Petrol ve gaz borularında hidrat oluşumu, akış sürekliliği için en önemli faktörlerden biridir. Hidrat oluşumu, boruların tıkanmasına yol açabilmektedir, güvenlik ve ekonomik açıdan sorunlara neden olabilmektedir. Bu nedenle, hidrat oluşum ve bozunma koşullarının belirlenmesi ve analizi önemli bir araştırma problemidir. Bu amaçla, geleneksel kimyasal deneylere ve analizlere dayalı birçok çalışma gerçekleştirilmiştir. Doğal gaz hidrat oluşum ve bozunma mekanizması üzerindeki çevre koşullarının etkisinin karmaşık yapısı, yüksek başarımlı hidrat oluşum koşulu tahmin ve analiz yöntemleri geliştirmek için makine öğrenmesi algoritmalarının kullanımını uygun kılmaktadır. Bu çalışma kapsamında, doğrusal regresyon, karar ağacı, destek vektör makineleri, Gauss süreç regresyonu algoritmalarına dayalı on sekiz temel makine öğrenmesi algoritmasının etkinliği, tuzlu suda metan hidrat oluşum sıcaklığının basınca ve iyon konsantasyonlarına dayalı özniteliklere bağlı olarak belirlenmesi için değerlendirilmektedir. Deneysel analizlerde kullanılan regresyon modelleri incelendiğinde, Gauss süreç regresyonu tabanlı algoritmaların R-kare ölçütü bakımından, analizlerde kullanılan diğer yöntemlere kıyasla daha yüksek başarım elde ettiği görülmektedir. Karşılaştırmalı analizde dikkate alınan tüm konfigürasyonlar arasında en başarılı sonuçlar, hem ortalama mutlak hata (RMSE= 0.9517), hem ortalama kare hatası (MSE=0.9058) hem de R-kare ölçütü (R-kare=0.99) cinsinden rasyonel ikinci dereceden Gauss süreç regresyonu algoritması ile elde edilmektedir.
One of the most critical issues affecting flow continuity in oil and gas pipelines is hydrate formation. Hydrate formation can cause pipe clogging, which can be hazardous to both safety and the economy. As a result, determining and analyzing hydrate formation and degradation conditions is a critical scientific challenge. Many research based on conventional chemical tests and analyses have been conducted for this goal. Because of the complexity of the impacts of environmental variables on natural gas hydrate formation and degradation mechanisms, machine learning techniques are an appropriate choice for developing hydrate formation condition prediction and analysis approaches with high predictive performance. The efficiency of eighteen basic machine learning algorithms based on linear regression, decision trees, support vector machines, and Gaussian process regression algorithms is evaluated in this study to determine the methane hydrate formation temperature in brine based on pressure and ion concentration features. When the regression models used in the experimental analyses are examined, it is found that the Gaussian process regression-based algorithms outperform the other methods utilized in the analysis in terms of the R-square criterion. The rational quadratic Gaussian process regression produced the best results in terms of mean absolute error (RMSE= 0.9517), mean square error (MSE=0.9058), and R-squared measure (R-squared=0.99) among all the configurations included in the comparative study.
Primary Language | Turkish |
---|---|
Subjects | Chemical Engineering |
Journal Section | RESEARCH ARTICLES |
Authors | |
Publication Date | December 10, 2024 |
Submission Date | May 13, 2022 |
Acceptance Date | May 21, 2024 |
Published in Issue | Year 2024 Volume: 7 Issue: 5 |
*This journal is an international refereed journal
*Our journal does not charge any article processing fees over publication process.
* This journal is online publishes 5 issues per year (January, March, June, September, December)
*This journal published in Turkish and English as open access.
* This work is licensed under a Creative Commons Attribution 4.0 International License.