Tuzlu Suda Metan Hidrat Oluşum Koşullarının Tahmini için Regresyon Algoritmalarının Karşılaştırmalı Analizi

Yıl 2024, Cilt: 7 Sayı: 5, 2065 - 2083, 10.12.2024

Sema Demirci Uzun , Aytuğ Onan , Vahide Bulut

Öz

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.

Anahtar Kelimeler

metan hidrat, oluşum koşulları, kemoinformatik, makine öğrenmesi

Comparative Analysis of Regression Algorithms for Prediction of Methane Hydrate Formation Conditions in Salt Water

Öz

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.

Anahtar Kelimeler

methane hydrate, formation conditions, chemoinformatics, machine learning

Kaynakça

• Anzali, S.; Berthold, M. R.; Fioravanzo, E.; Neagu, D.; Péry, A. R. R.; Worth, A. P.; Yang, C.; Cronin, M. T. D.; Richarz, A. N., IFSCC Magazine 2012; 15, 249-55.
• Beck, V. L. (Ed.), Linear Regression: Models, Analysis & Applications. Hauppauge, NY: Nova Science, 2017.
• Bhattacharjee, G.; Goh MN.; Arumuganainar, SEK.; Zhang Y.; Linga P., Energy Environ Sci 2020; 13(12):4946–61.
• Boullart, L.; Krijgsman, R.; Vingerhoeds, R. A., Application of Artificial Intelligence in Process Control Pergamon Press, Oxford, 1992.
• Chen, G. –J.; Guo, T.-M., 1998; 71(2), 145-151
• Dholabhai, PD.; Kalogerakis, N.; Bishnoi, PR.; Can J., Chem Eng 1993;71(1):68–74.
• Annual Energy Outlook 2020 with projections to 2050. U.S. Energy Information Administration; 2020.
• Elyashberg, M. E.; Blinov, K. A.; Molodtsov, S. G.; Williams, A. J., Magn. Reson. Chem. 2012; 50, 22-27.
• Gasteiger, J., ChemPhysChem, 2020; 21 (20), 2233-2242.
• Gilat, A.,MATLAB: An Introduction with Applications, 3rd ed. Chichester, England: John Wiley & Sons, 2008.
• Gudmundsen, J.; Borrehaug, Second International Symposium on Gas Hydrates; Toulouse, 1996; pp 415−422.
• Hammerschmidt, E.G., Ind. Eng. Chem. 1934; 26 (8), 851–855.
• Hodson, T. O., “Root mean square error (RMSE) or mean absolute error (MAE): when to use them or not,” 2022.
• Inkong, K.; Yodpetch, V.; Kulprathipanja, S.; Rangsunvigit, P., Fuel, 2022; 316, 123215.
• Jiafang, Xu , Shuai, D.; Yongchao, H.; Xuefeng, Y., Zhang, J., Chem. Phys., 2021; 551, 111323.
• John, V.; Papadoupoulus, K.; Holder, G., AlChE, 1985; 31(2), 252-259.
• Kantardzic, M., Data mining: Concepts, models, methods, and algorithms, 2nd ed. Hoboken, NJ: Wiley-Blackwell, 2011.
• Le, T.; Epa, V. C.; Burden, F. R.; Winkler, D. A.; Chem. Reviews 2012; 112, 2889-2919.
• Lu, H.; Matsumoto, R.; Tsuji, Y.; Oda, H., 2001; 178 (1-2), 225–232.
• Lv, Q.; Zang, X.; Li, X.; Li, G., 2018; 458, 272–277.
• Mak, K-K.; Pichika, M. R., Drug Discov. Today 2019; 24, 773-780.
• Montgomery, D. C.; Peck, E. A., Introduction to Linear Regression Analysis, 3rd ed. Nashville, TN: John Wiley & Sons, 2001.
• Ng., H.J.; Robinson, D. B., AlChE J., 1977; 23(4), 477-482.
• Onan, A., Bilişim Teknol. Derg., 2015; vol. 8, no. 1.
• Onan, A., Korukoğlu, S., Bulut, H., Expert Syst. Appl., 2016; vol. 57, pp. 232–247.
• Pandey, G.; Veluswamy, HP.; Sangwai, J.; Linga, P., Energy Fuels 2019;33(6):4865–76.
• Rasmussen, A.; Williams, C. K. I., Gaussian processes for machine learning. London, England: MIT Press, 2019.
• Rousseeuw, P. J.; Leroy, A. M., Robust Regression and Outlier Detection, 1st ed. Nashville, TN: John Wiley & Sons, 2005.
• Sabil, K.M.; Roman, V.R.; Witkamp, G.-J.; Peters, C.J., J. Chem. Thermodyn. 2010; 42 (3), 400–408.
• Sapag, K.; Vallone, A.; Blanco, AG., Solar C. editor Natural Gas New York: IntechOpen; 2010; 205-244.
• Schleifer, K. J., in Modern Methods in Crop Protection Research (Eds. P. Jeschke, W. Krämer, U. Schirmer, W. Witschel), Wiley-VCH, Weinheim, 2012; pp. 21-41.
• Sloan, D.; Koh, E.; Clathrate Hydrates of Natural Gases, 3rd ed.; CRC Press: US, 2007; Vol. 20074156.
• Sun, S.; Zhao, J.; Yu, D., Fluid Phase Equilib. 2018; 456, 92–97.
• Technology partner for innovative companies, Machine Learning and AI in Food Industry Solutions and Potential, https://spd.group/machine-learning/machine-learning-and-ai-in-foodindustry/, last accessed June 10, 2020.
• Van der Waals, J., Ad. Chem. Phys., 1959; 2, 1-57.
• Veluswamy, HP.; Kumar, A.; Kumar, R., Appl Energy 2019;253: 113515. Walsh, M. R.; Hancock, S. H.; Wilson, S. J.; Patil, S. L..; Moridis, G. J.; Boswell, R.; Collett, T. S.; Koh, C. A.; Sloan, E. D., 2009; 31(5), 815–823. Wang, F.; Liu, G.-Q.; Meng, H.-L.; Guo, G.; Luo, S.-J.; Guo, R.-B., ACS Sustainable Chemistry & Engineering. 2016; 4. 10.1021/acssuschemeng.5b01557.
• Wang, X.; French, J.; Kandadai, S.; Chua, HT., J Chem Eng Data 2010;55(8):2700–2706.
• Xu, H.; Jiao, Z.; Zhang, Z.; Huffman, M.; Wang, Q., Comput. Chem. Eng., 2021; vol. 151, no. 107358.
• Yevi, G. Y.; Rogers, R. E., J. Energy Resour. Technol. 1996; 118, 209−213.
• Zupan, J.; Novic, M.; Li, X.; Gasteiger, J. , Anal. Chim. Acta 1994; 292, 219- 234