ارائه رابطه نیمه‌تجربی نوین به منظور طراحی جداسازهای دوفازی

جداسازها در میدان‌های تولیدی نفت و گاز دارای نقش بسیار مهم و کلیدی هستند. به همین دلیل، طراحی بهینه آنها بسیار با اهمیت است. روش طراحی با معادلات نیمه‌تجربی روشی مرسوم برای تعیین ابعاد جداسازها است. با این حال، به دلیل فرضیات ساده‌کننده‌ای که در آنها استفاده می‌شود، فقط می‌تواند برای بدست آوردن برآورد تقریبی از ابعاد جداسازها استفاده شود. در این مطالعه، با استفاده از واحد پایلوت جداساز دو فازی گازمایع صحت و دقت روابط نیمه‌تجربی بررسی گردید و از نتایج آزمایشگاهی و نتایج به دست آمده از شبیه‌سازی cfd به عنوان داده‌های لازم برای طراحی و ساخت شبکه عصبی بهینه‌سازی شده با الگوریتم ژنتیک استفاده شدند و یک مدل برای تعیین ضریب تصحیح روابط نیمه‌تجربی در شرایط عملکردی متفاوت ارائه گردید. واحد پایلوت آزمایش جداساز متشکل از یک جداساز افقی دو فازی در مقیاس آزمایشگاهی، پمپ‌ها، کمپرسورها و یک مخلوط‌کننده استاتیک برای تشکیل جریان دو فازی و یک فیلتر مایع برای به دام انداختن قطرات مایع از جریان گاز خروجی از جداساز است. با استفاده از وزن‌ کردن قطره‌های مایع گیر انداخته‌شده بازده جداسازی و با استفاده از تصویربرداری حداکثر قطر قطرات مایع در جریان گاز خروجی تعیین می‌شود. مدل cfd توسعه داده شده با داده‌های آزمایشگاهی دارای خطای نسبی کمتر از 8% بود و مقدار خطای جذر میانگین مربعات شبکه عصبی بهینه‌سازی شده با الگوریتم ژنتیک برای مقادیر واقعی و پیش بینی شده ضرایب تصحیح برابر با 1% است. یکی از مهمترین دستاوردهای این پژوهش فراهم آوردن بستر لازم برای طراحی بهینه جداسازهای سطحی است.

Providing a Novel Semiempirical Relationship for the Design of Twophase Separators

Separators play a very important and key role in oil and gas production fields. For this reason, their optimal design is very important. The design method with semiempirical equations is a common method for determining the dimensions of separators. However, due to the simplifying assumptions used in them, it can only be used to obtain an approximate estimate of the dimensions of the separators. In this study, the accuracy of semiempirical relationships was investigated using a gasliquid separator pilot unit and the experimental results and the results obtained from CFD simulation as necessary data for the design and construction of a neural network optimized by Genetic algorithm. A model was proposed to determine the correction factor of semiexperimental relationships under different operating conditions. The pilot unit of the separator test consists of a laboratoryscale twophase horizontal separator, pumps, compressors and a static mixer to form a twophase flow and a liquid filter to trap liquid droplets from the exhaust gas flow from the separator. The separation efficiency is determined by weighing the dispersed liquid droplets. The maximum diameter of the liquid droplets in the exhaust gas flow is determined by imaging. The CFD model developed with laboratory data had a relative error of less than 8 percent, and the root mean square error of the neural network optimized by the genetic algorithm for the actual and predicted values of the correction factor was 1%. One of the most important achievements of this research is to provide the necessary basis for the optimal design of surface separators.