دانلود رایگان ترجمه مقاله برآورد خلوص تری اتیلن گلیکول (TEG) در واحدهای کم آبی گاز طبیعی – الزویر ۲۰۱۴

elsevier

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تخمین خلوص تری اتیلن گلیکول یا TEG در واحدهای دهیدراسیون گاز طبیعی با استفاده از شبکه عصبی فازی

عنوان انگلیسی مقاله:

Estimation of triethylene glycol (TEG) purity in natural gas dehydration units using fuzzy neural network

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۷ صفحه با فرمت pdf
رشته های مرتبط با این مقاله شیمی
گرایش های مرتبط با این مقاله شیمی کاربردی، شیمی فیزیک و شیمی تجزیه
چاپ شده در مجله (ژورنال) مجله علوم و مهندسی گاز طبیعی – Journal of Natural Gas Science and Engineering
کلمات کلیدی TEG، دهیدراسیون گاز طبیعی، تغلیظ کننده مجدد گلیکول، ANN، پیشگویی
ارائه شده از دانشگاه شرکت ملی گاز ایران (NIGC) ، مجتمع گاز پارس جنوبی (SPGC) ، عسلویه، ایران
رفرنس دارد 
کد محصول F1370
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۳ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه نشده است  
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است 
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب

چکیده
۱-مقدمه
۲-شبکه عصبی با انتشار رو به عقب یا BPNN: یک مرور کلی
۳-تدوین یک مدل هوشمند برای پیشگویی خلوص TEG
۴-نتایج و بحث
۵-خلاصه و نتیجه گیری ها
سمبلهای بکار رفته

 

 

بخشی از ترجمه
 چکیده
گاز طبیعی معمولا حاوی مقدار زیادی آب می باشد و طی عملیات تولیدی کاملا اشباع می گردد. در واحدهای دهیدراسیون گاز طبیعی، بخار آب از طبقه بندی گاز طبیعی حذف می گردد تا مشخصات فروش یا سایر الزامات فراوری گاز طبقه پایین رعایت گردد. بسیاری روشها و اصول در پروسه دهیدراسیون گاز طبیعی برای کسب سطح بالایی از خلوص تری اتیلن گلیکول یا TEG تدوین شده اند. در میان اینها، کاهش فشار در ریبویلر در یک درجه حرارت ثابت منجر به خلوص بالاتر گلیکول می شود. هدف اصلی این مقاله تدوین یک مدل هوشمند براساس شبکه عصبی خوب اثبات شده استاندارد با تغذیه رو به جلو و انتشار رو به عقب برای پیشگویی صحیح خلوص PEG براساس شرایط عملیاتی ریبویلر می باشد. ظرفیت مدل مبتنی بر عصبی ارائه شده در تخمین خلوص TEG با بکارگیری چندین پارامتر آماری ارزیابی شده است. مشخص گردیده است که تکنیک هوشمند مطرح شده داده های گزارش شده در متون علمی را با درصد انحراف مطلق متوسط حول ۰٫۳۰% مجددا ایجاد کرده است.
 
۱- مقدمه
کلا، مقدار زیادی آب با گاز طبیعی (NG) در مخزن همراه است. به همین دلیل، NG تولید شده کاملا اشباع است یا در نقطه شبنم آب قرار دارد. با هدف رویارویی با مشخصات فروش یا سایر پروسه های گاز رده پایین مانند بازستانی مایع گاز، عملیات دهیدراسیون گاز در صنعت NG بکار گرفته می شود تا بخار آب را حذف سازد. از نقطه نظر اقتصادی و ایمنی، محتوای رطوبت آب NG باید زیر یک حدآستانه خاص نگهداری گردد.
در مواردی که افت نقطه شبنم باید در ردیف ۱۵ تا ۴۹ درجه سانتیگراد باشد، گلیکولها عموما بکار می روند. در میان گلیکولهای مختلف مانند دی اتیلن گلیکول یا DEG، تری اتیلن گلیکول یا TEG، و تترااتیلن گلیکول یا TREG، که به عنوان خشکسازهای مایع بکار میروند، متداولترین انتخاب برای دی هیدارسیون NG همان TEG است. عملیات و نگهداری تجهیزات دهیدراسیون خشکساز مایع ساده است. این نوع دهیدراسیون می تواند به سادگی برای عملیات بدون مراقب اتوماتیک سازی شود. دهیدراسیون گلیکول در یک تولید راه دور به خوبی نمونه چنین کاری است.
تصویر ۱- نشان دهنده بخش دفع کننده گاز در واحد دهیدراسیون NG می باشد. به خوبی مشخص است که کاهش فشار در ریبویلر (تغلیظ کننده مجدد) دریک درجه حرارت ثابت درخلوص بالاتر گلیکول نقش دارد. طیف عملیاتی بیشتر تغلیظ کننده های مجدد بین ۱٫۷-۵٫۲ kPa فشار است. در تغلیظ کننده های مجدد جو استاندارد، فشارهای بیش از ۷ kPa می تواند منجر به از دست رفتن گلیکول از ستون تقطیر و کاهش هم غلظت گلیکول کم و کارایی دهیدراسیون گردد. وانگهی، فشارهای بیش از ۷ kPa به طور متداول مرتبط با آب اضافه در گلیکول می باشد. متعاقبا، یک سرعت بخار خروجی از دستگاه تقطیر به قدر کافی بزرگ برای خارج سازی گلیکول ایجاد خواهد شد. ازسوی دیگر، فشارهای کمتر از جو مسئول افزایش در غلظت گلیکول کم می باشد. این نتیجه کاهش درجه حرارت جوشیدن مخلوط غلیظ گلیکول/آب می باشد.
در نتیجه مسائل فوق الذکر، ضروری است که خلوص TEG را به شکل تابعی از فشار و درجه حرارت تغلیظ کننده مجدد محاسبه نمود. هدف اصلی مطالعه کنونی ایجاد مدلی مبتنی بر عصبی برای پیشگویی صحیح خلوص TEG با بنیان ادراک چندلایه ای MLP ، شبکه عصبی مصنوعی ANN به عنوان یک الگوریتم خوب تثبیت شده از رهیافت یادگیری ماشینی است. تا انجا که نویسنده مقاله می داند، هیچ کار منتشره ای در زمینه مدلسازی خلوص PEG برحسب درجه حرارت ریبویلر در سطوح مختلف فشار در سیستم های دهیدراسیون گاز بوسیله شبکه های عصبی MLP وجود ندارد. مرور کلی ANNها، عملیات محاسباتی برای ایجاد یک مدل مناسب و نتایج مدل کنونی بقیه این مقاله را تشکیل می دهد. اخرین بخش نتیجه گیری این مقاله است.

 

بخشی از مقاله انگلیسی

Abstract

Natural gas usually contains a large amount of water and is fully saturated during production operations. In natural gas dehydration units’ water vapor is removed from natural gas streams to meet sales specifications or other downstream gas processing requirements. Many methods and principles have been developed in the natural gas dehydration process for gaining high level of triethylene glycol (TEG) purity. Among them, reducing the pressure in the reboiler at a constant temperature results in higher glycol purity. The main objective of this communication is the development of an intelligent model based on the well-proven standard feed-forward back-propagation neural network for accurate prediction of TEG purity based on operating conditions of reboiler. Capability of the presented neural-based model in estimating the TEG purity is evaluated by employing several statistical parameters. It was found that the proposed smart technique reproduces the reported data in the literature with average absolute deviation percent being around 0.30%.

۱ Introduction

Generally, large amount of water is accompanied by natural gas (NG) in the reservoir. Because of this, the produced NG is completely saturated or at the water dew point. With the aim of meeting sales specifications or other downstream gas processes like gas liquid recovery, gas dehydration operation is employed in NG industry to remove the water vapor (Bahadori, 2009a; Bahadori, 2009b; Bahadori et al., 2008). From economic and safety points of view, the water moisture content of NG must be maintained below a certain threshold (Bahadori, 2007; Bahadori and Vuthaluru, 2009a,b; Gharagheizi et al., 2013; Ghiasi, 2012; Ghiasi and Mohammadi, 2013; Masoudi et al., 2005; Mohammadi et al., 2005). In cases where dew point depressions should be of the order of 15 to 49 C, glycols are commonly used (Lubenau and Mothes, 2009). Amongst different glycols such as diethylene glycol (DEG), triethylene glycol (TEG), and tetraethylene glycol (TREG), that are used as liquid desiccants, the most common choice for NG dehydration is TEG (Piemonte et al., 2012). Operation and maintain of liquid desiccant dehydration equipment is simple (Gironi et al., 2010; Nivargi et al., 2005). This type of dehydration could be easily automated for unattended operation; glycol dehydration at a remote production well is such an example (Bahadori, 2009b; GPSA, 2004).

Fig. 1 shows the gas stripping section in NG dehydration unit. It is well-known that pressure reduction in the reboiler (reconcentrator) at a constant temperature contributes to higher glycol purity. Operating range of most reconcentrators is between 1.7 and 5.2 kPa of pressure (Stewart and Arnold, 2011; Wichert and Wichert, 2004). On standard atmospheric reconcentrators, pressures more than 7 kPa could lead to glycol loss from the still column and reduction of both lean glycol concentration and dehydration efficiency (Bahadori et al., 2014). Furthermore, pressures more than 7 kPa are commonly associated with excess water in the glycol. Consequently, a vapor velocity exiting the still great enough to sweep glycol out will be created (Stewart and Arnold, 2011). On the other hand, pressures less than atmospheric are responsible for increase in the concentration of lean glycol. This is a consequence of decrease in boiling temperature of rich glycol/water mixture (Stewart and Arnold, 2011).

As a result of aforementioned issues, it is crucial to calculate TEG purity as a function of reconcentrator pressure and temperature. The main objective of the presented study is evolving a neural-based model for accurate prediction of TEG purity on the foundation of multilayer perceptron (MLP) artificial neural network (ANN) as a well-proven algorithm of machine learning approach. To the best of author’s knowledge, there is no published work on the subject of TEG purity modeling versus reboiler temperature at various levels of pressure in gas dehydration systems by means of MLP neural networks. Overview of ANNs, computational procedure to develop a proper model, and results of the presented model constitute the rest of the manuscript. The last part concludes this communication.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

تخمین خلوص تری اتیلن گلیکول یا TEG در واحدهای دهیدراسیون گاز طبیعی با استفاده از شبکه عصبی فازی

عنوان انگلیسی مقاله:

Estimation of triethylene glycol (TEG) purity in natural gas dehydration units using fuzzy neural network

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *