بهینه سازی پیش بینی ضریب تراکم پذیری گاز طبیعی با استفاده از ترکیب شبکه های عصبی و الگوریتم ژنتیک بر پایه معادله حالت mma

اندازه گیری خواص فشار- حجم- دمای گاز طبیعی درون خطوط انتقال، سیستم های ذخیره گاز، و مخازن گاز نیازمند مقدار دستی از ضریب تراکم پذیری می باشد. گرچه معادلات حالت و روابط تجربی در این زمینه جهت تخمین این ضریب مورد استفاده قرار گرفته است، اما تخمینی صحیح تنها با استفاده از این معادلات اساسا وابسته به بازه ای از داده ها بوده که روابط بر پایه آن ها حاصل شده است. یکی از این معادلات معادله حالت محمدی خواه- محبی- ابوالقاسمی (mma) بوده که در آن ضریب تراکم پذیری به عنوان تابعی از پارامتر bpm تعریف می شود. از آن جایی که تقاضا برای روش های نوین، قابل اعتمادتر و البته مدل های آسان تر و سریع تر می باشد، لذا محققان را بر آن داشته است تا مدل های جدیدی بر پایه سیستم های هوش مصنوعی ارائه دهند. در این مقاله علاوه بر دمای نقصانی و فشار نقصانی، که بطور معمول در تخمین ضریب تراکم پذیری مورد استفاده واقع می شوند، پارامتر دیگری به نام m به یک مدل از شبکه عصبیه عنوان ورودی اضافه گردیده و پارامتر ضریب تراکم پذیری نیز به عنوان خروجی شبکه در نظر گرفته شده است. این مقاله الگوریتم ژنتیک را به عنوان یک الگوریتم جستجوی تصادفی مبتنی بر جمعیت جهت بهینه سازی ساختار شبکه عصبی و هم چنین تنظیم وزن ها و بایاس های مرتبط با آن معرفی می کند. نتایج این تحقیق با تعدادی از معادلات مرسوم مورد مقایسه قرار می گیرد. ضریب همبستگی بین پیش گویی مدل این مطالعه و داده های تجربی برابر با 0.99445 می باشد.