کاربرد شبکه های عصبی و الگوریتم های ژنتیک در پیش بینی و بهینه سازی فرآیند نمک زدایی

در طول فرآیند نمک زدایی، سعی بر این است که لایه امولسیونی در سطح مشترک بین آب و نفت از بین برود. در صنایع نفت، معمولا امولسیون باعث پراکنده شدن قطرات آب در فاز پیوسته نفت می گردد. در امولسیون های نفت خام، عوامل امولسیون کننده موجود در سطح مشترک نفت و آب، از فرآیند انعقاد جلوگیری می کنند. این عوامل امولسیون کننده شامل ذرات رس و رسوبات معدنی ترکیبات شیمیایی و طبیعی مانند آسفالتین، رزین و واکس در نفت خام هستند. تکنیک های زیادی جهت به حداقل رساندن اثرات امولسیون در جداکننده های نفت و گاز وجود دارد. این تکنیک ها شامل تزریق مواد امولسیون زدا، افزایش دمای نفت، تفکیک ثقلی در ظروف بزرگ با زمان ماند بالا و همچنین ولتاژ الکتروستاتیک می باشد. هدف از انجام این مقاله بهبود کنترل تزریق مواد امولسیون زداست. طی این مطالعه مدلی با استفاده از هوش مصنوعی برای پوشش محدوده عملیاتی گسترده ای از تمام پارامترهای موثر بر میزان مصرف مواد امولسیون زدا طراحی می شود. مدل طراحی شده به عنوان یک جعبه سیاه کنترل می تواند در داخل کنترل کننده مورد استفاده قرار گیرد. در این مدل، تمام پارامترهای موثر بر میزان مصرف امولسیون زدا به عنوان ورودی و میزان مصرف مواد امولسیون زدا به عنوان خروجی مدل قرار می گیرند. آزمایش این طرح کنترل، کاهش موثر در میزان مصرف مواد امولسیون زدا را در مقایسه با روش های خطی موجود نشان می دهد. در نهایت، مدل دیگری برای برآورد آنلاین میزان نمک موجود در نفت تولیدی توسعه داده شده است. در این مدل، غلظت نمک در نفت خروجی به عنوان خروجی مدل و باقی پارامتر ها به عنوان ورودی مدل قرار می گیرند. با استفاده از ابزارهای بهینه سازی مانند ژنتیک الگوریتم، میزان بهینه امولسیون زدا در حالتی که غلظت نمک تا PTB 10 کاهش می یابد، به دست می آید.