Artificial Neural Network (ANN) for prediction of viscosity reduction of heavy crude oil using different organic solvents
Other Title(s)
الشبكة العصبية الاصطناعية (ANN) للتنبؤ بتخفيض اللزوجة من النفط الخام الثقيل باستخدام مذيبات عضوية مختلفة
Parallel Title
الشبكة العصبية الاصطناعية (ANN) للتنبؤ بتخفيض اللزوجة من النفط الخام الثقيل باستخدام مذيبات عضوية مختلفة
Joint Authors
al-Zuhayri, Firas K.
Jasim, Muna Khidr
Aziz, Rana Abbas
Source
Issue
Vol. 26, Issue 6 (30 Jun. 2020), pp.35-49, 15 p.
Publisher
University of Baghdad College of Engineering
Publication Date
2020-06-30
Country of Publication
Iraq
No. of Pages
15
Main Subjects
Topics
Abstract AR
الزيادة في استهلاك الوقود الأحفوري على مستوى العالم وذلك لأنه تقريبا يمثل المصدر الرئيسي للطاقة، وان مصادر النفط الثقيل هي أكثر من النفط الخفيف، لذلك تم استخدام العديد من التقنيات لتقليل لزوجة النفط الثقيل و زيادة لتسهيل جريانة اثناء الاستخراج و النقل.
ركزت هذه الدراسة على الاختبارات التجريبية لتقنية التخفيف لتقليل لزوجة الزيت الثقيل التي تم جمعة من جنوب العراق باستخدام المذيبات العضوية و من ثم نمذجة البيانات التي تم الحصول عليها باستخدام شبكة التغذية العصبية الاصطناعية للخلف الأمامي (BFF-ANN)، و استنادا إلى مختلف المخففات العضوية و بنسب وزنية مختلفة (5، 10 و 20٪ بالوزن) من ( هيبتان، تولوين، و مزيج من نسبة مختلفة من التولوين / الهيبتان) عند درجة حرارة ثابتة.
من الناحية التجريبية، كان الحد الأدنى من اللزوجة يتراوح من 135.
6 إلى 26.
33 سنتي بواز عند إضافة خليط التولوين / الهيبتان (75/25 ٪ بالحجم).
ان المتغيرات التي تم ادخالها للنموذج الذي تم انشاءه هي نوع المذيبات، النسب الوزنية المضافة من المذيبات، دورة في الدقيقة و معدل القص، وقد أثبتت النتائج أن النموذج المقترح لديه أداء متفوق، حيث كانت القيمة التي تم الحصول عليها من R أكبر من 0.
99 مما يؤكد وجود توافق جيد بين نتائج النوذج الرياضي البيانات التي تم الحصول عليها مختبرياً، كان الانخفاض المخمن للزوجة و نسبة درجة انخفاض الزوجة بدقة 98.
7 ٪ من النتائج المختبرية، و كانت عوامل الزوجة و نسبة درجة انخفاض الزوجة أقرب إلى و احد.
Abstract EN
The increase globally fossil fuel consumption as it represents the main source of energy around the world, and the sources of heavy oil more than light, different techniques were used to reduce the viscosity and increase mobility of heavy crude oil.
this study focusing on the experimental tests and modeling with Back Feed Forward Artificial Neural Network (BFF-ANN) of the dilution technique to reduce a heavy oil viscosity that was collected from the south- Iraq oil fields using organic solvents, organic diluents with different weight percentage (5, 10 and 20 wt.
% ) of (n-heptane, toluene, and a mixture of different ratio toluene / n-Heptane) at constant temperature.
Experimentally the higher viscosity reduction was about from 135.
6 to 26.
33 cP when the mixture of toluene/heptane (75/25 vol.
%) was added.
The input parameters for the model were solvent type, wt.
% of solvent, RPM and shear rate, the results have been demonstrated that the proposed model has superior performance, where the obtained value of R was greater than 0.
99 which confirms a good agreement between the correlation and experimental data, the predicate for reduced viscosity and DVR was with accuracy 98.
7%, on the other hand, the μ and DVR% factors were closer to unity for the ANN model.
American Psychological Association (APA)
al-Zuhayri, Firas K.& Aziz, Rana Abbas& Jasim, Muna Khidr. 2020. Artificial Neural Network (ANN) for prediction of viscosity reduction of heavy crude oil using different organic solvents. Journal of Engineering،Vol. 26, no. 6, pp.35-49.
https://search.emarefa.net/detail/BIM-972870
Modern Language Association (MLA)
Jasim, Muna Khidr…[et al.]. Artificial Neural Network (ANN) for prediction of viscosity reduction of heavy crude oil using different organic solvents. Journal of Engineering Vol. 26, no. 6 (Jun. 2020), pp.35-49.
https://search.emarefa.net/detail/BIM-972870
American Medical Association (AMA)
al-Zuhayri, Firas K.& Aziz, Rana Abbas& Jasim, Muna Khidr. Artificial Neural Network (ANN) for prediction of viscosity reduction of heavy crude oil using different organic solvents. Journal of Engineering. 2020. Vol. 26, no. 6, pp.35-49.
https://search.emarefa.net/detail/BIM-972870
Data Type
Journal Articles
Language
English
Notes
Includes bibliographical references : p. 46-48
Record ID
BIM-972870
