KFUPM ePrints

EVOLUTIONARY OPTIMIZED HYBRID COMPUTATIONAL INTELLIGENCE MODEL FOR THE PREDICTION OF GAS COMPONENT

l EVOLUTIONARY OPTIMIZED HYBRID COMPUTATIONAL INTELLIGENCE MODEL FOR THE PREDICTION OF GAS COMPONENT. Masters thesis, King Fahd University of Petroleum and Minerals.

[img]PDF (MS Thesis)
2791Kb

Arabic Abstract

يعتبر التنبؤ بمركبات الغازات في عمليات فصل الغازات عن الزيوت متعددة المراحل تحديا وذلك لأن معدل تغير المركبات تتنوع كثيرا مع تغير الضغط والحرارة. ولا توجد علاقة مباشرة بين هذه المتغيرات حيث إنها تعتمد على المكمن - بل وأحيانا على العينة - وعلى والمركبات الابتدائية للزيت. وعمليات فصل الغازات عن الزيوت هذه لها أهمية كبيرة في إنتاج كل من الغازات والزيوت. تقدير كمية المركب الغازي قبل إنتاجه قد يساعد في تخفيض تكلفة الإنتاج، وزيادة كفاءة الإنتاج، وتحديد جودة الزيت. وعادة ما تستخدم طريقتا معادلة الحال والارتباط التجريبي لتحليل مكونات الموائع. معادلة الحال تعمل على ما يرام في بعض الحالات لكنها غير قادرة على التنبؤ لبعض الخصائص فى كثير من الحالات. ففي حالات الهيدروكربونات المعقدة تكون كلتا الطريقتين ذات نتائج غير مرضية. لذا، فقد تزايد الطلب على تقنيات الذكاء الحاسوبي في مجال هندسة النفط وغيره. ليس هذا فحسب، بل إن أنظمة مهجنة من تقنيات الذكاء الحاسوبي المختلفة باتت تطرح من أجل كفاءة أعلى. في هذه الرسالة، نقوم بالتنبؤ بمركبات الغازات في عمليات فصل الغازات عن الزيوت متعددة المراحل باستخدام أنظمة الذكاء الحاسوبي الهجينة ونماذج موحدة لها. وقد قمنا باستخدام معايير متعددة لقياس كفاءة العمل. ابتدأنا بإيجاد أمثل القيم لمتغيرات أنظمتنا عبر خوارزميات جينية، مما أسفر عن تحسن التنبؤ لمكونين اثنين من أصل ستة مكونات للغاز. ثم قمنا بعمل نماذج متجانسة وغير متجانسة من تقنيات الذكاء الحاسوبي المختلفة مما أسفر عن تحسين التنبؤ لخمسة من تلك المكونات مقارنة بأداء الطرق التقليدية.

English Abstract

In this thesis, gas components in a multi-stage separator are predicted using Hybrid Computational Intelligence (HCI) and Ensemble of HCI (EHCI) models. We have used Root Mean Square Error (RMSE), Correlation Coefficient (CC), training time and number of negatively predicted values as performance measures of the HCI, EHCI models and compared with Equation of State and Empirical Correlation based Chevron Phase Calculation Program (CPCP) as a benchmark. First, we have used the evolutionary algorithm based Genetic Algorithm to optimize the parameters of the Computational Intelligence models such as Artificial Neural Network, Support Vector Regression and Adaptive Neuro-Fuzzy Inference System in order to form HCI models. We observed that for 2 out of 6 gas components, the performance of HCI models is better than CPCP but for the rest 4 gas components the performance is very close to the CPCP in terms of RMSE and CC but truly could not outperform it. Due to this reason and because the generalization ability of an ensemble is usually much stronger than that of base learners, we have developed heterogeneous and homogenous types of EHCI models. The experimental results of the EHCI models show that for 5 out of 6 gas components, the EHCI models outperformed both the individual HCI models and CPCP in terms of RMSE and CC with no negative predicted values at all.



Item Type:Thesis (Masters)
Subjects:Computer
Divisions:College Of Computer Sciences and Engineering > Information and Computer Science Dept
Committee Advisor:El-Basuny , Tarek Helmy
Committee Co-Advisor:Abdulazeez, Abdulraheem
Committee Members:Elshafei , Moustafa and Faisal, Kanaan Abed and Ghouti , Lahouari
ID Code:138486
Deposited By:Muhammad Hossain (g200803120)
Deposited On:29 Jun 2011 12:00
Last Modified:24 Nov 2014 10:44

Repository Staff Only: item control page