غلامحسین روشنی

چکیده : برخی اوقات به علت تغییرات دما و فشار، شرایط عملیاتی ناپایداری در خطوط لوله انتقال فرآورده های نفتی به وجود می آید که طی آن، هم رژیم جریان و هم چگالی فاز مایع می تواند تعییر پیدا کند. در شرایط عملیاتی پایدار، فقط کسر حجمی گاز در حال تغییر می باشد و طبیعتاً یک مجهول در سیستم وجود دارد که با یک آشکارساز قابل اندازه گیری است. اما در شرایط عملیاتی ناپایدار، به علت وجود 3 مجهول در سیستم (نوع رژیم، کسر حجمی گاز، چگالی فاز مایع)، برای اندازه گیری هر کمیت حداقل به 3 معلوم (3 آشکارساز) نیاز می باشد. روش مرسوم در این حالت، استفاده از ترکیب دو روش چگالی سنجی دو مد و تضعیف چند باریکه پرتو گاما می باشد. اما در این روش یک مشکل نیز وجود دارد که آن عدم وجود یک رابطه تحلیلی و مستقیم بین خروجی (شمارش های ثبت شده) آشکارسازها و کسر حجمی گاز می باشد. برای رفع این مشکل، بهترین راه حل، استفاده از شبکه های عصبی مصنوعی است که دارای توانایی پیدا کردن یک رابطه خطی و غیرخطی بین داده ها می باشند. در این تحقیق با ترکیب دو روش چگالی سنجی دو مد و تضعیف چند باریکه پرتو گاما و همچنین استفاده از شبکه های عصبی مصنوعی، کسر حجمی گاز در شرایط عملیاتی ناپایدار پیش بینی شده است. برای تعیین کسر حجمی گاز از دو روش متفاوت استفاده شده است. در روش اول از چهار شبکه MLP و در روش دوم از یک شبکه MLP استفاده شده است. در روش اول، از یک شبکه اولیه برای تشخیص سه رژیم جریانی حلقوی، لایه لایه ای و همگن استفاده شده است. پس از تشخیص صحیح رژیم جریانی مستقل از تغییرات چگالی فاز مایع توسط شبکه اول، از سه شبکه مستقل دیگر برای برای پیش بینی کسر حجمی گاز مستقل از چگالی فاز مایع استفاده شده است. با استفاده از مدل به کار گرفته شده، خطای نسبی میانگین (MRE %) به ترتیب برای داده های تربیت و تست رژیم های حلقوی، لایه لایه ای و همگن 32/0 % و 21/4 %، 77/0 % و 95/3 %، 402/0 % و 527/0 % حاصل گردیده است. در روش دوم برای پیش بینی کسر حجمی گاز مستقل از رژیم جریانی و تغییرات چگالی فاز مایع، از یک شبکه عصبی مدل MLP استفاده شده است. با استفاده از مدل به کار گرفته شده، خطای نسبی میانگین (MRE %) به ترتیب برای داده های تربیت و تست 275/ 0 % و 24/1 % حاصل گردید. مقادیر بدست آمده از دو روش نشان می دهد که نتایج حاصل از مدل های ارائه شده دارای تط