تخمین موثر درصد حضور اجزای پارافینی، نفتنی و آروماتیکی در برش‌های نفتی سیال‌های هیدروکربوری

فهم ترکیب درصد برش های هیدروکربوری (مقدار پارافین‌ها، نفتن‌ها و آروماتیک‌ها) همچنان مسئله ای چالش‌برانگیز در زمینه پیش بینی رفتار فازی سیال های نفتی به شمار می‌رود. روش‌های تعیین این ترکیب درصد‌ها، شامل روش‌های آزمایشگاهی و روش‌های مدل سازی مبتنی بر داده می‌باشند. روش‌های آزمایشگاهی، دقیق هستند، ولی مشکل هایی مانند هزینه‌بر بودن و وقت‌گیر بودن را دارند. روش های مدل سازی به صورت کلی شامل دو یا چند پارامتر مشخصه‌سازی مانند اندیس شکست، دمای جوش نرمال، چگالی در شرایط استاندارد، نسبت کربن به هیدروژن، ضریب واتسون، و ثابت گرانروی می‌باشند. مشکل مدل‌های ارایه شده این است که برای یافتن ترکیب درصد خانواده ها، باید پارامتر‌های مشخصه سازی ذکر شده، موجود باشد، ولی بیش تر این پارامترها برای برش‌های نفتی، مشخص نمی‌باشند، در نتیجه در عمل، تعیین ترکیب درصد شیمیایی برش ها، با مشکل مواجه می‌شود. در این پژوهش سعی شده است که پارامترهایی برای ساخت مدل انتخاب شود که این محدودیت را نداشته باشد. پارامترهای انتخاب شده، وزن مولکولی، چگالی ویژه و دمای جوش نرمال می‌باشند. این پارامترها بیش تر برای برش های نفتی وجود دارند، در نتیجه در تعیین ترکیب درصد برش‌های نفتی به عامل مشخصه سازی ویژه ی دیگری نیاز نیست. در این پژوهش از شبکه عصبی و معادله حالت خانواده  سفتبرای تعیین مدل تخمین درصد خانواده‌ها استفاده شد. برای توسعه این مدل برای برش‌های مصنوعی متشکل از اجزای پارافینی، نفتنی، و آروماتیکی، مقدارهای چگالی ویژه و دمای جوش نرمال با استفاده از معادله حالت پی سی سفت تعیین شد. سرانجام یک مدل شبکه عصبی، روی این داد‌‌ه های به دست آمده، پیاده‌سازی شد. در پایان با استفاده از یک سری داده های ارزیابی، برای برش‌های نفتی، قابلیت تخمین مدل مورد آزمایش قرار گرفت. نتیجه ها نشان می دهد که روند معرفی شده به طور موثری، خانواده‌های حاضر در برش‌ها را پیش بینی می کند.

Effective Estimation of Paraffinic, Naphthenic, and Aromatic Families in Petroleum Fractions

Having information on the chemical composition of hydrocarbon mixtures (the amount of paraffinic, naphthenic, and aromatics) is still a challenging problem in the area of reservoir fluids. Methods for determining these compositions include experimental techniques and empirical models. Laboratory methods are accurate, but they are costly and timeconsuming. Therefore, researchers have tried to use empirical models instead of using laboratory methods. Generally, these models include two or more characteristic parameters such as Refractive Index (RI), normal boiling point (Tb), density in standard conditions (d), carbon to hydrogen ratio (CH), Watson coefficient (K), and viscosity gravity constant(VGC). The problem with the proposed models is that for finding the compositions the mentioned characteristic parameters must be available, but usually, these parameters are not specified for petroleum cuts, therefore, in practice, the determination of chemical composition is difficult. In this research, we have tried to select parameters for the construction of a model that does not have this limitation. Selected parameters were MW, SG, and Tb which are molecular weight, specific gravity, and normal boiling point respectively. These parameters are commonly available for petroleum cuts, therefore for the determination of the composition of oil cuts, another specific characteristic parameter is not necessary. In this study, the neural network and the SAFT family equation of state have been used to determine the model for estimating the composition of families. For the development of this model, for synthetic cuts consisting of paraffinic, naphthenic, and aromatic, the specific gravity and normal boiling point values were determined using the PCSAFT state equation. Finally, a neural network model was implemented on these data. In the end, the ability of the model for estimation has been tested using a series of evaluation data for oil cuts. The results indicate that the proposed model predicts the families present in the cuts effectively.