوند هیدروژنی ساختار قفسی شکل می‌دهند‪ ،‬هیدرات تشکیل می‌شود که به عنوان حفره‌ه‪00‬ایی در‬
‫شبکه کریستالی یا میزبان شناخته می‌شود‪ ]11[.‬در این حفره ها مولکول های هیدرات ساز یا مولکول های مهمان به دام افت‪00‬اده‬
‫و ساختار هیدرات را تثبیت می کنند‪ .‬شرایط عمومی ب‪0‬رای تش‪0‬کیل هی‪0‬درات ه‪0‬ای گ‪0‬از فش‪0‬ار ب‪0‬اال‪ ،‬دم‪0‬ای پ‪0‬ایین و ت‪0‬رکیب گ‪0‬از‬
‫مولکول های مهمان در محلول فوق اشباع است ‪.‬ساختار هیدرات گاز بسته به مولکول های گازی که در داخل حفره ه‪00‬ا ب‪00‬ه دام‬
‫افتاده اند متفاوت است‪ ]12[.‬گازهای معمولی که هیدرات های گازی را تشکیل می دهند متان‪ ،‬اتان‪ ،‬پروپان و دی اکسید ک‪00‬ربن‬
‫هستند‪ .‬این مولکول های مهمان بسته به اندازه و شکل خود‪ ،‬انواع یا ساختار هیدرات های گازی متف‪00‬اوتی را تش‪00‬کیل می دهن‪00‬د‪.‬‬
‫در حال حاضر‪ ،‬سه ساختار هیدراتی مختلف مانند شکل ‪ 1-1‬وشکل ‪ 2-1‬شناخته شده و به خ‪00‬وبی مطالع‪00‬ه ش‪00‬ده اس‪00‬ت‪ .‬س‪00‬اختار‬
‫مکعبی )‪ ،I (sI‬ساختار مکعبی )‪ II (sII‬و ساختار شش ضلعی )‪H (sH‬این ساختارها بسته به مولکول های مهمان که در داخل‬
‫حفره ها به دام افتاده اند شکل می گیرند‪ .‬سلول واحد هیدرات ‪ sI‬از ‪ 46‬مولکول آب تشکیل ش‪00‬ده اس‪00‬ت ک‪00‬ه دو حف‪00‬ره کوچ‪00‬ک و‬
‫شش حفره بزرگ را تشکیل می دهند‪]13[.‬‬

‫‪4‬‬
‫‪Sir Humphry Davy‬‬

‫نسخه الکترونیکی موجود در‪https://ssrn.com/abstract=4231583 :‬‬

‫حفره کوچک به شکل دوازده وجهی پنج ضلعی‪ )512( 5‬است‪ ،‬در حالی که حفره بزرگ به شکل چهارده وجهی (‪ )51262‬است‪ .‬سلول واحد هیدرات‬
‫‪ sII‬شامل ‪ 136‬مولکول آب است که شانزده حفره کوچک و هشت حفره بزرگ را تشکیل می دهند‪ .‬همانند شکل ‪ ،sI‬ساختار حفره کوچک ‪ sII‬نیز‬
‫دوازده وجهی پنج ضلعی است‪ )512(.‬اما حفره بزرگ شکل هگزا وجهی‪ 6‬دارد (‪ .)51264‬در ساختار ‪ ، sH‬سلول واحد به سه حف‪00‬ره کوچ‪00‬ک (‪51‬‬
‫‪ ،)2‬دو حفره متوسط (‪ )435663‬و یک حفره بزرگ (‪ )51268‬تقسیم شده است که در شکل ‪1-1‬نشان داده شده است‪]14[.‬‬

‫شکل ‪ -1-1‬مشترک ساختار هیدرات های گازی‬

‫‪5‬‬
‫‪Pantahedron‬‬
‫‪6‬‬
‫‪Hexahedron‬‬
 ‫شکل ‪ :2.1‬ساختارقفسی هیدرات گاز‬

‫هیدرات گاز به عنوان منابع انرژی جدید به غیر از سوخت فسیلی در نظر گرفته می شود زی‪00‬را ب‪00‬ه وف‪00‬ور در خش‪00‬کی و فراس‪00‬احل ی‪00‬افت می ش‪00‬ود‪.‬‬
‫تخمین زده می شود که تقریبًا ‪ 200000‬تریلیون فوت مکعب متان می توان‪0‬د ب‪0‬ه ش‪0‬کل هی‪0‬درات در من‪0‬اطق دائمی منجم‪0‬د ای‪0‬االت متح‪0‬ده و آب ه‪0‬ای‬
‫اطراف آن وجود داشته باشد‪ .‬هیدرات گاز همچنین به عنوان یک فناوری برای ذخیره و انتقال گازهایی مانند گاز هیدروژن و غیره در نظر گرفت‪00‬ه‬
‫می شود‪]15[.‬‬
‫در مقابل‪ ،‬به دلیل شرایط دمای پایین و فشار باال که در حفاری چاه های عمیق دریایی و عمیق در صنایع نفت و گاز وجود دارد‪ ،‬هیدرات گازی به‬
‫راحتی تشکیل شده و خط لوله تولید نفت و گاز‪ ،‬تاسیسات و چاه های حف‪0‬اری را مس‪0‬دود می کن‪00‬د‪ .‬این ی‪00‬ک مش‪0‬کل عم‪00‬ده ب‪00‬رای تض‪0‬مین جری‪00‬ان در‬
‫صنعت نفت و گاز است‪ .‬هنگامی که هیدرات های گاز تشکیل می شوند‪]16[.‬‬

‫باعث مسدود شدن خط لوله می شود و حذف آن بسیار گران است‪ .‬جلوگیری از تشکیل هیدرات مستلزم هزین‪00‬ه هنگف‪00‬تی ب‪00‬ه ان‪00‬دازه ‪ 15-10‬درص‪00‬د‬
‫هزینه تولید است و هزینه حذف این هیدرات از یک خط لوله دریایی حدود ‪ 2‬تا ‪ 4‬میلیون دالر است‪]17[.‬‬

‫حذف آب‪ ،‬گرم کردن‪ ،‬کاهش فشار و مهار شیمیایی روش‌های موجود کاهش هیدرات گازی هستند‪ .‬در ح‪00‬ال حاض‪00‬ر‪ ،‬مه‪00‬ار ش‪00‬یمیایی ب‪00‬ه دلی‪00‬ل‬
‫مزیت کاربردی اقتصادی استفاده می شود‪ .‬مطالعه مهار هیدرات گاز را می توان در دو حوزه مختل‪00‬ف ترمودینامی‪00‬ک و س‪00‬ینتیک دس‪00‬ته بن‪00‬دی‬
‫کرد‪ .‬مهار ترمودینامیکی بر اندازه‌گیری شرایط فشار‪-‬دما تمرکز می‌کند که در آن س‪00‬ه ف‪00‬از م‪00‬ایع‪-‬هی‪00‬درات‪-‬بخ‪00‬ار (‪ )LHV‬در تع‪00‬ادل هس‪00‬تند و‬
‫هدف آن تغییر منحنی تعادل )‪ (LHV‬به منطقه دمای پایین و فش‪00‬ار ب‪00‬اال اس‪00‬ت‪ .‬ش‪00‬کل ‪ 2-1‬غلظت بازدارن‪00‬ده ترمودین‪00‬امیکی م‪00‬ورد اس‪00‬تفاده در‬
‫صنعت را نشان می دهد و بازدارنده معمولی متانول است اما تا ‪ 60‬درصد وزنی نیاز دارد‪]18[.‬‬
 ‫شکل ‪ -2-1‬تشکیل هیدرات های گاز در فاز تعادل‬

‫در حالی که در مهار جنبشی کنسانتره هیدرات در به تاخیر انداختن زمان القاء و ‪ /‬یا رشد کریستالی تشکیل هی‪00‬درات‪ ،‬پلیمره‪00‬ا معم‪00‬وًال ب‪00‬رای‬
‫مهار جنبشی استفاده می‌شوند و در غلظت‌های کمتر (بیش از ‪ 2‬درصد وزنی) استفاده می‌شوند‪]19[.‬‬

‫به منظور افزایش کاهش تشکیل هیدرات گاز در خطوط لوله‪ ،‬درک و مدل سازی تشکیل هیدرات گاز و سینتیک رشد یک ضرورت می ش‪00‬ود‪ .‬در‬
‫حالی که مطالعات گسترده ای در مورد ترمودینامیک هیدرات گاز در دسترس است‪ ،‬هیچ مدل قابل قبول یا مدل ثابتی برای سینتیک هیدرات ه‪00‬ای‬
‫گازی ایجاد نشده است‪ ،‬بن‪0‬ابراین ترمودینامی‪0‬ک هی‪0‬درات گ‪0‬از را ب‪0‬ه خ‪0‬وبی از س‪0‬ینتیک درک می کن‪0‬د‪ .‬تالش‌ه‪0‬ای کمی ب‪0‬رای مدل‌س‪0‬ازی س‪0‬ینتیک‬
‫هیدرات‌های گازی صورت گرفته است‪ ،‬اما به دلیل ماهیت تصادفی تشکیل هیدرات‪ ،‬هن‪00‬وز نتیج‪00‬ه خ‪00‬وبی وج‪00‬ود ن‪00‬دارد‪ .‬همچ‪00‬نین‪ ،‬ن‪00‬ه تنه‪00‬ا م‪00‬اهیت‬
‫تصادفی‪ ،‬بلکه تشکیل هیدرات گاز به عواملی مانند خنک کننده فرعی‪ ،‬دستگاه آزمایشی و سرعت همزدن بستگی دارد‪]20,21[.‬‬

‫سینتیک هیدرات به زمان القاء و تبلور رشد هیدرات بستگی دارد‪ .‬زمان القاء زمان تشکیل هسته‌های کریستالی است و زمانی که هسته‌ها به ان‪00‬دازه‬
‫بحرانی الزم رسیدند رشد کرده و کریستال‌های هیدرات تشکیل می‌دهند‪ .‬فرآیند رشد یا تشکیل به رشد یک هس‪00‬ته هی‪00‬درات پای‪00‬دار ت‪00‬ا زم‪00‬انی ک‪00‬ه ب‪00‬ه‬
‫هیدرات جامد تبدیل شود‪ ،‬اشاره دارد‪ .‬انتقال جرم و گرما در فرآیند رشد هیدرات ضروری است‪ ،‬اگرچه بیشتر پارامترهای هسته‌زایی مانند س‪00‬طح‪،‬‬
‫هم زدن‪ ،‬ترکیب گاز و جابجایی از شرایط تعادل در منطقه پایدار هس‪0‬تند‪ .‬ش‪0‬کل ‪ 3-1‬نم‪0‬وداری از زم‪0‬ان مص‪0‬رف گ‪0‬از را ب‪0‬رای آزم‪0‬ایش جنبش‪0‬ی‬
‫هیدرات گاز معمولی نشان می دهد که مراحل مختلف آزمایش را نشان می دهد‪ .‬زمان القاء تصادفی ی‪0‬ا غیرقاب‪0‬ل پیش‌بی‪0‬نی اس‪0‬ت‪ ،‬بن‪0‬ابراین نی‪0‬از ب‪0‬ه‬
‫توجه و دشواری بیشتری در مدل‌سازی دارد‪ ،‬اما فرآیند رشد هیدرات کامًال قابل پیش‌بینی است و بنابراین برای مدل‌سازی تشکیل هی‪00‬درات تس‪00‬کین‬
‫می‌دهد‪]22[.‬‬

‫شبکه های عصبی مصنوعی بسیار ساده هستند که در آن مدل های الکترونیکی الهام گرفته شده از سیستم عصبی بیولوژیکی است‪ .‬مغ‪00‬ز اساس ‪ً0‬ا از‬
‫تجربه شبکه های عصبی مصنوعی می آموزد و همچنین این گواه بر این است که برخی از مشکالت خارج از حیطه رایانه های کنونی هس‪00‬تند ک‪00‬ه‬
‫در واقع توسط این سیستم قابل حل هستند‪ .‬این مدل‌سازی همچنین روش فنی کمتری را برای توسعه راه‌حل‌های ماشینی تضمین می‌کند‪ .‬این رویکرد‬
‫نوآورانه برای حل مشکالت همچنین تخریب نرم‌تری را در هنگام اضافه بار سیستم نسبت به همتایان سنتی خود فراهم می‌کند‪]23[.‬‬
 ‫شکل ‪ -3-1‬گاز مصرف در مقابل زمان تشکیل هیدرات‬
‫بنابراین‪ ،‬استفاده از شبکه های عصبی مصنوعی در پیش‌بینی نرخ تشکیل هیدرات گاز متان برای درک بهتر نرخ تشکیل یک هیدرات گاز بس‪00‬یار‬
‫مهم است‪ .‬اگر این کاربرد شبکه عصبی مصنوعی بتواند سرعت تشکیل را با موفقیت پیش بینی کند‪ ،‬مطالعات برای پیشگیری از تش‪00‬کیل هی‪00‬درات‬
‫گازی و پالگین می تواند به خوبی مورد مطالعه قرار گیرد‪ .‬هنگامی که بت‪0‬وان تش‪0‬کیل هی‪0‬درات گ‪0‬ازی را پیش بی‪0‬نی ک‪0‬رد‪ ،‬کیفیت بازدارن‪0‬ده ب‪0‬رای‬
‫مهار جنبشی بهبود می یابد و نتیجه دقیق تر خواهد بود‪]24[.‬‬
 ‫ساختار و عملکردهای عصبی بیولوژیکی‬
‫نورون‪ 7‬یا سلول عصبی یک سلول تحریک‌پذیر الکتریکی است که از طری‪00‬ق اتص‪00‬االت تخصص‪00‬ی ب‪00‬ه ن‪00‬ام‬
‫سیناپس با سلول‌های دیگر ارتب‪00‬اط برق‪00‬رار می‌کن‪00‬د[‪ .]25‬این ج‪00‬زء اص‪00‬لی ب‪00‬افت عص‪00‬بی اس‪00‬ت‪ .‬ن‪00‬ورون ه‪00‬ا‬
‫معموًال بر اساس عملکردشان به سه ن‪00‬وع طبق‪00‬ه بن‪00‬دی می ش‪00‬وند‪ .‬نورون‌ه‪00‬ای حس‪00‬ی ب‪00‬ه محرک‌ه‪00‬ایی مانن‪00‬د‬
‫لمس‪ ،‬صدا یا نور که بر سلول‌های اندام‌های حسی تأثیر می‌گذارند پاسخ می‌دهند و سیگنال‌هایی را به نخ‪00‬اع‬
‫یا مغز می‌فرستند‪ .‬نورون های حرکتی سیگنال هایی را از مغز و نخاع دریافت می کنند تا هم‪00‬ه چ‪00‬یز را از‬
‫انقباضات ماهیچه ای گرفته تا خروجی غده را کنترل کنند‪ .‬نورون‌ها نورون‌ها را ب‪00‬ه نورون‌ه‪00‬ای دیگ‪00‬ر در‬
‫همان ناحیه مغز یا نخاع متصل می‌کنند‪ .‬به گروهی از نورون های متصل‪ ،‬مدار عصبی می گویند‪]26[.‬‬

‫یک نورون معمولی از یک جسم سلولی سوما‪ ،8‬دندریت‪ 9‬ها و یک آکسون‪ 10‬منفرد تشکیل شده است‪ .‬س‪00‬وما‬
‫معموال فشرده است‪ .‬آکسون و دندریت رشته هایی هستند که از آن خارج می شوند‪ .‬دندریت ه‪00‬ا معم‪00‬وًال ب‪00‬ه‬
‫شدت منشعب می شوند و چند صد میکرومتر از سوما امتداد می یابند‪ .‬آکس‪00‬ون س‪00‬وما را در ت‪00‬ورمی ب‪00‬ه ن‪00‬ام‬
‫تپه آکسون ترک می کند و در انسان تا ‪ 1‬متر یا بیشتر در گونه های دیگر حرکت می کند‪ .‬منشعب می شود‬
‫اما معموًال قطر ثابتی را حفظ می کند‪ .‬در دورترین نوک شاخه‌های آکسون‪ ،‬پایانه‌های آکسون ق‪00‬رار دارن‪00‬د‪،‬‬
‫جایی که نورون می‌تواند سیگنالی را از طریق سیناپس به سلول دیگ‪00‬ر منتق‪00‬ل کن‪00‬د‪ .‬ن‪00‬ورون ه‪00‬ا ممکن اس‪00‬ت‬
‫فاقد دندریت باشند یا آکسون نداشته باشند‪ .‬اص‪00‬طالح ن‪00‬وریت ب‪00‬رای توص‪00‬یف ی‪00‬ک دن‪00‬دریت ی‪00‬ا ی‪00‬ک آکس‪00‬ون‬
‫استفاده می شود‪ ،‬به ویژه زمانی که سلول تمایز نیافته است‪ .‬سوما بدن ن‪00‬ورون اس‪00‬ت‪ .‬از آنج‪00‬ایی ک‪00‬ه ح‪00‬اوی‬
‫هسته است‪ ،‬بیشتر سنتز پروتئین در اینجا اتفاق می افتد‪ .‬قطر هسته می تواند بین ‪ 3‬تا ‪ 18‬میکرومتر باشد‪[.‬‬
‫‪]27‬‬

‫دندریت های یک نورون امتداد سلولی با شاخه های متعدد هستند‪ .‬از این ش‪00‬کل و س‪00‬اختار کلی ب‪00‬ه ص‪00‬ورت‬
‫استعاری به عنوان درخت دندریتیک یاد می شود‪ .‬این جایی اس‪0‬ت ک‪0‬ه بیش‪0‬تر ورودی ب‪0‬ه ن‪0‬ورون از طری‪0‬ق‬
‫ستون فقرات دندریتیک انجام می شود‪]28[.‬‬

‫آکسون یک برجستگی ریزتر و کابل مانند است که می تواند ده ها‪ ،‬صدها یا حتی ده ه‪00‬ا ه‪00‬زار براب‪00‬ر قط‪00‬ر‬
‫سوما طول بکشد‪ .‬آکسون در درجه اول سیگنال ه‪00‬ای عص‪00‬بی را از س‪00‬وما دور می کن‪00‬د و ب‪00‬رخی از ان‪00‬واع‬

‫‪7‬‬
‫‪Neuron‬‬
‫‪8‬‬
‫‪Soma‬‬
‫‪9‬‬
‫‪Dendrite‬‬
‫‪10‬‬
‫‪Axon‬‬
‫اطالعات را به آن برمی گرداند‪ .‬بسیاری از نورون‌ها فقط یک آکسون دارند‪ ،‬اما این آکس‪0‬ون ممکن اس‪0‬ت ‪-‬‬
‫و معموًال ‪ -‬دچار انش‪0‬عاب‌های گس‪0‬ترده ش‪0‬ود و ارتب‪0‬اط ب‪0‬ا بس‪0‬یاری از س‪0‬لول‌های ه‪0‬دف را ممکن می‌س‪0‬ازد‪.‬‬
‫قسمتی از آکسون که از سوما خارج می شود‪ ،‬تپ‪00‬ه آکس‪00‬ون نامی‪00‬ده می ش‪00‬ود‪ .‬تپ‪00‬ه آکس‪00‬ون عالوه ب‪00‬ر س‪00‬اختار‬
‫آناتومیکی‪ ،‬بیشترین چگالی کانال های سدیم وابسته به ولتاژ را نیز دارد‪ .‬این باعث می شود که آسان ت‪00‬رین‬
‫قسمت از نورون و منطقه شروع سنبله برای آکس‪00‬ون برانگیخت‪00‬ه ش‪00‬ود‪ .‬از نظ‪00‬ر الکتروفیزیولوژی‪00‬ک دارای‬
‫بیشترین پتانسیل آستانه منفی است‪]29[.‬در حالی که آکسون و تپه آکسون به ط‪00‬ور کلی در جری‪00‬ان خ‪00‬روجی‬
‫اطالعات دخالت دارند‪ ،‬این ناحیه می‌تواند ورودی از نورون‌های دیگر نیز دریافت کند‪]30[.‬‬

‫پایانه آکسون در انتهای آکسون که دورتر از سوما قرار دارد و حاوی سیناپس است‪ .‬بوت‪00‬ون ه‪00‬ای سیناپس‪00‬ی‬
‫ساختارهای تخصصی هستند که در آن مواد شیمیایی انتقال دهنده عصبی برای برقراری ارتباط ب‪00‬ا ن‪00‬ورون‬
‫های هدف آزاد می شوند‪ .‬عالوه بر بوتون‌های سیناپسی در پایانه آکس‪00‬ون‪ ،‬ی‪00‬ک ن‪00‬ورون ممکن اس‪00‬ت دارای‬
‫بوتون‌های پاسانت باشد که در طول آکسون قرار دارند‪]31[.‬‬

‫بیشتر نورون‌ها سیگنال‌ها را از طریق دندریت و سوما دریافت می‌کنند و سیگنال‌هایی را ب‪00‬ه پ‪00‬ایین آکس‪00‬ون‬
‫ارسال می‌کنند‪ .‬در اکثر سیناپس ها‪ ،‬سیگنال ها از آکسون یک نورون به دن‪00‬دریت ن‪00‬ورون دیگ‪00‬ر منتق‪00‬ل می‬
‫شوند‪ .‬با این حال‪ ،‬سیناپس ها می توانند یک آکسون را به آکسون دیگر یا یک دندریت را به دن‪00‬دریت دیگ‪00‬ر‬
‫متصل کنند‪ .‬فرآیند سیگنال دهی تا حدی الکتریکی و بخشی شیمیایی است‪ .‬نورون ها به دلیل حفظ گرادی‪00‬ان‬
‫های ولتاژ در غشای خود‪ ،‬از نظر الکتریکی تحریک پذیر هستند‪ .‬اگر ولتاژ به مقدار زی‪00‬ادی در ی‪00‬ک ب‪00‬ازه‬
‫زمانی کوتاه تغییر کند‪ ،‬نورون یک پالس الکتروشیمیایی همه یا هیچ به نام پتانسیل عمل تولی‪00‬د می کن‪00‬د‪ .‬این‬
‫پتانسیل سفر می کند[‪ ]32‬به سرعت در امتداد آکسون‪ ،‬و اتصاالت سیناپسی را با رسیدن ب‪00‬ه آنه‪00‬ا فع‪00‬ال می‬
‫کند سیگنال های سیناپسی ممکن است تحریک کننده یا بازدارنده باشند و ولتاژ خالصی را که ب‪00‬ه س‪00‬وما می‬
‫رسد افزایش یا کاهش دهند‪]33[.‬در بیشتر موارد‪ ،‬نورون ها توسط سلول های بنیادی عصبی در طول رشد‬
‫مغز و دوران کودکی تولید می شوند‪ .‬نوروژنز تا حد زی‪00‬ادی در دوران بزرگس‪00‬الی در بیش‪00‬تر ن‪00‬واحی مغ‪00‬ز‬
‫متوقف می شود‪ .‬با این حال‪ ،‬شواهد قوی از تولیدتعداد قابل توجهی از ن‪00‬ورون ه‪00‬ای جدی‪00‬د در هیپوک‪00‬امپ و‬
‫پیاز بویایی حمایت می کند‪]34[.‬در شکل ‪ 4-1‬تصویر ش‪00‬ماتیک ش‪00‬بکه عص‪00‬بی بیولوژی‪00‬ک نش‪00‬ان داده ش‪00‬ده‬
‫است‪.‬‬
 ‫شکل ‪ -4-1‬تصویر شماتیک شبکه عصبی بیولوژیک‬

‫‪11‬‬
‫ساختار و عملکردهای نورون مصنوعی‬

‫یک نورون مصنوعی یک تابع ریاضی است که به عن‪0‬وان م‪0‬دلی از ن‪0‬ورون ه‪0‬ای بیول‪0‬وژیکی‪ ،‬ی‪0‬ک ش‪0‬بکه‬
‫عصبی تصور می شود‪ .‬نورون های مصنوعی واحدهای ابتدایی در یک ش‪00‬بکه عص‪00‬بی مص‪00‬نوعی هس‪00‬تند‪.‬‬
‫نورون مصنوعی یک یا چند ورودی دریافت می کند (که نشان دهنده پتانسیل های پس سیناپسی تح‪00‬ریکی و‬
‫پتانسیل های پس سیناپسی بازدارنده در دندریت های عصبی است) و آنها را برای تولید ی‪00‬ک خ‪00‬روجی (ی‪00‬ا‬
‫فعال سازی‪ ،‬نشان دهنده پتانسیل عمل یک نورون است ک‪00‬ه در امت‪00‬داد آکس‪00‬ون آن منتق‪00‬ل می ش‪00‬ود جم‪00‬ع می‬
‫کند‪ ]35[.‬معموًال هر ورودی به طور جداگانه وزن می شود و مجموع از طریق یک تابع غیر خطی به ن‪00‬ام‬
‫تابع فعال سازی یا تابع انتقال منتقل می شود‪ .‬توابع انتقال معموًال شکل سیگموئید دارند‪ ،‬اما ممکن اس‪00‬ت ب‪00‬ه‬
‫شکل توابع غیر خطی دیگر‪ ،‬توابع خطی تکه تکه یا توابع پل‪0‬ه ای ن‪0‬یز باش‪0‬ند‪ .‬آنه‪0‬ا همچ‪0‬نین اغلب ب‪0‬ه ط‪0‬ور‬
‫یکنواخت در حال افزایش‪ ،‬پیوسته‪ ،‬قاب‪00‬ل تم‪00‬ایز و مح‪00‬دود ت‪00‬ابع آس‪00‬تانه اله‪00‬ام گرفت‪00‬ه از دروازه ه‪00‬ای منطقی‬
‫ساختمان است که به آنها منطق آستانه می گویند‪ .‬قابل استفاده برای ساخت م‪00‬دارهای منطقی ش‪00‬بیه پ‪00‬ردازش‬
‫مغز به عنوان مثال‪ ،‬دستگاه های جدیدی مانن‪0‬د ممریس‪0‬تورها در زم‪0‬ان ه‪0‬ای اخ‪0‬یر ب‪0‬ه ط‪0‬ور گس‪0‬ترده ب‪0‬رای‬
‫توسعه چنین منطقی مورد استفاده قرار گرفته ان در شکل ‪ 5-1‬ف‪00‬رم س‪00‬اده ش‪00‬ده عملک‪00‬رد ن‪00‬ورون مص‪00‬نوعی‬
‫شامل ورودی ها وتوابع ریاضی ذیل بایاس وخروجی آمده است‪]36[.‬‬

‫‪11‬‬
‫‪Artificial Neuron‬‬
 ‫شکل ‪ -5-1‬نمایی ساده وکلی عملکرد نورون مصنوعی‬

‫‪12‬‬
‫شبکه عصبی مصنوعی‬

‫شبکه عصبی مصنوعی (‪ )ANN‬یک م‪00‬دل ریاض‪00‬ی اس‪00‬ت ک‪00‬ه س‪00‬عی در ش‪00‬بیه س‪00‬ازی س‪00‬اختار و‬
‫عملکرد شبکه های عصبی بیولوژیکی دارد‪ .‬بلوک اصلی ه‪00‬ر ش‪00‬بکه عص‪00‬بی مص‪00‬نوعی ن‪00‬ورون‬
‫مصنوعی است‪ ،‬یعنی یک مدل ریاضی ساده تابع چ‪00‬نین م‪00‬دلی دارای س‪00‬ه مجموع‪00‬ه ق‪00‬انون س‪00‬اده‬
‫است‪ :‬ضرب‪ ،‬جمع و فعال سازی‪ .‬در ورودی نورون مصنوعی‪ ،‬ورودی ها وزن می ش‪00‬وند‪ ،‬ب‪00‬ه‬
‫این معنی که هر مقدار ورودی با وزن فردی ضرب می شود‪ .‬در بخش میانی ن‪00‬ورون مص‪00‬نوعی‬
‫تابع مجموع اس‪00‬ت ک‪00‬ه تم‪00‬ام ورودی ه‪00‬ای وزنی و بای‪00‬اس را جم‪00‬ع می کن‪00‬د‪ .‬در خ‪00‬روجی ن‪00‬ورون‬
‫مصنوعی مجموع ورودی های وزن شده قبلی و بایاس از تابع فعال سازی عبور می کند که ت‪00‬ابع‬
‫انتقال نیز نامیده می شود‪.‬در شکل ‪ 6-1‬نمودار تابع انتقال شبکه عص‪00‬بی بص‪00‬ورت ش‪00‬ماتیک ودر‬
‫شکل ‪ 7-1‬نمودار وترتیب عملگرهای تابع انتقال شبکه عصبی مصنوعی آورده شده است‪]37[.‬‬

‫‪12‬‬
‫‪Artificial Neural Network‬‬
 ‫شکل ‪ -6-1‬ساختار درختی تابع انتقال شبکه عصبی‬

‫شکل ‪ -7-1‬نمودار شماتیک ترتیب عملگرهای تابع انتقال شبکه عصبی مصنوعی‬

‫عملکرد شبکه عصبی مصنوعی‬

‫شبکه عصبی مصنوعی را می توان به بهترین شکل ب‪00‬ه عن‪00‬وان ی‪00‬ک نم‪00‬ودار جهت دار وزنی ف‪00‬رض نم‪00‬ود‬
‫جایی که نورون های مصنوعی گره ها را تشکیل می دهند‪ .‬ارتباط بین خروجی نورون ه‪00‬ا و ورودی ه‪00‬ای‬
‫نورون را می توان به عنوان لبه های هدایت شده با وزن ها مشاهده کرد‪ .‬شبکه عصبی مص‪00‬نوعی س‪00‬یگنال‬
‫ورودی را از منبع خارجی به صورت یک الگو و تصویر به صورت برداری دری‪00‬افت می کن‪00‬د‪ .‬س‪00‬پس این‬
‫ورودی ها به صورت ریاضی با نمادهای )‪ x(n‬برای هر ‪ n‬عدد ورودی تخصیص داده می شوند در ش‪00‬کل‬
‫‪ 8-1‬عملکرد و الیه ها سیگنال های شبکه عصبی مصنوعی نشان داده شده است‪]38[.‬‬
 ‫شکل ‪ -8-1‬گراف عملکرد و الیه ها سیگنال های شبکه عصبی مصنوعی‬

‫پس از آن‪ ،‬هر یک از ورودی ها در وزن های مربوطه ضرب می شود (این وزن ه‪00‬ا جزئی‪00‬اتی هس‪00‬تند ک‪00‬ه‬
‫توسط شبکه های عصبی مصنوعی برای حل یک مشکل خاص استفاده می ش‪00‬ود)‪ .‬ب‪00‬ه ط‪00‬ور کلی‪ ،‬این وزن‬
‫ها به طور معمول نشان دهنده قدرت اتصال بین نورون ها در داخ‪00‬ل ش‪00‬بکه عص‪00‬بی مص‪00‬نوعی اس‪00‬ت‪]39[.‬‬
‫تمام ورودی های وزن دار در داخل واحد محاسبات خالصه می شوند‪ .‬اگ‪00‬ر مجم‪00‬وع وزنی براب‪00‬ر ب‪00‬ا ص‪00‬فر‬
‫باشد‪ ،‬بایاس اضافه می‌شود تا خروجی غیرصفر شود یا چیز دیگری برای اندازه‌گیری پاسخ سیس‪0‬تم‪ .‬بای‪0‬اس‬
‫ورودی یکسانی دارد و وزن برابر با ‪ 1‬است‪ .‬در اینجا مجموع ورودی های وزنی می توان‪0‬د در مح‪0‬دوده ‪0‬‬
‫تا بی نهایت مثبت باشد‪ .‬در اینجا‪ ،‬برای حف‪00‬ظ پاس‪00‬خ در مح‪00‬دوده مق‪00‬دار م‪00‬ورد نظ‪00‬ر‪ ،‬ح‪00‬داکثر مق‪00‬دار معی‪00‬نی‬
‫محک زده می‌شود و مجموع ورودی‌های وزن‌دار از تابع فعال‌سازی عبور داده می‌شود‪]40[.‬‬

‫تابع فعال سازی به مجموعه ای از توابع انتقال مورد استفاده برای دستیابی ب‪00‬ه خ‪00‬روجی م‪00‬ورد نظ‪00‬ر اش‪00‬اره‬
‫دارد‪ .‬ن‪00‬وع متف‪00‬اوتی از ت‪00‬ابع فع‪00‬ال س‪00‬ازی وج‪00‬ود دارد‪ ،‬ام‪00‬ا در درج‪00‬ه اول مجموع‪00‬ه ای از تواب‪00‬ع خطی ی‪00‬ا‬
‫غیرخطی است در شکل ‪ 9-1‬توابع توابع پله ای(چپ) وتابع سیگما وار(راست)‪ .‬آورده شده است‪.‬‬
 ‫شکل ‪-9-1‬توابع پله ای(چپ) وتابع سیگما وار(راست)‬

‫مزایای شبکه عصبی مصنوعی (‪)ANN‬‬

‫قابلیت پردازش موازی‪:‬شبکه های عصبی مصنوعی دارای یک مقدار عددی هس‪00‬تند ک‪00‬ه می توانن‪00‬د‬ ‫‪‬‬
‫بیش از یک کار را به طور همزمان انجام دهند‪.‬‬

‫ذخیره سازی داده ها در کل شبکه‪:‬داده هایی که در برنامه نویس‪00‬ی س‪00‬نتی اس‪00‬تفاده می ش‪00‬وند در ک‪00‬ل‬ ‫‪‬‬
‫شبکه ذخیره می شوند نه در پایگاه داده‪ .‬ناپدید شدن چند قطعه داده در یک مکان مانع از کار شبکه‬
‫نمی شود‪.‬‬

‫توانایی کار با دانش ناقص‪:‬پس از آموزش ‪ ،ANN‬اطالعات ممکن است حتی ب‪00‬ا داده ه‪00‬ای ناک‪00‬افی‬ ‫‪‬‬
‫خروجی تولید کند‪ .‬از دست دادن عملکرد در اینجا به اهمیت داده های از دست رفته بستگی دارد‪.‬‬

‫داشتن توزیع حافظه‪:‬برای اینکه ‪ ANN‬قادر به تط‪00‬بیق باش‪00‬د‪ ،‬تع‪00‬یین نمون‪00‬ه ه‪00‬ا و تش‪00‬ویق ش‪00‬بکه ب‪00‬ا‬ ‫‪‬‬
‫توجه به خروجی مورد نظر با نشان دادن این نمونه ها به ش‪00‬بکه مهم اس‪00‬ت‪ .‬ت‪00‬والی ش‪00‬بکه ب‪00‬ه ط‪00‬ور‬
‫مستقیم با نمونه های انتخاب شده متناسب است و اگر رویداد نتوان‪00‬د در تم‪00‬ام جنب‪00‬ه ه‪00‬ایش در ش‪00‬بکه‬
‫ظاهر شود‪ ،‬می تواند خروجی نادرست تولید کند‪.‬‬
‫تحمل خطا‪:‬اخاذی از یک یا چند سلول ‪ ANN‬آن را از تولید خ‪00‬روجی من‪00‬ع نمی کن‪00‬د و این وی‪00‬ژگی‬ ‫‪‬‬
‫باعث می شود شبکه تحمل خطا را داشته باشد‪]41[.‬‬

‫تفاوت های عمده بین شبکه های بیولوژیکی و مصنوعی‬

‫اندازه‪:‬مغز ما حدود ‪ 86‬میلیارد نورون و بیش از ‪ 100‬تصال سیناپس دارد‪ .‬تعداد "نورون ها"‬ ‫‪‬‬
‫در شبکه های مصنوعی بسیار کمتر از آن است‪.‬‬

‫انتقال و پردازش سیگنال‪:‬مغز انس‪00‬ان ب‪00‬ه ص‪00‬ورت ناهمزم‪00‬ان ک‪00‬ار می کن‪00‬د‪ ANN ،‬ه‪00‬ا ب‪00‬ه ط‪00‬ور‬ ‫‪‬‬
‫همزمان کار می کنند‪.‬‬
‫سرعت پردازش‪:‬تک نورون های بیولوژیکی کند هستند‪ ،‬در حالی که نورون های استاندارد در‬ ‫‪‬‬
‫‪ ANN‬ها سریع هستند‪.‬‬
‫توپولوژی‪:‬شبکه‌های عصبی بیولوژیکی توپولوژی‌های پیچیده‌ای دارند‪ ،‬در حالی که شبکه‌های‬ ‫‪‬‬
‫عصبی مصنوعی اغلب در یک ساختار درختی هستند‪.‬‬

‫تحمل خطا‪:‬شبکه‌های عصبی بیولوژیکی به دلیل توپولوژی آن‌ها نسبت به خط‪00‬ا ن‪00‬یز مق‪00‬اوم‬ ‫‪‬‬

‫هستند شبکه‌های عصبی مصنوعی برای تحمل خطا یا بازس‪00‬ازی خ‪00‬ود مدل‌س‪00‬ازی نمی‌ش‪00‬وند‬
‫(مثل خستگی‪ ،‬این ایده‌ها برای عملیات ماتریس قابل اجرا نیستند) اگرچ‪00‬ه بازی‪00‬ابی ب‪00‬ا ذخ‪00‬یره‬
‫وضعیت فعلی (مقادیر وزن مدل و ادامه آموزش از آن ذخیره امکان‌پذیر است‪.‬‬

‫مصرف ان‪mm‬رژی‪ :‬مغز ح‪00‬دود ‪ 20‬درص‪00‬د از ک‪00‬ل ان‪00‬رژی ب‪00‬دن انس‪00‬ان را مص‪00‬رف می کن‪00‬د ‪-‬‬ ‫‪‬‬

‫علیرغم برش بزرگ‪ ،‬مغز یک بزرگسال( با حدود ‪ 20‬وات) به سختی برای روش‪00‬ن ک‪00‬ردن‬
‫یک المپ کافی است در حالی یک کارت گرافیک به تنهایی با ‪ 250‬وات کار می کن‪00‬د و ب‪00‬ه‬
‫منبع تغذیه نیاز دارد‪ .‬ماشین های ما نسبت به سیستم های بیولوژیکی کارایی کم‪00‬تری دارن‪00‬د‪.‬‬
‫رایانه ها همچنین هنگام استفاده گرمای زیادی تولید می کنند‪ ،‬با ‪ GPU‬های مصرف کننده به‬
‫جای ‪ 37.5-36.5‬درجه سانتیگراد بین ‪ 50‬تا ‪ 80‬درجه سانتیگراد کار می کنند‪.‬‬

‫زمینه ی کابرد‪ ANN:‬ها تخصصی هس‪0‬تند‪ .‬آنه‪0‬ا می توانن‪0‬د ی‪0‬ک ک‪0‬ار را انج‪0‬ام دهن‪0‬د‪ .‬آنه‪0‬ا‬ ‫‪‬‬

‫ممکن است در بازی شطرنج ع‪00‬الی باش‪00‬ند‪ ،‬ام‪00‬ا در ب‪00‬ازی ک‪00‬ردن (ی‪00‬ا ب‪00‬رعکس) شکس‪00‬ت می‬
‫خورند‪ .‬شبکه های عصبی بیولوژیکی می توانند وظایف کامًال جدیدی را بیاموزند‪.‬‬
‫‪ ‬الگوریتم آموزشی‪:‬شبکه های عصبی مصنوعی از کاهش گرادیان ‪13‬برای یادگیری استفاده می کنن‪00‬د‪ .‬مغ‪00‬ز‬
‫انسان از چیزی متفاوت استفاده می کند‪]42[.‬‬

‫هدف از این مطالعه پیشنهاد مدل‌های مبتنی بر یادگیری ماشین ب‪00‬ر مبن‪00‬ای ه‪00‬وش مص‪00‬نوعی ی‪00‬ا ش‪00‬بکه ه‪00‬ای‬
‫عصبی مصنوعی برای پیش‌بینی ‪ 4CH‬است‪-‬دما و فشار تشکیل هی‪00‬درات ب‪00‬رای طی‪00‬ف وس‪00‬یعی از محل‪00‬ول‬
‫های آب نمک تک نمک وچند نمک جمع آوری و پایگاه داده شامل ‪ 1200‬نمونه داده ب‪00‬رای آب خ‪00‬الص‪،‬‬
‫آب نمک تک نمک و سیستم چند نمکی تشکیل گردی‪0‬ده اس‪0‬ت و از ش‪0‬بیه س‪0‬ازی ه‪0‬وش مص‪0‬نوعی ب‪0‬رای‬
‫پیش‌بینی دقیق داده‌های ‪ P-T‬تشکیل هیدرات متان استفاده شده است‪.‬‬
‫طرح کلی پژوهش‬
‫این پایان نامه ازپنج فصل تشکیل شده است که ‪:‬‬
‫فصل اول‪ :‬به زمینه علمی و وانگیزه ومبانی علمی مرتبط با موضوع هیدرات های گازی پرداخته‬ ‫‪‬‬
‫شده است‪.‬‬
‫فصل دوم‪ :‬مروری بر تحقیقات گذشته در زمینه هیدرات های گازی وک‪0‬اربرد ه‪0‬وش مص‪00‬نوعی در‬ ‫‪‬‬
‫مدلسازی وشبیه سازی فرآیندهای تشکیل هیدرات انجام شده است‪.‬‬
‫فصل سوم ‪ :‬مربوط ب‪00‬ه توص‪00‬یف ترمودینامی‪00‬ک و س‪00‬ینتیک تش‪00‬کیل هی‪00‬درات گ‪00‬از وتع‪00‬اریف ه‪00‬وش‬ ‫‪‬‬
‫مص‪00‬نوعی اس‪00‬ت ک‪00‬ه ش‪00‬امل روش شناس‪00‬ی پ‪00‬ژوهش و ارائ‪00‬ه رابط‪00‬ه معق‪0‬ول بین فیزی‪00‬ک‪ ،‬نیروه‪00‬ا و‬
‫پتانسیل ها و همچنین پیوند آنها با پارامترهای قابل اندازه گیری است‪.‬‬
‫فص‪00‬ل چه‪00‬ارم ‪:‬ش‪00‬امل آن‪00‬الیز داده ه‪00‬ای ترم‪00‬و س‪00‬نتیکی مرب‪00‬وط ب‪00‬ه هی‪00‬درات ه‪00‬ای گ‪00‬ازی در ق‪00‬الب‬ ‫‪‬‬
‫نمودارهای گرافیکی می باشد وخروجی شبیه سازی هوش مصنوعی وآن‪0‬الیز وبحث در ب‪0‬اره نت‪0‬ایج‬
‫آمده است‬

‫فصل پنجم‪ :‬شامل بحث ونتیجه گیری ومقایسه نتایج شبیه سازی ب‪00‬ا پ‪00‬زوهش ه‪00‬ای گذش‪00‬ته واعتب‪00‬ار‬ ‫‪‬‬
‫سنجی مدل وشبیه سازی انجام شده در پزوهش حاضر می باشد‪.‬‬

‫‪13‬‬
‫‪Gradient Descent‬‬
 ‫فصل ‪2‬‬

‫مروری بر ادبیات وپژوهش های گذشته‬

‫مقدمه‬

‫در سال‌های اخیر‪ ،‬تعدادی از محققین کاربرد یادگیری ماشین را در توسعه مدل‌های پیش‌بینی بررس‪00‬ی‬

‫کرده‌اند‪ ،‬زیرا این تکنیک‌ها دقت پیش‌بینی امیدوارکننده‌ای را نشان داده‌اند ‪ .‬اخ‪00‬یرًا اس‪00‬تفاده از تکنی‪00‬ک‬

‫های یادگیری ماشین در پیش بینی شرایط تشکیل هیدرات گاز بیشتر م‪00‬ورد توج‪00‬ه ق‪00‬رار گرفت‪00‬ه اس‪00‬ت‪.‬‬

‫سروش و همکاران (‪ )2015‬مدلی ب‪0‬ر اس‪0‬اس روش ش‪0‬بکه عص‪00‬بی مص‪00‬نوعی (‪ )ANN‬ب‪0‬رای تخمین‬

‫دمای تشکیل هیدرات برای مخلوط‌های گ‪00‬ازی مختل‪00‬ف پیش‪00‬نهاد ک‪00‬رد‪ .‬آنه‪00‬ا از ‪ 279‬نقط‪00‬ه داده تج‪00‬ربی‬

‫برای ساخت شبکه خود استفاده کردند‪ .‬آنها توانستند نشان دهند که پیش‌بینی‌های مدل ‪ ANN‬پیشنهادی‬

‫به طور منطقی با داده‌ه‪00‬ای تج‪00‬ربی مط‪00‬ابقت دارد‪ .‬مص‪00‬باح و همک‪00‬اران (‪ )2017‬م‪00‬دلی را ب‪00‬ر اس‪00‬اس‬

‫الگوریتم ‪( LSSVM‬ماشین بردار پشتیبان حداقل مربع) برای پیش‌بینی دم‪0‬ای تش‪0‬کیل هی‪0‬درات ب‪0‬رای‬

‫طیف وسیعی از مخلوط‌های گاز طبیعی با استفاده از ‪ 279‬نقطه داده تجربی ایجاد کرد‪ .‬مدل آنه‪00‬ا دقت‬
 ‫باالیی با ضریب همبستگی مجذور (‪ 0.9918 )R2‬ارائه کرد ‪ ..‬در ادامه‪ ،‬آمار (‪ )2021‬دمای تشکیل‬

‫هیدرات گازهای طبیعی را با اس‪00‬تفاده از م‪00‬دل برنام‪00‬ه ری‪00‬زی بی‪00‬ان ژن (‪ )GEP‬مدلس‪00‬ازی ک‪00‬رد‪ .‬ی‪00‬ک‬

‫پایگاه داده حاوی ‪ 279‬نقطه داده تجربی اس‪00‬تفاده ش‪00‬د‪ .‬م‪00‬دل ‪ GEP‬توس‪00‬عه‌یافته می‌توان‪00‬د دم‪00‬ای تش‪00‬کیل‬

‫هیدرات را با میانگین خطای نسبی مطلق (‪ 0.1397% )AARE‬به ط‪00‬ور دقی‪00‬ق تخمین بزن‪00‬د ‪.‬پایگ‪00‬اه‬

‫داده مورد اس‪00‬تفاده مش‪00‬ابه مص‪00‬باح و همک‪00‬اران ب‪00‬ود‪ )2017( .‬اخ‪00‬یرا‪ ،‬ژو ‪14‬و همک‪00‬اران از پنج اب‪00‬زار‬

‫مختل‪00‬ف پیش‌بی‪00‬نی ی‪00‬ادگیری ماش‪00‬ین‪ ،‬از جمل‪00‬ه رگرس‪00‬یون خطی چندگان‪00‬ه اس‪00‬تفاده ک‪00‬رد‪ .‬پش‪00‬تیبانی از‬

‫رگرسیون برداری‪-k ،‬نزدیکترین همسایه‪ ،‬رگرسیون تقویت کننده گرادیان‪ ،‬و جنگل تص‪00‬ادفی‪ ،‬ب‪00‬رای‬

‫پیش بینی ش‪0‬رایط تش‪0‬کیل هی‪0‬درات ‪ 4CH‬در آب نم‪0‬ک ه‪0‬ای مختل‪0‬ف‪ .‬آنه‪0‬ا از ‪ 702‬نمون‪0‬ه داده در این‬

‫زمینه استفاده کردند و به نتایج عالی دست یافتند‪ .‬در بین مدل‌های آنها‪ ،‬رگرسیون تقویت گرادیان بهتر‬

‫از مدل‌های دیگر عمل کرد‪ . .‬درجدول ‪ 1-2‬بصورت کلی ش‪00‬رحی از فع‪00‬الیت ه‪00‬ای انج‪00‬ام ش‪00‬ده در زمین‪00‬ه ک‪00‬اربرد‬

‫هوش مصنوعی در محلول های الکترولیت وتشکیل هیدرات گازی متان آورده شده است‪.‬‬

‫تعداد نقاط‬ ‫مرجع‬ ‫سال‬ ‫محلول(آب ‪+‬نمک)‬

‫انتشار‬
‫‪28‬‬ ‫مائکاوا و ایمای‬ ‫‪2006‬‬
‫‪6‬‬ ‫هو و همکاران‬ ‫‪2017‬‬
‫‪17‬‬ ‫کمری و همکاران‬ ‫‪2017‬‬
‫‪13‬‬ ‫باوانگیرکار و سانگوای‬ ‫‪2021‬‬
‫‪10‬‬ ‫محمدی و همکاران‬ ‫‪2009‬‬ ‫‪CaBr2‬‬
‫‪6‬‬ ‫هو و همکاران‬ ‫‪2017‬‬
‫‪41‬‬ ‫باوانگیرکار و سانگوای‬ ‫‪2021‬‬
‫‪26‬‬ ‫خرات و دالمازون‬ ‫‪2003‬‬ ‫‪CaCl2‬‬
‫‪6‬‬ ‫اتیک و همکاران‬ ‫‪2006‬‬
‫‪12‬‬ ‫محمدی و همکاران‬ ‫‪2008‬‬
‫‪20‬‬ ‫هو و همکاران‬ ‫‪2018‬‬
‫‪21‬‬ ‫آرگبه و همکاران‬ ‫‪2019‬‬
‫‪14‬‬ ‫دو و همکاران‬ ‫‪2019‬‬
‫‪5‬‬ ‫لی و همکاران‬ ‫‪2020‬‬
‫‪10‬‬ ‫محمدی و همکاران‬ ‫‪2009‬‬ ‫‪3‬‬ ‫‪CO2K‬‬

‫‪14‬‬
‫‪Xu‬‬
 ‫‪12‬‬ ‫محمدی و همکاران‬ ‫‪2009‬‬ ‫‪KBr‬‬
‫‪13‬‬ ‫محمدی و همکاران‬ ‫‪2008‬‬ ‫‪KCl‬‬
‫‪3‬‬ ‫حقیقی و همکاران‬ ‫‪2009‬‬
‫‪15‬‬ ‫چا و همکاران‬ ‫‪2016‬‬
‫‪27‬‬ ‫هو و همکاران‬ ‫‪2017‬‬
‫‪23‬‬ ‫آرگبه و همکاران‬ ‫‪2019‬‬
‫‪7‬‬ ‫لی و همکاران‬ ‫‪2020‬‬
‫‪15‬‬ ‫کمری و همکاران‬ ‫‪2017‬‬ ‫‪KHCOO‬‬
‫‪40‬‬ ‫باوانگیرکار و سانگوای‬ ‫‪2021‬‬ ‫‪2MgBr‬‬

‫‪22‬‬ ‫کانگ و همکاران‬ ‫‪1998‬‬ ‫‪2MgCl‬‬

‫‪21‬‬ ‫اتیک و همکاران‬ ‫‪2006‬‬

‫‪4‬‬ ‫حقیقی و همکاران‬ ‫‪2009‬‬
‫‪10‬‬ ‫محمدی و همکاران‬ ‫‪2009‬‬
‫‪6‬‬ ‫چونگ و همکاران‬ ‫‪2017‬‬
‫‪5‬‬ ‫دو و همکاران‬ ‫‪2019‬‬
‫‪5‬‬ ‫لی و همکاران‬ ‫‪2020‬‬
‫‪13‬‬ ‫‪ 2006‬مائکاوا و ایمای‬ ‫‪NaI‬‬
‫‪27‬‬ ‫‪ 2006‬مائکاوا و ایمای‬ ‫‪NaBr‬‬
‫‪13‬‬ ‫‪ 2009‬محمدی و همکاران‬
‫‪23‬‬ ‫د رو و همکاران‬ ‫‪1983‬‬ ‫‪NaCl‬‬
‫‪6‬‬ ‫ذوالبهای و همکاران‬ ‫‪1991‬‬
‫‪50‬‬ ‫مائکاوا و همکاران‬ ‫‪1995‬‬
‫‪42‬‬ ‫جاگر و اسلون‬ ‫‪2001‬‬
‫‪30‬‬ ‫مائکاوا و ایمای‬ ‫‪2006‬‬
‫‪5‬‬ ‫محمدی و همکاران‬ ‫‪2008‬‬
‫‪6‬‬ ‫حقیقی و همکاران‬ ‫‪2009‬‬
‫‪16‬‬ ‫چا و همکاران‬ ‫‪2016‬‬
‫‪28‬‬ ‫هو و همکاران‬ ‫‪2017‬‬
‫‪36‬‬ ‫آرگبه و همکاران‬ ‫‪2019‬‬
‫‪7‬‬ ‫لی و همکاران‬ ‫‪2020‬‬
‫‪15‬‬ ‫کمری و همکاران‬ ‫‪2017 NaHCOO‬‬
‫‪9‬‬ ‫مائکاوا و ایمای‬ ‫‪2006‬‬ ‫‪NaI‬‬
‫‪21‬‬ ‫چا و همکاران‬ ‫‪2016‬‬ ‫‪lC4NH‬‬
‫‪38‬‬ ‫باوانگیرکار و سانگوای‬ ‫‪2021‬‬ ‫‪ZnBr2‬‬
‫‪3‬‬ ‫هو و همکاران‬ ‫‪2017‬‬ ‫‪2CaCl+2MgCl‬‬

‫‪24‬‬ ‫ذوالبهای و همکاران‬ ‫‪1991‬‬ ‫‪2NaCl+CaCl‬‬

‫‪3‬‬ ‫هو و همکاران‬ ‫‪2017‬‬ ‫‪2NaCl+CaCl+2MgCl‬‬

‫‪31‬‬ ‫ذوالبهای و همکاران‬ ‫‪1991‬‬ ‫‪NaCl+KCl‬‬

‫‪6‬‬ ‫هو و همکاران‬ ‫‪2017‬‬ ‫‪2NaCl+KCl+CaCl+2MgCl‬‬

‫جدول ‪ -1-2‬منابع پایگاه داده جمع آوری شده با تعداد نمونه داده ها برای هر آب نمک‬

‫‪ Elgibaly‬و )‪ Elkamel (1998‬فشار تشکیل هیدرات گاز را با میانگین خط‪00‬ای ‪ 19‬درص‪00‬د محاس‪00‬به کردن‪00‬د‪.‬‬
‫آنها همچنین میزان بازدارنده های ترمودینامیکی مورد نیاز در یک سیستم متفاوت را ارزیابی کردند ‪Elgibaly‬‬
‫)‪ .& Elkamel, (1998‬چاپوی و همکاران (‪ )2007‬از ‪ ANN‬برای پیش‌بی‪00‬نی ش‪00‬رایط تش‪00‬کیل هی‪00‬درات گ‪00‬از‬
‫طبیعی در غیاب و حضور بازدارنده‌ها استفاده کرد چاپی و همکاران‪ .)2007 ( ،‬مرادی و همکاران (‪)2013‬یک‬
‫مدل ‪ ANN‬را به داده های تجربی هیدرات های گازی مخلوط ه‪00‬ای هی‪00‬دروکربنی دوت‪00‬ایی ب‪00‬رازش داد (م‪00‬رادی‪،‬‬
‫نظری‪ ،‬علوی و محدثی‪ .)2013( ،‬محمدی و ریچون ‪ 2010‬و محم‪00‬دی‪ ،‬بلن‪00‬دریا ریچ‪00‬ون و‪.‬م‪00‬ادی و ریچ‪00‬ون‪( ،‬‬
‫‪ .)2009‬مدل‌های ‪ ANN‬را برای پیش‌بینی شرایط تشکیل هی‪00‬درات هی‪00‬دروژن و مت‪00‬ان در حض‪00‬ور پروموتوره‪00‬ا‬
‫(ترت‪-‬ب‪00‬وتیالمین و تتراهی‪00‬دروفوران) توس‪00‬عه دادن‪00‬د‪ .‬باباخ‪00‬انی و همک‪00‬اران در س‪00‬ال (‪ )2015‬پس از ارزی‪00‬ابی م‪00‬دل‬
‫‪ ANN‬خطای نسبی ‪ %1.02‬مشاهده شد (باباخانی‪ ،‬بهمنی‪ ،‬شریعتی‪ ،‬ب‪00‬در و بل‪00‬وچی‪ .)1394 ،‬محم‪00‬دی و همک‪00‬اران در‬
‫سال (‪ ) 2010‬شرایط تشکیل تتراهیدروفوران و متان‪ ،‬نیتروژن یا هیدرات دی اکسید کربن‪ ،‬هیدروژن و هیدرات ت‪00‬ترا‪-‬‬
‫‪-n‬بوتیل آمونیوم برومید محاسبه شد‪ .‬مدل ‪ ANN‬توسعه‌یافته سیستم‌های گاز اسیدی را ارزیابی می‌کند و به‌دست می‌آی‪00‬د‬
‫نتایج رضایت بخش باباخانی و همکاران‪ )2015( ،‬قوی پور و همک‪0‬اران‪)2013( ،‬؛ محم‪0‬دی‪ ،‬م‪0‬ارتینز‪-‬ل‪0‬وپز‪ ،‬و‬
‫ریچون‪ )2010( ،‬زارع نژاد و امینیان‪ .)2012( ،‬رب‪00‬اعی و همک‪00‬اران (‪)2019‬ی‪00‬ک م‪00‬دل ‪ ANN‬ب‪00‬رای محاس‪00‬به‬
‫خواص ترمودینامیکی بسته به تشکیل هیدرات های گاز برای مخل‪00‬وط ه‪00‬ای بیش‪00‬تر توس‪00‬عه داد‪ .‬م‪00‬دل توس‪00‬عه‌یافته‬
‫همچنین برخی از خواص ترمودینامیکی هیدرات‌های گ‪0‬ازی مانن‪00‬د ویس‪0‬کوزیته چگ‪0‬الی‪ ,‬ض‪0‬ریب ت‪0‬راکم و ت‪00‬راکم‬
‫فشار‪ ،‬بخار‪ ،‬ضریب انتقال حرارت و تعادل بخار‪-‬مایع را ارزیابی کرد‪.‬‬

‫حیدری و همک‪0‬اران (‪ )2006‬و زاه‪0‬دی و همک‪0‬اران‪)2009( .‬ی‪00‬ک م‪0‬دل ‪ ANN‬را ب‪00‬رای محاس‪0‬به دم‪0‬ای تش‪0‬کیل‬
‫هیدرات آموزش داد حیدری‪ ،‬شایسته و کمال زاده‪ )2006( ،‬زاهدی و همکاران‪ .)2009(،‬مه‪00‬ری زاده از ش‪00‬بکه‬
‫های عصبی مصنوعی برای پیش بینی شرایط تش‪00‬کیل هی‪00‬درات گ‪00‬از در حض‪00‬ور بازدارن‪00‬ده ه‪00‬ای ترمودین‪00‬امیکی‬
‫اس‪0‬تفاده کردمه‪0‬ری زاده‪ .)2020( ،‬س‪0‬روش و همک‪0‬اران (‪)2015‬از م‪0‬دل ‪ ANN‬ب‪00‬رای پیش بی‪00‬نی دم‪0‬ای تش‪0‬کیل‬
‫هیدرات گاز ط‪00‬بیعی اس‪00‬تفاده ک‪00‬رد‪ .‬آنه‪00‬ا می‪00‬انگین مج‪00‬ذور خط‪00‬ای ک‪00‬ل را تنه‪00‬ا ‪ 0.349‬مش‪00‬اهده کردن‪00‬د س‪00‬روش و‬
‫همکاران‪ .)2015( ،‬مصباح و همکاران ‪ 2017‬یک الگوریتم یادگیری نظارت شده‪ ،‬یع‪00‬نی ‪ ،MLP ANN‬ب‪00‬رای‬
‫پیش بینی فشار تفکیک هیدرات نیمه کلترات برای دی اکسید کربن و مخلوط های دوتایی آن توسعه داد‪.‬‬
‫کسر مولی‬ ‫یون‬ ‫غلظت (درصد وزنی)‬ ‫آب نمک‬
‫‪0.1167 - 0.0066‬‬ ‫‪⁺Na‬‬ ‫‪32 - 0.1‬‬ ‫‪CaBr2‬‬
‫‪0.1388 – 0.0064‬‬ ‫‪⁺K‬‬ ‫‪35.5 - 1.5‬‬ ‫‪CaCl2‬‬
‫‪0.0361 - 0.0174‬‬ ‫‪+NH4‬‬ ‫‪5-10‬‬ ‫‪K2CO3‬‬
‫‪0.0139 - 0.0001‬‬ ‫‪⁺Zn‬‬ ‫‪5-10‬‬ ‫‪KBr‬‬
‫‪+‬‬
‫‪0.0820 - 0.0001‬‬ ‫‪Ca2‬‬ ‫‪40 - 2.6‬‬ ‫‪KCl‬‬
‫‪+‬‬
‫‪0.0323 - 0.0001‬‬ ‫‪Mg2‬‬ ‫‪5-20‬‬ ‫‪KHCOO‬‬
 ‫‪0.1640 - 0.0038‬‬ ‫‪⁻Cl‬‬ ‫‪15 - 0.1‬‬ ‫‪2‬‬‫‪MgBr‬‬
‫‪0.0814 - 0.0002‬‬ ‫‪⁻Br‬‬ ‫‪1-15‬‬ ‫‪MgCl2‬‬
‫‪0.0132 - 0.0132‬‬ ‫‪I‬‬ ‫‪10-10‬‬ ‫‪Na2SO4‬‬
‫‪0.0621 - 0.0111‬‬ ‫‪⁻HCOO‬‬ ‫‪5-20‬‬ ‫‪NaBr‬‬
‫‪-‬‬
‫‪0.0143 - 0.0068‬‬ ‫‪Co32‬‬ ‫‪30 - 2.1‬‬ ‫‪NaCl‬‬
‫‪-‬‬
‫‪0.0139 - 0.0139‬‬ ‫‪SO42‬‬ ‫‪5-20‬‬ ‫‪NaHCOO‬‬
‫‪10-10‬‬ ‫‪NaI‬‬
‫‪5-10‬‬ ‫‪NH4Cl‬‬
‫‪15 - 0.1‬‬ ‫‪ZnBr2‬‬

‫جدول ‪ -2-2‬محدوده غلظت های آب نمک بر اساس هر دو نوع نمک و یون‬

‫دما(کلوین)‬ ‫فشار(مگاپاسکال)‬ ‫آب‪ +‬نمک درصد نمک‬ ‫مرجع‬ ‫سال انتشار‬

‫‪275.41‬‬ ‫‪3.34‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫د رو و همکاران‬ ‫‪1983‬‬
‫‪water‬‬
‫‪275.95‬‬ ‫‪3.34‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫د رو و همکاران‬ ‫‪1983‬‬
‫‪water‬‬
‫‪277.88‬‬ ‫‪4.19‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫مائکاوا و ایمای‬ ‫‪2006‬‬
‫‪water‬‬
‫‪277.8‬‬ ‫‪4.19‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫باوانگیرکار و سانگوای‬ ‫‪2021‬‬
‫‪water‬‬
‫‪280.9‬‬ ‫‪5.72‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫مائکاوا و ایمای‬ ‫‪2006‬‬
‫‪water‬‬
‫‪281‬‬ ‫‪5.72‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫باوانگیرکار و سانگوای‬ ‫‪2021‬‬
‫‪water‬‬
‫‪283.3‬‬ ‫‪7.25‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫کمری و همکاران‬ ‫‪2017‬‬
‫‪water‬‬
‫‪283.1‬‬ ‫‪7.25‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫باوانگیرکار و سانگوای‬ ‫‪2021‬‬
‫‪water‬‬
‫‪284.7‬‬ ‫‪8.55‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫آدیاسمیتو و همکاران‬ ‫‪1991‬‬
‫‪water‬‬
‫‪284.8‬‬ ‫‪8.55‬‬ ‫‪0‬‬ ‫‪Pure‬‬ ‫کمری و همکاران‬ ‫‪2017‬‬
‫‪water‬‬
‫‪290.41‬‬ ‫‪37.8‬‬ ‫‪12‬‬ ‫‪NaCl‬‬ ‫هو و همکاران‬ ‫‪2017‬‬
‫‪290.44‬‬ ‫‪37.8‬‬ ‫‪12‬‬ ‫‪NaCl‬‬ ‫هو و همکاران‬ ‫‪2017‬‬
‫‪293.55‬‬ ‫‪62‬‬ ‫‪12‬‬ ‫‪NaCl‬‬ ‫هو و همکاران‬ ‫‪2017‬‬

‫جدول ‪-3-2‬منابع ومحدوده تحقیقات پیشین‬