فایل های دیگر فروشنده

پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی

پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی نوع فایل: word (قابل ویرایش) تعداد صفحات : 171 صفحه چكيده خوردگی پدیده ای است که به علت تأثیر عوامل مختلف، پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی به واکنش ها و فرآیندهای

کد فایل:11916
دسته بندی: فنی مهندسی » برق ، الکترونیک ، مخابرات
نوع فایل:مقالات و پایان نامه ها

تعداد مشاهده: 4773 مشاهده

فرمت فایل دانلودی:.docx

فرمت فایل اصلی: doc

تعداد صفحات: 171

حجم فایل:4,686 کیلوبایت

  پرداخت و دانلود  قیمت: 12,000 تومان
پس از پرداخت، لینک دانلود فایل برای شما نشان داده می شود.
3 0 گزارش
  • پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی
    نوع فایل: word (قابل ویرایش)
    تعداد صفحات : 171 صفحه

    چكيده
    خوردگی پدیده ای است که به علت تأثیر عوامل مختلف، پیچیدگی بسیار زیادی دارد و به راحتی قابل مدلسازی نیست. جهت پیش بینی و مدلسازی خوردگی به واکنش ها و فرآیندهای فیزیکی، شیمیایی و الکتروشیمیایی آن توجه می شود و مدلسازی بر اساس آن انجام می گیرد. با وجود موفقیت هایی که این مدل ها داشته اند، لیکن به علت تعدد عوامل تأثیرگذار که بعضا ناشناخته نیز هستند، نیاز به مدل هایی است که با دقت بیشتری این پدیده را مدلسازی و پیش بینی کنند. ضمنا، صنایع نفت و گاز خصوصا صنایع بالادستی همواره با معضل پدیده سایش/خوردگی مواجه بوده است و علاوه بر محدودیت های ذاتی موجود در مخزن که بر توان تولید چاه های تولیدی گاز هر مخزن اثر می گذارد، محدودیت سرعت سیال در رشته تولیدی چاه به منظور پیشگیری از پدیده سایش/ خوردگی یکی دیگر از عوامل تعیین کننده ظرفیت تولیدی یک چاه گازی می باشد. یک روش معمول برای بدست آوردن سرعت تولید استفاده از رابطه ی پیشنهاد شده توسط استاندارد API RP 14E است. در این رابطه فاکتور C،که همان ثابت سرعت سایش است، در شرایط مختلف توسط استاندارد پیشنهاد شده است. تجربه نشان داده که پیشنهاد این استاندارد در بسیاری موارد محافظه کارانه است.
    هدف از این تحقیق پیش بینی نرخ خوردگی توسط شبکه عصبی و همچنین ثابت سرعت سایش توسط شبکه های عصبی مصنوعی است و پیشنهاد عددی مناسب برای ثابت C با استفاده از داده های میدانی از چاه¬های گازی مورد بحث است، بنحوی که پدیده ی سایش/خوردگی اتفاق نیافتد.
    واژه‌های کلیدی: شبکه عصبی، خوردگی فلزات، ثابت سایش، لوله مغزی، چاه گازی


    فهرست مطالب

    عنوان صفحه
    فصل اول: مقدمه 9
    ۱-۱ معرفی کل تحقیق 9
    ۱-۲ فعالیت های پیشین و تاریخچه تحقیق 11
    ۱-۳ اهداف پژوهش 17
    فصل دوم: شبکه های عصبی 18
    ۲-۱ مدلسازی نرون تنها 19
    ۲-۲ تابع فعالیت 20
    ۲-۳ معماری شبکه عصبی 21
    ۲-۳-۱ شبکه های پیشخور 22
    ۲-۳-۲ شبکه های برگشتی 22
    ۲-۴ الگوریتم های یادگیری 23
    ۲-۵ شبکه عصبی MLP 24
    ۲-۵-۱ الگوریتم پس انتشار خطا 25
    ۲-۵-۲ سیگنال خطا 26
    ۲-۵-۳ انتخاب نرخ یادگیری 26
    ۲-۵-۴ مرحله آموزش 27
    ۲-۵-۵ قابلیت تعمیم دهی 27
    ۲-۵-۶ توقف آموزش 28
    ۲-۶ شبکه RBF 29
    ۲-۶-۱ ساختار شبکه عصبی شعاعی 30
    ۲-۶-۲-۱ تعيين موقعيت مراکز 35
    ۲-۶-۲-۲ تعيين انحراف استاندارد 37
    ۲-۶-۲-۳ آموزش ماتريس وزن لايه خروجي 38
    فصل سوم: منطق فازی 40
    ۳-۱ مقدمهای بر سیستمهای فازی 40
    ۳-۲ اجزاء پایه سیستم استنتاج فازی(FIS) 45
    ۳-۲-۱ پایگاه قواعد فازی 45
    ۳-۲-۱-۱ ویژگی های مجموعه قواعد 45
    ۳-۲-۲ موتور استنتاج فازی 47
    ۳-۲-۲-۱ استنتاج مبتنی بر ترکیب قواعد 47
    ۳-۳ غیرفازی‌ساز 49
    ۳-۳-۱ غیرفازی‌ساز مرکز ثقل 49
    ۳-۳-۲ غیرفازی‌ساز میانگین مراکز 49
    ۳-۳-۳ غیرفازی‌ساز ماکزیمم 50
    فصل چهارم: سیستم های استنتاج فازی-عصبی تطبیقیANFIS)) 52
    فصل پنجم: خوردگی 54
    ۵-۱ مقدمه ای بر خوردگی 54
    ۵-۱-۱ هزینه های خوردگی 56
    ۵-۱-۲ بررسی انواع خوردگی 57
    ۵-۲ طراحی سیستم های آلی ضدخوردگی 68
    ۵-۳ خوردگي در تأسيسات نفت و گاز 70
    ۵-۳-۱ خوردگي توسط گاز خورنده دي ‌اكسيدكربن 71
    ۵-۳-۲ خوردگي توسط مايعات خورنده مخازن نفتي 73
    ۵-۳-۳ خوردگي توسط گاز خورنده سولفيد هيدروژن 73
    ۵-۴ خوردگی در سیستم های سه فازی چاه ها و لوله های گاز و روش های کنترل آن 77
    ۵-۴-۱ روش های کنترل خوردگی 77
    ۵-۴-۱-۱ بازدارنده های خوردگی 78
    ۵-۳-۱-۲ روش تثبیت pH 82
    فصل ششم: پدیده ی سایش در سیستم های تولید هیدروکربن 88
    ۶-۱ فرایند سایش در چاه های تولیدی نفت و گاز 89
    ۶-۲ مکانیزم های سایش 90
    ۶-۲-۳ آسیب پذیری تجهیزات در برابر پدیده سایش: 90
    ۶-۳-۲-۱ جنس تجهیزات 92
    ۶-۳-۲-۲ فلزات هادی و مواد مرسوم دیگر 92
    ۶-۳-۲-۳ مواد ویژه مقاوم در برابر سایش 93
    ۶-۴ سایش ناشی از ماسه یا ریز ذرات 94
    ۶-۴-۱ تولید ماسه و انتقال آن 94
    ۶-۴-۲ اندازه، شکل و سختی ذرات جامد 96
    ۶-۵ سایش/ خوردگی 97
    ۶-۶ سایش ناشی از اصابت قطرات مایع 98
    ۶-۷ کاویتاسیون 100
    ۶-۸ سایش ناشی از ذرات جامد در زانویی ها 101
    ۶-۹ سایش ذرات جامد در اتصالات Tشکل یکسر بسته 103
    ۶-۱۰ روش های پایش، جلوگیری و مدیریت پدیده سایش 104
    ۶-۱۰-۱ تکنیک های مدیریت سایش 105
    ۶-۱۰-۱-۱ کاهش دبی تولیدی 105
    ۶-۱۰-۱-۲ طراحی خط لوله 105
    ۶-۱۰-۱-۳ جداسازی و حذف ماسه از جریان 106
    ۶-۱۰-۱-۴ دستورالعمل و پیش بینی سایش 107
    ۶-۱۰-۱-۵ ارزیابی ضخامت دیواره 109
    ۶-۱۱ ابزارهای پیش بینی سایش و مروری بر تحقیقات صورت گرفته 110
    ۶-۱۱-۱ مروری بر مهمترین استانداردها در طراحی خطوط لوله و مدیریت سایش 110
    ۶-۱۱-۲ ابزارها و مدل های پیش بینی سایش 111
    ۶-۱۱-۲-۱ استاندارد API RP 14E 112
    ۶-۱۱-۲-۲ دیگر مدل های پیش بینی سایش 117
    ۶-۱۱-۳ مقایسه مدل های پیش بینی سایش در زانویی ها 124
    فصل هفتم: روش تحقیق 131
    ۷-۱ پیش بینی نرخ خوردگی 134
    ۷-۱-۱ پیش بینی نرخ خوردگی با استفاده از شبکه عصبی 134
    ۷-۱-۲ پیش بینی نرخ خوردگی با استفاده از ANFIS 141
    ۷-۲ پیش بینی ثابت سرعت سایش 151
    فصل هشتم: نتیجه گیری 158
    فصل نهم: پیشنهادات 159
    منابع 160




    برچسب ها: پیش بینی نرخ خوردگی و ثابت سرعت سایش در لوله مغزی های گاز با استفاده از شبکه عصبی نرخ خوردگی سرعت سایش لوله مغزی های گاز شبکه عصبی ابزاردقیق اتوماسیون در صنعت نفت صنعت نفت
  

به ما اعتماد کنید

تمامي كالاها و خدمات اين فروشگاه، حسب مورد داراي مجوزهاي لازم از مراجع مربوطه مي‌باشند و فعاليت‌هاي اين سايت تابع قوانين و مقررات جمهوري اسلامي ايران است.
این سایت در ستاد ساماندهی پایگاههای اینترنتی ثبت شده است.

درباره ما

تمام حقوق اين سايت محفوظ است. کپي برداري پيگرد قانوني دارد.