پيش بيني شرايط ترموديناميكي تشكيل هيدرات هاي شبه كلاتريت براي سيستم هاي (متان / كربن دي اكسيد / نيتروژن) + TBAC + آب با ستفاده از شبكه هاي عصبي مصنوعي

The Prediction of Semiclathrate Hydrate Dissociation Conditions by Artificial Neural Network Tools for the Systems of (Methane / Carbon Dioxide / Nitrogen) + TBAC + Water

شبه‏كلاتریت‏ها ساختارهایی جدید از هیدرات‏های گازی هستند كه شرایط ترمودینامیكی تشكیل هیدرات گازی در آنها از هیدرات‏های كلاتریت بسیار راحت‏تر است. مدل‏های ارایه‏شده برای پیش‏بینی شرایط ترمودینامیكی شبه‏كلاتریت‏ها انگشت‏شماراند. در كار حاضر از ابزار شبكه عصبی مصنوعی با ساختار پرسپترون چندلایه برای پیش‏بینی شرایط ترمودینامیكی تشكیل هیدرات شبه‏كلاتریت برای سیستم‏های آب + تترا ان- بوتیل آمونیوم كلراید(TBAC) + متان/ كربن‏دی‏اكسید/ نیتروژن استفاده شده است. محدوده‏ای وسیع از داده‏های ترمودینامیكی موجود در مقالات، شامل 195 داده آزمایشگاهی، برای توسعه این مدل ترمودینامیكی و از TBAC با غلظت‌های 0 تا 18/36% وزنی برای آموزش شبكه استفاده شد. 85% از داده‏های آزمایشگاهی استفاده‏شده در این مقاله برای آموزش شبكه عصبی مصنوعی توسعه‏داده‏شده به كار گرفته شد. برای آزمودن شبكه توسعه‏داده‏شده، تعدادی داده آزمایشگاهی مستقل كه در آموزش شبكه از آنها استفاده نشده است به كار رفت. نتایج پیش‏بینی‏های شبكه عصبی توسعه‏داده‏شده نشان دادند كه این پیش‏بینی‏ها و داده‌های آزمایشگاهی تطابقی خوب دارند.  

Semiclathrate hydrates are new structure of gas hydrates that dramatically promote the gas hydrate dissociation conditions, but there are few thermodynamic models to predict the semiclathrate hydrate dissociation conditions. In this research, the multi-layer perceptron artificial neural network tools were employed to predict the semiclathrate hydrate dissociation conditions for the systems of methane + TBAC + water, carbon dioxide + TBAC + water, and nitrogen + TBAC + water. A wide range of experimental data which was reported in the literature was used to develop this algorithm. Mass fraction (0 - 0.3618) TBAC aqueous solution data were utilized to train the artificial neural network. %85 of literature data points were used to train and develop the network and 15% of literature data points were used to examine the developed artificial neural networks. The predicted data by the developed artificial neural network (for the systems of methane + TBAC + water, carbon dioxide + TBAC + water, and nitrogen + TBAC + water) showed an acceptable agreement with experimental data.