عنوان پایان‌نامه
پیش بینی و مدلسازی تغییرات کشش سطحی بر اساس پارامتر های ساختاری مواد فعال سطحی با استفاده از ماشین های بردار پشتیبان
- رشته تحصیلی
- مهندسی نفت - مخازن هیدروکربوری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1481.;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 166;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 64429
- تاریخ دفاع
- ۰۲ بهمن ۱۳۹۲
- دانشجو
- محمدامین سمایی
- استاد راهنما
- سیاوش ریاحی
- چکیده
- سورفکتانت‌ها یا مواد فعال سطحی موادی با گرایش دوگانه به آب و نفت هستند که در فرایندهای ازدیاد برداشت نفت به روش شیمیایی نقش اصلی را ایفا می‌کنند. در طی فرایند سیلاب زنی این مواد قادرند که با کاهش کشش سطحی بین آب و نفت و همچنین تغییر ترشوندگی سنگ مخزن، نفت لایه‌های مجاور سنگ مخزن را به جریان در بیاورند و موجب تولید بیشتر نفت مخزن شوند علاوه بر روش¬های آزمایشگاهی و مدل¬سازی¬های ترمودینامیکی، می¬توان از روشی محاسباتی با نام QSPR به منظور محاسبه¬ی کشش بین¬ سطحی استفاده نمود. در این روش با مدل سازی توصیف¬ کننده¬هایی که نماینده¬ی ساختار ماده هستند، می¬توان ویژگی مواد را پیش¬بینی کرد. انتخاب روش مدل¬سازی در علم QSPR یکی از مهمترین مسائل پیش¬روی کاربر می¬باشد. زیرا روش مدل¬سازی در انتخاب موثر¬ترین توصیف کننده¬ها ، حساسیت¬سنجی آن¬ها با یک¬دیگر و تاثیر هر کدام از آن¬ها بر متغییر وابسته نقش بسزایی اجرا می¬کند. مدل چند متغیره¬ی خطی (MLR) یکی از پر طرفدار¬ترین مدل¬ها است. با صرف نظر از سادگی و سرعت محاسبه¬ی بالای متغییر¬های این مدل، نمی¬توان برروی دقت و همه¬پوشانی این مدل حسابی باز کرد و بدلیل انعطاف¬پذیری کم آن نتیجه¬ی حساسیت سنجی مدل نامعتبر می¬گردد. در دوران اخیر، نگاه¬ها به¬سمت مدل¬های هوشمند مانند: شبکه¬ی عصبی ، ماشین¬های بردار پشتیبان و ... متمرکز¬شده¬اند. این در حالیست که می¬بایست صحت عملکرد این¬گونه روش¬ها، در مقابل حجم کمّی از داده¬ها، مورد بررسی قرار گیرد. در این رساله با استفاده از ماشین¬های بردار پشتیبان و با کمک روش¬های بهینه¬سازی نوین، موثرترین توصیف کننده¬ها مشخص گردیده و با استفاده از روش¬های آماری¬پیشرفته، حساسیت سنجی بر تمامی متغییر¬ها (وابسته و مستقل) صورت گرفته و در نهایت، هدف اصلی علم QSPR که همان رسیدن به ساختاری بهینه است، محقق گردیده¬. موضوع مورد بررسی در این رساله، مدل¬سازی مقادیر کشش بین سطحی و بیان خصوصیات ساختاری مواد فعال سطحی بهینه می¬باشد. مساله¬ی دیگر که در این رساله مورد توجه قرار گرفته، روند محاسبه¬ی مقادیر توصیف کننده¬ها است، که پایه و اساس محاسبات بعدی می¬باشد. در میان 600 توصیف کننده، 3 توصیف کننده با نام¬های اختصاری (JHTZ, MATs7v, RDF100e) نماینده¬ی موثرترین توصیف کننده¬¬ها برای پیش¬بینی کشش بین سطحی انتخاب¬شده¬اند، که با استفاده از روش¬های بهینه¬سازی، مقدار کمینه¬ی متغییر وابسته (330/9IFT = ) به ازای مقادیر (JHTZ=13.950 MATs7v=2.240, RDF100e=-0.021) گزارش شده¬است.
- Abstract
- Surfactants as compounds having affinity to both polar and non polar media play a sub¬stantial role in chemical EOR processes. These substances are able to reduce interfacial tension of oil and water and even alter reservoir rock wettability to enhance flow of oil ahead of water slug in waterflooding.The QSPR approach is the one way to calculate the amount of IFT. A model should be compiled with molecoular descriptors which are the representative of molecoular stracture. A support vector machine (SVM) model has been generated to predict water-oil interfacial tension based on the quantitative structure property relationship (QSPR) approach. A database of measured interfacial tensions between n-decane and water has been used for this study. The database consisted of twenty four compounds with interfacial tensions measured at critical micelle concentration. Structure of each surfactant was optimized and quantum chemical and structural descriptors were calculated by means of proper software. Three descriptors were selected by genetic algorithm multiple linear regression (GA-MLR). The SVM model was generated using these three descriptors and the interfacial tension as independent and dependent variables respectively. The comparison between the SVM and MLR model has been done that indicated more flexibility of SVM model in dealing with nonlinearities. Sensitivity analysis was performed on each model and effect of each descriptor on interfacial tension has been discussed. Finally simulated annealing algorithm (SA) was used to report the optimum amount of each descriptor to achieve minimum interfacial tension.
