Professional Documents
Culture Documents
پایان نامه هیدرات-1
پایان نامه هیدرات-1
1
با استفاده از شبکه عصبی مصنوعی
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؛
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
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
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
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)
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[.
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
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.
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
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