اندازه‌گیری تجربی و پیش‌بینی ضرایب انتشار گاز متان: مطالعه موردی منطقه هفت عملیات انتقال گاز

در فرآیندهای انتقال گاز طبیعی، به دلایلی از جمله نشتی و شکستگی لوله مقدار زیادی گاز متان به محیط منتقل شده که سهم بالایی در افزایش گازهای گلخانه‌ای دارد. رویکرد جهانی کاهش گازهای گلخانه‌ای سبب شده تا در راستای کنوانسیون‌های جهانی و برنامه اقدام ملی کاهش انتشار گازهای گلخانه‌ای، برنامه کاهش اتلاف گاز از خطوط انتقال گاز مد نظر قرار گیرد. هدف از این پژوهش، ابتدا اندازه‌گیری تجربی میزان انتشار گاز متان ناشی از نشتی شیرهای بلودان موجود در نواحی مختلف منطقه هفت عملیات انتقال گاز ایران و سپس پیش‌بینی میزان ضرایب انتشار گاز به‌کمک شبکه عصبی پرسپترون چند لایه با قانون پسا انتشار خطا و الگوریتم یادگیری لونبرگ مارکوارت است. بر این اساس، تاثیر پارامترهای عملیاتی موثر بر میزان انتشار گاز شامل دمای محیط، فشار خط لوله، نوع شیربلودان، وضعیت باز یا بسته بودن شیر کنار گذر قبل از بلودان، وضعیت نشت داخلی شیر کنار گذر قبل از بلودان، عمر شیر، صدای ناشی از نشتی و غلظت نشتی در محدوده ppm1000010 مورد بررسی قرار گرفت. برای یافتن پارامترهای موثر بر میزان نشر، شش الگو مختلف براساس پارمترهای ورودی متفاوت تعریف شد. نتایج حاصل از پیش‌بینی ضرایب نشر متان با استفاده از شبکه عصبی نشان داد که الگوی با پارامترهای ورودی شامل دمای محیط، فشار خط لوله، عمر شیر، صدای ناشی از نشتی و غلظت نشتی بهترین نتایج را نشان می‌دهد. بررسی میزان خطا و ضریب همبستگی الگوی پیشنهادی نشان از کمترین میزان خطا (0.05047= rmse و 0.00255=mse) و ضریب همبستگی بالای نتایج (0.97853 =2 r) در بین الگوهای مختلف است که می‌توان از آن جهت پیش‌بینی میزان نشر گاز متان در خطوط لوله استفاده نمود.

Experimental Measurement and Prediction of Methane Emission Factors: Case Study District Seven of Gas Transmission Operation

In gas transmission processes, a significant amount of methane gas is transferred to the environment for several reasons, including leakage and pipe breakage, which has a high contribution to greenhouse gas emissions. The global methodology for reducing greenhouse gases has led to a plan to reduce greenhouse gas emissions from gas transmission lines according to international conventions and the national action plan to reduce greenhouse gas emissions. Therefore, the purpose of this study in first was experimentally measurement of methane gas emission due to leakage of blowdown valves from different points of district seven of gas transmission operation and then the prediction of gas emission factors using multilayer perceptron neural network with backpropagation of error and LevenbergMarquardt algorithm. Accordingly, the effect of operating parameters on the emission factor, including ambient temperature, pipeline pressure, type of valve, condition of the valve (open or close) located before of blowdown, Internal leakage of bypass valve before blowdown, life of blowdown valve, the sound of leakage and concentration of the leakage in the range of 1010000 ppm were investigated. To find the effective parameters on the emission factor, six various schemes were considered based on different input parameters. The results of prediction of methane emission factors using neural network showed that the scheme with input parameters as ambient temperature, pipeline pressure, age of valve, the sound of leakage and concentration of the leakage shows the best results. Deviation with measurements and coefficient of determination (R squared) of the best scheme among the six schemes are equal to RMSE=0.05047, MSE=0.00255, and R2=0.97853, which they show that this method can be used to predict the methane emission factors in natural gas transmission pipelines.