08 مهر 1401
غلامحسين روشني

غلامحسین روشنی

مرتبه علمی: دانشیار
نشانی:
تحصیلات: دکترای تخصصی / مهندسی هسته ای
تلفن:
دانشکده: دانشکده انرژی

مشخصات پژوهش

عنوان
تحلیل مشخصهای سیگنال در حوزه ی زمان به منظور تشخیص نوع رژیم و تعیین درصد حجمی در سیالات دو فازی
نوع پژوهش مقاله ارائه شده
کلیدواژه‌ها
استخراج مشخصه، سیالات دو فازی، شبکه عصبی، شبیه ساز کد مونت کارلو
پژوهشگران محمد امیر ستاری (نفر اول)، نسترن کرانی (نفر دوم)، احسان ناظمی (نفر سوم)، رابرت هنوس (نفر چهارم)، غلامحسین روشنی (نفر پنجم)

چکیده

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.