پيش بيني رسوب آسفالتين نفت سنتز شده تحت فشارهاي مختلف با استفاده از شبكه عصبي نوع GMDH

Prediction of asphaltene precipitation of a synthetic oil under different pressures by using of GMDH-type neural network

در اين پژوهش، شبكه عصبي نوع GMDH (دسته بندي گروهي داده هاي عددي) مبني بر الگوريتم ژنتيك جهت ارائه يك مدل غيرخطي به منظور پيش بيني رسوب آسفالتين يك نفت سبك سنتز شده استفاده شده است. درصد وزني رسوب آسفالتين براساس سه پارامتر ورودي شامل وزن مولكولي، نسبت رقت نرمال آلكان و فشار سيستم مدل سازي شده است. داده هاي مورد استفاده به دو دسته ي آموزشي و آزمايشي تقسيم شده است: %80 داده ها براي آموزش و 20% داده ها به عنوان بخش آزمايش جهت ارزيابي مدل استفاده شده است. ميانگين مربعات خطا بخش هاي آموزشي و آزمايشي به ترتيب 0.0364 و 0.0616 محاسبه شده است. نتايج مدل پيشنهاد شده تطابق خوبي با داده هاي آزمايشگاهي را نشان مي دهد.

In this research, the GMDH (Group Method of Data Handling)-type neural network based on genetic algorithm was used for presenting a nonlinear model in order to predict of a synthetic light oil asphaltene precipitation. The weight percent of asphaltene precipitation was modeled based on three input parameters including molecular weight, normal alkane dilution ratio and system pressure. The data set was divided into training and testing parts: 80% were used as data for training, 20% were as a test set used in order to evaluate the model. Mean square error of training and testing parts were calculated 0.0364 and 0.0616, respectively. The proposed model results indicate a good agreement with the experimental data.