NATIONAL BIBLIOGRAPHY NUMBER
Country Code
IR
Number
۴۶۴۶پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
فارسی
COUNTRY OF PUBLICATION OR PRODUCTlON
Country of publication
IR
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
پیش‌بینی میزان رسوب آسفالتین با استفاده از الگوریتم‌های مختلف یادگیری ماشین
General Material Designation
[پایان‌نامه]
Parallel Title Proper
Prediction of precipitated asphaltene using different machine learning algorithms
First Statement of Responsibility
/محمد مقصودلو بالا محله
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
: مهندسی نفت
Date of Publication, Distribution, etc.
، ۱۴۰۱
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۱۱۲ص.
Other Physical Details
:
GENERAL NOTES
Text of Note
زبان: فارسی
Text of Note
زبان چکیده: فارسی
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی - الکترونیکی
NOTES PERTAINING TO PHYSICAL DESCRIPTION
Text of Note
مصور، جدول، نمودار
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی نفت- مخازن هیدروکربوری
Date of degree
۱۴۰۱/۰۶/۰۱
Body granting the degree
صنعتی سهند
SUMMARY OR ABSTRACT
Text of Note
رسوب آسفالتین یکی از مشکلات چالش‌برانگیز در مهندسی نفت است، بنابراین اهمیت بررسی رسوب آسفالتین مشخص است .رسوب آسفالتین می‌تواند باعث مسدود شدن چاه، تغییر ترشوندگی و آسیب به تأسیسات شود؛ لذا با پیش‌بینی رسوب آسفالتین می‌توان از تشکیل آن در تجهیزات انتقال و درون‌چاهی جلوگیری کرد .در این پایان‌نامه با پیاده‌سازی الگوریتم جنگل تصادفی و الگوریتم‌های نزدیک‌ترین همسایه و درخت تصمیم با داشتن سه ویژگی و با پیاده‌سازی الگوریتم یادگیری جمعی با داشتن پنج ویژگی به پیش‌بینی رسوب آسفالتین پرداخته شده است .پس از ارزیابی الگوریتم‌های پیاده‌سازی شده یادگیری ماشین، الگوریتم جنگل تصادفی با سه ورودی برای پیش‌بینی آسفالتین رسوب شده به صورت تابعی از نسبت رقت، تعداد کربن رسوب‌دهنده‌ها و دما برای حل مشکل توسعه داده شد .نتایج نشان داد که این رویکرد جدید توانایی بسیار خوبی در پیش‌بینی آسفالتین رسوب شده برحسب پارامترهای ذکر شده دارد .ضرایب تعیین برای مراحل آموزش و آزمون به ترتیب ۹۷/۶۰۱۹ و ۹۲/۵۳۱۴ درصد محاسبه شده است .جذر میانگین مربعات خطا ۰/۷۹۹۸ بوده است .همچنین با به‌کارگیری الگوریتم‌های ماشین بردار پشتیبان، نزدیک‌ترین همسایه و درخت تصمیم برای ساخت الگوریتم یادگیری جمعی پیاده‌سازی شدند که در نهایت نتیجه الگوریتم یادگیری جمعی با پنج ورودی برای پیش‌بینی آسفالتین رسوب شده به صورت تابعی از دانسیته نفت، میزان آسفالتین، تعداد کربن، نسبت رقت و دما دارای ضریب تعیین آموزش و آزمون ۹۹/۵۰۳۹ و ۹۵/۴۴۱۶ درصد و همین‌طور جذر میانگین مربعات خطا ۰/۴۴۰۷ بوده است .نتایج به دست آمده دقت و پتانسیل بالای الگوریتم‌های پیاده‌سازی شده را در پیش‌بینی آسفالتین را تأیید می‌کند .بنابراین، تخمین رسوب آسفالتین با استفاده از یادگیری ماشین می‌تواند به عنوان یک روش بادقت بالا برای پیش‌بینی رفتار آسفالتین در نفت خام مورد استفاده قرار گیرد.
Text of Note
Asphaltene precipitation is one of the challenging problems in petroleum engineering, so the importance of investigating asphaltene precipitation is evident. Asphaltene deposits can block wells, change wettability, and damage facilities; Therefore, prediction of asphaltene deposition can prevent from its formation in the transmission equipments and inside the wells. In this thesis, the prediction of asphaltene deposition has been discussed by implementing a random forest algorithm, nearest neighbor, and decision tree algorithms with three features and also by implementing an ensemble learning algorithm with five features. After evaluating the machine learning algorithms, it is shown that the random forest algorithm with three input features containing precipitated asphaltene as a function of temperature, dilution ratio, and carbon number of precipitants results in the the training and testing determination coefficients of 97.6019 , and 92.5314 , and root mean square error of 0.7998. Also, the support vector machine algorithm, the nearest neighbor, and the decision tree algorithms were implemented to build an Ensemble learning algorithm. Finally, the Ensemble learning algorithm with five inputs to predict the deposited asphaltene as a function of oil gravity, asphaltene content, carbon number of precipitants, dilution ratio, and temperature leades to the determination coefficients of training and testing of 99.5039 and 95.4416 , as well as the root mean square error of 0.4407. The obtained results confirm the accuracy and high potential of the implemented algorithms in predicting asphaltene. Therefore, estimation of asphaltene deposition using machine learning can be used as a high accuracy method to predict the asphaltene behavior in crude oil
ba
PARALLEL TITLE PROPER
Parallel Title
Prediction of precipitated asphaltene using different machine learning algorithms
TOPICAL NAME USED AS SUBJECT
آسفالتین
یادگیری ماشین
رسوب آسفالتین
هوش مصنوعی
الگوریتم یادگیری جمعی
الگوریتم جنگل تصادفی
الگوریتم نزدیک‌ترین همسایه
UNCONTROLLED SUBJECT TERMS
Subject Term
Asphaltene, Machine learning, Asphaltene deposition, Artificial intelligence, Ensemble learning, Random forest algorithm, Nearest neighbor algorithm
Subject Term
آسفالتین، یادگیری ماشین، رسوب آسفالتین، هوش مصنوعی، الگوریتم یادگیری جمعی، الگوریتم جنگل تصادفی، الگوریتم نزدیک‌ترین همسایه
PERSONAL NAME - PRIMARY RESPONSIBILITY
مقصودلو بالا محله، محمد
PERSONAL NAME - SECONDARY RESPONSIBILITY
خداپناه، الناز، استاد راهنما
ORIGINATING SOURCE
Country
ایران
Date of Transaction
20230613
LOCATION AND CALL NUMBER
Call Number
نفت ،۲۰۱۳۶ ،۱۴۰۱
ELECTRONIC LOCATION AND ACCESS
Host name
ن‌یشام ی‌ریگدای ف‌لتخم ی‌اهم‌تیروگلا زا ه‌دافتسا اب ن‌یتلافسآ ب‌وسر ن‌ازیم ی‌نیبش‌یپ.pdf
Access number
عادی
Compression information
عادی
Date and Hour of Consultation and Access
4276.pdf
Date and Hour of Consultation and Access
p20136.pdf
Bits per second
0
Contact for access assistance
ایمانی
Electronic Format Type
متن
File size
0
Record control number
پ۴۶۴۶
Public note
فارسی
نمایه‌سازی قبلی
pe
TF
92029
1
a
Y
