ترجمه مقاله تخمین خلوص تری اتیلن گلیکول یا TEG در واحدهای دهیدراسیون گاز طبیعی با شبکه عصبی فازی - نشریه الزویر

قیمت خرید این محصول

۲۹,۰۰۰ تومان

دانلود مقاله انگلیسی

عنوان فارسی

تخمین خلوص تری اتیلن گلیکول یا TEG در واحدهای دهیدراسیون گاز طبیعی با استفاده از شبکه عصبی فازی

عنوان انگلیسی

Estimation of triethylene glycol (TEG) purity in natural gas dehydration units using fuzzy neural network

صفحات مقاله فارسی

13

صفحات مقاله انگلیسی

7

سال انتشار

2014

رفرنس

دارای رفرنس در داخل متن و انتهای مقاله

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده و pdf

فونت ترجمه مقاله

بی نازنین

سایز ترجمه مقاله

14

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

نوع ارائه مقاله

ژورنال

پایگاه

اسکوپوس

ایمپکت فاکتور(IF) مجله

4.443 در سال 2018

شاخص H_index مجله

43 در سال 2019

شاخص SJR مجله

1.359 در سال 2018

شناسه ISSN مجله

1875-5100

شاخص Q یا Quartile (چارک)

Q1 در سال 2018

کد محصول

F1370

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است ✓

وضعیت ترجمه متون داخل تصاویر و جداول

جداول ترجمه شده است ✓ تصاویر ترجمه نشده است ☓

وضعیت ترجمه منابع داخل متن

درج نشده است ☓

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است ✓

بیس

نیست ☓

مدل مفهومی

ندارد ☓

پرسشنامه

ندارد ☓

متغیر

ندارد ☓

رفرنس در ترجمه

در انتهای مقاله درج شده است

رشته و گرایش های مرتبط با این مقاله

شیمی، شیمی کاربردی، شیمی فیزیک و شیمی تجزیه

مجله

مجله علوم و مهندسی گاز طبیعی - Journal of Natural Gas Science and Engineering

دانشگاه

شرکت ملی گاز ایران (NIGC) ، مجتمع گاز پارس جنوبی (SPGC) ، عسلویه ، ایران

کلمات کلیدی

TEG، دهیدراسیون گاز طبیعی، تغلیظ کننده مجدد گلیکول، ANN، پیشگویی

کلمات کلیدی انگلیسی

TEG - Natural gas dehydration - Glycol reconcentrator - ANN - Prediction

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.jngse.2013.12.008

ترجمه این مقاله با کیفیت متوسط انجام شده است. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.

۰.۰ (بدون امتیاز)

امتیاز دهید

فهرست مطالب

چکیده
1-مقدمه
2-شبکه عصبی با انتشار رو به عقب یا BPNN: یک مرور کلی
3-تدوین یک مدل هوشمند برای پیشگویی خلوص TEG
4-نتایج و بحث
5-خلاصه و نتیجه گیری ها
سمبلهای بکار رفته

نمونه چکیده متن اصلی انگلیسی

Abstract

Natural gas usually contains a large amount of water and is fully saturated during production operations. In natural gas dehydration units' water vapor is removed from natural gas streams to meet sales specifications or other downstream gas processing requirements. Many methods and principles have been developed in the natural gas dehydration process for gaining high level of triethylene glycol (TEG) purity. Among them, reducing the pressure in the reboiler at a constant temperature results in higher glycol purity. The main objective of this communication is the development of an intelligent model based on the well-proven standard feed-forward back-propagation neural network for accurate prediction of TEG purity based on operating conditions of reboiler. Capability of the presented neural-based model in estimating the TEG purity is evaluated by employing several statistical parameters. It was found that the proposed smart technique reproduces the reported data in the literature with average absolute deviation percent being around 0.30%.

نمونه چکیده ترجمه متن فارسی

چکیده
گاز طبیعی معمولا حاوی مقدار زیادی آب می باشد و طی عملیات تولیدی کاملا اشباع می گردد. در واحدهای دهیدراسیون گاز طبیعی، بخار آب از طبقه بندی گاز طبیعی حذف می گردد تا مشخصات فروش یا سایر الزامات فراوری گاز طبقه پایین رعایت گردد. بسیاری روشها و اصول در پروسه دهیدراسیون گاز طبیعی برای کسب سطح بالایی از خلوص تری اتیلن گلیکول یا TEG تدوین شده اند. در میان اینها، کاهش فشار در ریبویلر در یک درجه حرارت ثابت منجر به خلوص بالاتر گلیکول می شود. هدف اصلی این مقاله تدوین یک مدل هوشمند براساس شبکه عصبی خوب اثبات شده استاندارد با تغذیه رو به جلو و انتشار رو به عقب برای پیشگویی صحیح خلوص PEG براساس شرایط عملیاتی ریبویلر می باشد. ظرفیت مدل مبتنی بر عصبی ارائه شده در تخمین خلوص TEG با بکارگیری چندین پارامتر آماری ارزیابی شده است. مشخص گردیده است که تکنیک هوشمند مطرح شده داده های گزارش شده در متون علمی را با درصد انحراف مطلق متوسط حول 0.30% مجددا ایجاد کرده است.