دانلود مقاله تحقیق پایان نامه

شبکه عصبی مصنوعی، مدل شبکه عصبی

[do_widget id=kl-erq-2]

یکی از مباحث مهم علمی، فنی و اقتصادی، مسألهی خوردگی فلزات و حفاظت تأسیسات فلزی است. بررسی مبحث خوردگی چندان ساده نیست و با همه پژوهشهای انجام شده، هنوز عوامل آنها به درستی شناخته نشده است. به غیر از بکارگیری علوم شیمی برای مقابله با خوردگی، استفاده از سایر علوم در کنترل و پیشبینی خوردگی و استفاده از نتایج آن در تعمیرات تجهیزات فلزی از اهمیت ویژهای برخوردار است. مسألهی خوردگی در صنایع نفت و گاز به دلیل داشتن ترکیبات خوردنده به شکلی جدیتر از صنایع دیگر شده است. عدم توانایی در پیشبینی نرخ خوردگی باعث میشود که زمانهای خرابی ناشی از آن نیز قابل پیشبینی نباشد که این موضوع تیمهای نگهداری و تعمیرات را دچار مشکل میکند.
تاکنون روشهای مختلفی برای مواجه با این پدیده استفاده شدهاست. مدلسازی خوردگی میتواند در شناخت بیشتر و پیشبینی مسائل برآمده از آن مؤثر باشد. دراین مدلسازیها، بیشتر از روشهای مکانیستیک با تکیه بر پیشینهی تیوریک خوردگی و فرمولهای ریاضی بوده است، اما به دلیل پیچیدگی ذاتی این پدیده، این روشها موفقیت زیادی نداشتهاند.
به دلیل پیچیدگی ذکر شده و تعدد عوامل شناخته شده و ناشناختهی تأثیرگذار بر این پدیده به نظر میرسد میتوان از روشهای داده محوری چون شبکه عصبی برای پیشبینی نرخ خوردگی استفاده کرد، البته به شرطی که داده با اندازه کافی در این زمینه موجود باشد.
این تحقیق بر مبنای استفاده از تواناییهای شبکههای عصبی برای پیشبینی نرخ خوردگی بنا نهاده شده است و بدین منظور از اطلاعات جمعآوری شده از میادین گازی تحت پوشش شرکت بهرهبرداری زاگرس جنوبی استفاده شده است.
از مباحث مهم دیگر که از اهمیت ویژه در صنایع گاز برخوردار است، پدیدهی سایش/ خوردگی میباشد. پدیده سایش در چاههایی که دارای سرعت جریان بالا و یا همراه با ذرات جامد معلق در سیال تولیدی باشد، بسیار محتمل است. حتی در شرایط عاری از شن و یا سرویسهای تمیز که شدت تولید شن حدود چند پوند در روز است، خسارات ناشی از سایش، در سرعتهای تولیدی بالا بسیار زیاد است. در صنعت، از روابط اصلاح شده تنشبرشی مانند رابطهی ارائه شده توسط استاندارد ، برای پیشبینی سرعت سایش استفاده میشود.

که در آن
Ve: سرعت سایشی سیال (فوت بر ثانیه)
: جرم حجمی مخلوط گاز و مایع در فشار و دمای عملیاتی (پوند بر فوت مکعب)
: ضریب تجربی (بدون واحد)
محدودیتها و مشکلات کاربرد معادله (1-1) برای چاهها بیشتر مربوط به مقدار ثابت “” میباشد. استاندارد API RP 14E پیشنهاد میکند که برای چاههای که تولید شن ندارند و همچنین چاههایی که با لوله مغزی از جنس آلیاژ CRA (آلیاژ مقاوم در مقابل خوردگی)، استفاده میکنند، مقادیر 150 تا 200 برای ثابت “” مد نظر قرار گیرد. اگر شن یا ماسه همراه با سیال تولید شود “” را عدد 100 در نظر میگیرند.
امروزه پس از گذشت سالها از پیدایش استاندارد API RP 14E، ناکارآمدی آن بر همگان مشخص شده است. ثابتC” ” در استاندارد API RP 14E در مواردی بسیار محتاطانه در نظر گرفته شدهاست. در این پژوهش به پیشبینی ثابت سرعت سایش (ضریب تجربی C) میپردازیم. بدین منظور از اطلاعات جمعآوری شده از میادین گازی تحت پوشش شرکت بهرهبرداری زاگرس جنوبی استفاده شدهاست.
1-2 فعالیت های پیشین و تاریخچه تحقیق
در سالهای اخیر استفاده از هوش مصنوعی در زمینه مدلسازی فرآیندهای خوردگی مورد توجه قرار گرفته است. شبکه عصبی مصنوعی تبدیل به یکی از روشهای بسیار پراستفاده در زمینه مدلسازی فرآیند خوردگی شده است. در ادامه برخی از تحقیقیات در مورد خوردگی که در آنها از شبکه عصبی برای مدلسازی استفاده شده، معرفی میگردند.
یکی از جدیترین کارهایی که برای استفاده از شبکه عصبی در مسائل خوردگی صورت گرفته و جزء اولینها در این زمینه بودهاست، پیشبینی نرخ خوردگی با استفاده از شبکه عصبی توسط اسمتس و بوگارتس بودهاست. آنها در کار خود یک شبکه عصبی تولید کردند و با استفاده از آن به پیشبینی SCC بر روی فولاد زنگ نزن نوع 304 در حضور ترکیبات کلراید و اکسیژندار و دمای مشخص پرداختند. آنها دریافتند که روش شبکههای عصبی در این امر نسبت به روش برازش سنتی برتری دارد. ]1[
در تحقیق دیگری یک مدل شبکه عصبی جهت پیشبینی تعداد و عمق حفرههای ناشی از خوردگی حفرهای تولید شد. البته اطلاعاتی در مورد توپولوژی و اندازه شبکه و نحوه آموزش آن داده نشده است. پیشرفت در عمق حفرهها و تعداد آنها به صورت مؤثر مدلسازی شد و نتایج خوبی را در مقایسه با دادههای تجربی نشان داد. ]2[
از شبکه عصبی برای پیش بینی نوع خوردگی از منحنی پلاریزاسیون استفاده شده است. ورودیهای شبکه چگالی و پتانسیل خوردگی حفرهای بوده و خروجیهای آن ریسک به وجود آمدن هر کدام از خوردگیهای عمومی، حفرهای و شکننده بوده است. ]3[
نسیک و همکاران در مقالهای به دو مشکل مهم که باعث میشود از شبکههای عصبی کمتر در مباحث خوردگی استفاده شود اشاره کردهاند. اولین دلیل را عدم آشنایی مهندسان خوردگی با مقوله هوش مصنوعی و شبکه عصبی و کاربرد آن در پیشبینی خوردگی دانستهاند و دلیل دوم آن را عدم وجود دادههای کافی در این امر دانستهاند. البته در این مقاله در بخش اول توضیحاتی در مورد شبکه عصبی برای آشنایی مهندسان خوردگی آمدهاست و در بخش دوم روش مونت کارلو معرفی شده و در حین آن یک کار عملی انجام شده است. ]4[
تراساتی و گابتا در تحقیقاتی یک شبکه عصبی تولید کردند که از نفت خام، عدد اسید و درصد سولفور، از ترکیبات شیمیایی مواد، درصد کرومیوم و درصد مولیبدینم، از شرایط عملیاتی فرآیند (دما، فشار و نرخ جریان) را به عنوان ورودی و از نرخ خوردگی با واحد میلیمتر در سال (mpy) به عنوان خروجی استفاده کردند و نرخ خوردگی را با موفقیت از طریق شبکه عصبی تولید شده پیشبینی نمودند. ]5[

]]>