عنوان

بررسی شرایط رسوب آسفالتین با استفاده از هوش مصنوعی

کد کشور

IR

شماره

۴۵۷۰پ

زبان متن نوشتاري يا گفتاري و مانند آن

فارسی

کشور محل نشر

IR

عنوان اصلي

بررسی شرایط رسوب آسفالتین با استفاده از هوش مصنوعی

نام عام مواد

[پایان‌نامه]

عنوان اصلي به زبان ديگر

Investigation of asphaltene deposition conditions using artificial intelligence

نام نخستين پديدآور

/محمد ناوشکی

نام ناشر، پخش کننده و غيره

: مهندسی نفت و گاز

تاریخ نشرو بخش و غیره

، ۱۴۰۰

نام خاص و کميت اثر

۸۸ص.

ساير جزييات

:

متن يادداشت

زبان: فارسی

متن يادداشت

زبان چکیده: فارسی

متن يادداشت

چاپی - الکترونیکی

متن يادداشت

مصور، جدول، نمودار

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی نفت- مخازن هیدروکربوری

زمان اعطا مدرک

۱۴۰۰/۰۷/۰۱

کسي که مدرک را اعطا کرده

صنعتی سهند

متن يادداشت

پیش بینی میزان رسوب آسفالتین یکی از مباحث مهم بهره برداری در صنعت نفت می باشد .از آنجایی که که پیش بینی شرایط رسوب آسفالتین می تواند از مشکلات رسوب کردن آسفالیتن در تجهیزات انتقال و درون چاهی جلوگیری نمود، اهمیت بسزایی دارد .در این پایان نامه با مدل سازی الگوریتم ماشین بردار پشتیبان با دو تابع مختلف و دو الگوریتم درخت تصمیم گیری و همسایگی نزدیک به پیش بینی رسوب آسفالتین پرداخته شده است .پس از ارزیابی شبکه عصبی نشان داده شده که تابع RBF با ۶ ورودی بهترین نتیجه را دارا می‌باشد .بهترین شبکه عصبی تابع RBF با ۶ ورودی درصد پیش بینی ۹۹۸۵/۰ و درصد میانگین خطای مربعات۰۰۹۳/۰ بوده است .بهترین نتیجه برای تابع linear با ۸ ورودی درصد پیش بینی ۸۰۲۲/۰و خطای مربعات با ۱۳۲۴/۲ مقدار بوده است .سپس داده ها با دو الگوریتم درخت تصمیم گیری و همسایگی نزدیک مورد بررسی قرار گرفت .به ترتیب برای درخت تصمیم گیری و همسایگی نزدیک مقادیر دقت/ ۹۹۹۹ و/ ۹۹۹۸ بوده است .با توجه به نتایج حاصل می توان نتیجه گرفت که شبکه عصبی می‌تواند یکی از بهترین روش‌های پیش بینی میزان رسوب آسفالتین در شرایط دمایی و فشاری متفاوت باشد.

متن يادداشت

Predicting the amount of asphaltene deposition is one of the important issues in the oil industry. It is important because predicting asphaltene deposition conditions can prevent asphaltene deposition problems in transmission equipment and in wells. In this dissertation, by modeling the support vector machine algorithm with two different functions and two decision tree algorithms and near neighborhood, the asphaltene deposition is predicted. After evaluating the neural network, it is shown that the RBF function with 6 inputs has the best result. The best neural network with RBF function with 6 inputs was 0/9985 prediction percentage and the mean square error percentage was 0/0093. The best result for the linear function with 8 inputs was the prediction percentage of 0/8022 and the square error with the value of 2/4231. Then the data were analyzed with two algorithms of decision tree and near neighborhood. The accuracy values were / 9999 and / 9998. According to the results, it can be concluded that the neural network can be one of the best ways to predict the amount of asphaltene deposition under different temperature and pressure conditions.

خط فهرستنویسی و خط اصلی شناسه

ba

عنوان اصلي به زبان ديگر

Investigation of asphaltene deposition conditions using artificial intelligence

موضوع مستند نشده

یادگیری ماشین

موضوع مستند نشده

شبکه عصبی

موضوع مستند نشده

هوش مصنوعی

موضوع مستند نشده

آسفالتین

موضوع مستند نشده

رسوب آسفالتین

موضوع مستند نشده

درخت تصمیم‌گیری

موضوع مستند نشده

همسایگی نزدیک

موضوع مستند نشده

ماشین بردار پشتیبان

اصطلاح موضوعی

support vector machine, near neighbours, decision tree, asphaltene, machine learning

اصطلاح موضوعی

یادگیری ماشین، شبکه عصبی،هوش مصنوعی، آسفالتین، رسوب آسفالتین، درخت تصمیم‌گیری، همسایگی نزدیک، ماشین بردار پشتیبان

مستند نام اشخاص تاييد نشده

ناوشکی، محمد

مستند نام اشخاص تاييد نشده

طباطبائی‌نژاد، علیرضا، استاد راهنما

کشور

ایران

تاريخ عمليات

20230613

شماره بازیابی

نفت ،۲۰۱۲۵ ،۱۴۰۰

نام ميزبان

ی‌عونصم‍ ش‌وه‍ زا ه‌دافتسا اب‍ ن‌یتلافسآ ب‌وسر طیارش‍ ی‌سررب‍.pdf

شماره دسترسي

عادی

اطلاعات مختصر

عادی

تاريخ و ساعت مذاکره و دسترسي

0111.pdf

تاريخ و ساعت مذاکره و دسترسي

p20125.pdf

بيت در ثانيه

0

ارتباط براي تسهيلات دسترسي

ایمانی

نوع فرمت الکترونيکي

متن

اندازه فايل

0

شماره کنترل رکورد

پ۴۵۷۰

يادداشت عمومي

فارسی

وضعیت فهرست نویسی

نمایه‌سازی قبلی

فرمت انتشار

pe

نوع ماده

TF

کد کاربرگه

92029

پیشوند ISBD اعمال شده است

1

سطح دسترسي

a

تكميل شده

Y