غلامحسین روشنی

جریان های چند فازی به ویژه دوفازی در صنایع مختلف از جمله صنایع نفت و گاز به وقوع می پیوندد. به دلیل رفتار فازی ویژه سیستم های هیدرو کربونی علاوه بر مراحل برداشت از مخازن، در خطوط انتقال فرآورده های هیدروکربنی؛ هم قبل و هم بعد از مراحل جداسازی؛ امکان روبرو شدن با چنین جریان هایی وجود دارد. در این مطالعه سعی بر آن شد؛ که برای تشخیص نوع رژیم و تعیین درصد حجمی، با استفاده از شبکه عصبی مصنوعی؛ بهترین مشخصه در حوزه زمان استخراج شود . در این تحقیق با استفاده از شبیه ساز کد مونت کارلو سه رژیم حلقوی، لایه ای و همگن، در بازه ی کسر خالی [90%- 5%] شبیه سازی شد. در این شبیه سازی از یک چشمه سزیم 137 و دو آشکارسازNal برای ثبت فتون های عبوری استفاده شد.داده های به دست امده از شبیه سازی دارای نویز فرکانس بالابود.برای حذف نویز فرکانس بالا از فیلتر ساویتزکی- گولای استفاده شد. سپس از داده های به دست آماده هشت مشخصه مختلف در حوزه زمان استخراج، و با یکدیگر مقایسه شد. سرانجام با توجه به عدم توانایی هر یک از مشخصه ها به صورت جداگانه برای جداسازی رژیم ها و درصد های حجمی تصمیم بر آن شد از تمامی مشخصه های استخراج شده از هر دو آشکارساز به عنوان ورودی، برای آموزش، اعتبار سنجی و تست در شبکه عصبی مصنوعی پرسپترون چند لایه ، در فضای نرم افزار متلب ، مورد استفاده قرار گیرد. در این پژوهش دو شبکه عصبی مصنوعی برای تشخیص نوع رژیم و پیشبینی درصد حجمی طراحی شد. تشخیص 100% نوع رژیم جریانی و میانگین مربع خطا کمتر از 56/0 برای پیشبینی درصد حجمی، نشان دهنده اهمیت استخراج مشخصه در بالا بردن دقت شبکه های عصبی میباشد.