RS58558B1 - Metod predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža - Google Patents
Metod predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mrežaInfo
- Publication number
- RS58558B1 RS58558B1 RS20190323A RSP20190323A RS58558B1 RS 58558 B1 RS58558 B1 RS 58558B1 RS 20190323 A RS20190323 A RS 20190323A RS P20190323 A RSP20190323 A RS P20190323A RS 58558 B1 RS58558 B1 RS 58558B1
- Authority
- RS
- Serbia
- Prior art keywords
- crude oil
- mentioned
- neural network
- content
- curve
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/08—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using nuclear magnetic resonance
- G01N24/081—Making measurements of geologic samples, e.g. measurements of moisture, pH, porosity, permeability, tortuosity or viscosity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/448—Relaxometry, i.e. quantification of relaxation times or spin density
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Feedback Control In General (AREA)
Description
Opis
[0001] Predmetni pronalazak odnosi se na oblast izučavanja i analize materijala, za određivanje njihovih fizičkih i hemijskih osobina i, posebno, na metod predviđanja fizičko-hemijskih osobina različitih vrsta sirove nafte merenjem NMR (nuclear magnetic resonance, nuklearna magnetna rezonanca) relaksometrijskih osobina i analizu podataka primenom modela razvijenih upotrebom neuronskih mreža.
[0002] U naftnoj industriji, često je, sa određenom merom preciznosti, potrebno poznavati neke od parametara različitih vrsta sirove nafte, da bi bilo moguće razumeti njihov kvalitet, a što bi moglo biti korisno za bolje kontrolisanje procesa.
[0003] Mogućnost predviđanja osobina sirove nafte u kratkom vremenskom roku koristan je komercijalni i operativni analitički instrument.
[0004] Metodi poznati u struci uglavnom se sastoje od analitičkih tehnika reološkog tipa, kao što su, na primer, fizičko-hemijski metodi merenja viskoznosti, upotreba termalne analize i gasne hromatografije za dobijanje destilacionih krivih i hemijska analiza elemenata.
[0005] Standardne analitičke tehnike koje su danas u upotrebi podrazumevaju dugotrajne i skupe analize koje predstavljaju značajno opterećenje u smislu njihove evaluacije, posebno za operacije tehničke transformacije sirove nafte. Pored toga, ovi metodi se mogu izvoditi samo u laboratorijama koje poseduju odgovarajuće instrumente i opremu.
[0006] Korišćenje inovativnih metoda baziranih na kratkotrajnim analizama koje se pored toga mogu lako izvoditi na mestima koja nisu posebno opremljena, može predstavljati dobru alternativu, sa značajnom prednošću u kognitivnoj i zatim operativnoj fazi ciklusa transformacije nafte.
[0007] Metodi bazirani na upotrebi tehnike NMR, koji se koriste za procenu fizičkih karakteristika različitih vrsta sirove nafte ili teških rezidua, poznati su u stanju tehnike.
[0008] Dokument pod naslovom "NMR properties of petroleum reservoir fluids" koji su napisali G. J. Hirasaki, Sho-Wei Lo, Y. Zhang, Magnetic Resonance Imaging, april 2003, vol.21, br. 3-4, strane 269-277, na primer, opisuje korelaciju koja postoji između prosečnih vremena relaksacije protona ugljovodonika i osobina različitih vrsta sirove nafte.
[0009] Još jedan od poznatih metoda opisan je u članku "Low field 1H NMR relaxometry and multivariate data analysis in crude oil viscosity prediction" koji su napisali P.F. de Oliveira Ramos et al. u Chemometrics and Intelligent Laboratory Systems 99, 2009, 121-126. Sastoji se od primene modela parcijalne regresije najmanjih kvadrata (partial least squares regression, PLSR) na neobrađene T2 relaksacione krive za određivanje viskoznosti različitih vrsta sirove nafte.
[0010] Ovi metodi omogućavaju procenjivanje nekih fizičkih osobina različitih vrsta sirove nafte, kao što su dinamička viskoznost ili API stepen.
[0011] Drugi metod opisan je u US patentu 6,477,516 u kojem se NMR spektar ugljovodonika deli u regione, od kojih se svaki procenjuje kvantifikovanjem intenziteta signala; tako dobijene vrednosti primenjuju se na neuronsku mrežu obučenu da količine izvedene iz spektra koreliše sa parametrima ugljovodonika.
[0012] Tradicionalne tehnike izvode prosečne vrednosti vremena relaksacije protona iz relaksacionih krivih, poznatim metodima, kao što je Carr-Purcell-Meiboom-Gill (CPMG) metod koji omogućava merenje vremena transverzalne relaksacije ili "spinspin" (T2). Drugi poznati metod je inverzija-oporavak, koji omogućava merenje vremena longitudinalne relaksacije ili "spin-mreža (T1)"
[0013] Kada se dobiju prosečne vrednosti vremena relaksacije, ona se korelišu sa nekim fizičkim osobinama kao što su, na primer, dinamička viskoznost ili API stepen različitih vrsta sirove nafte.
[0014] Iznenađujuće, podnosioci su utvrdili da je, detaljnjom obradom NMR relaksometrijskih krivih, moguće izvesti mnoge druge parametre. Podnosioci su, u stvari, otkrili da se iz NMR relaksometrijskih krivih može dobiti izuzetno pouzdana procena čak i o fizičko-hemijskim parametrima formanata sirove nafte, kao što su na primer, asfalteni, smole i CCR (Conradson carbon residue, sadržaj koksnog ostatka po Conradsonu), o elementima vezanim za organska jedinjenja, na primer o sumporu ili metalima, i o destilacionim krivama nafte.
[0015] Protoni molekula sirove nafte imaju svojstvo da se različito orijentišu u zavisnosti od magnetnog polja kojem su izloženi, posebno u odnosu na molekularno okruženje kojem pripadaju. Okruženje je karakteristika svakog molekula i od njega zavise fizičko-hemijske karakteristike samog molekula.
[0016] Podnosioci su utvrdili da je primenom statističke analize na NMR relaksacione krive, putem neuronskih mreža, bez postupaka podešavanja, moguće dobiti mnogo više informacija o karakteristikama sirove nafte.
[0017] Prvi cilj predmetnog pronalaska je obezbeđivanje metoda predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža na NMR relaksacione krive, pri čemu pomenute krive ne podležu nikakvoj preventivnoj transformaciji.
[0018] Još jedan cilj predmetnog pronalaska je obezbeđivanje metoda predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža, kojim se izbegavaju složene i mukotrpne fizičko-hemijske analize koje zahtevaju korišćenje brojnih instrumentalnih tehnika.
[0019] Ovi ciljevi, u skladu sa predmetnim pronalaskom, postižu se obezbeđivanjem metoda predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža, kao što je navedeno u patentnom zahtevu 1.
[0020] Dodatne karakteristike pronalaska navedene su u zavisnim patentnim zahtevima.
[0021] Za potrebe predmetnog pronalaska, izraz sirova nafta obuhvata bez razlike naftu kada se ekstrahuje iz rezervoara, ili primarno loživo ulje, ili mešavinu različite vrsta sirove nafte. Tačnije, predmetni pronalazak se odnosi na metod predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža, metod uključuje sledeće faze:
- određivanje T2 NMR relaksacione krive za nepoznatu sirovu naftu i njeno konvertovanje u logaritamsku relaksacionu krivu;
- biranje vrednosti pomenute logaritamske relaksacione krive, koje leže na karakterizacionoj mreži čiji su razmaci između uzastopnih linija konstantni i u opsegu su od 0.1 ms do 1 ms;
- unos pomenutih odabranih vrednosti kao ulaznih podataka za višeslojnu neuronsku mrežu po tipu povratne propagacije (bekpropagacija), obučenu i optimizovanu putem genetičkih algoritama;
- predviđanje, putem pomenute obučene i optimizovane neuronske mreže, najmanje jednog od sledećih fizičko-hemijskih faktora nepoznate sirove nafte:
• TBP (true boiling point, prava temperatura ključanja) prinos
• API stepen
• viskoznost
• sadržaj sumpora
• kiselost
• sadržaj parafina
• sadržaj naftena
• sadržaj aromata
• sadržaj naftena 2 aromata
• tačka dimljenja
• tačka mržnjenja
• tačka zamućenja
• tačka stinjavanja
• cetanski indeks
• sadržaj nikla
• sadržaj vanadijuma
• sadržaj asfaltena
• sadržaj koksnog ostatka (Conradson carbon residue, C.C.R.),
ili predviđanje putem pomenute obučene i optimizovane neuronske mreže, destilacione krive za nepoznatu sirovu naftu.
[0022] Prema poželjnom primeru izvođenja predmetnog pronalaska, pre predviđanja pomenutog/pomenutih fizičko-hemijskih faktora ili pomenute destilacione krive pomenute nepoznate sirove nafte, pomenuta višeslojna neuronska mreža po tipu povratne propagacije, obučena je i optimizovana prema procesu koji uključuje sledeće faze:
- određivanje T2 NMR relaksacionih krivih za najmanje 5 uzoraka sirove nafte; - konvertovanje pomenutih relaksacionih krivih T2 u logaritamske relaksacione krive;
- biranje vrednosti pomenutih logaritamskih relaksacionih krivih, koje leže na karakterizacionoj mreži čiji su razmaci između uzastopnih linija u opsegu od 0.1 ms do 1 ms;
- određivanje, laboratorijskim analizama, pomenutog/pomenutih fizičkohemijskih faktora odnosno pomenute destilacione krive, pomenutih uzoraka sirove nafte;
- unos pomenutih odabranih vrednosti pomenutih uzoraka sirove nafte kao ulaznih podataka za višeslojnu neuronsku mrežu po tipu povratne propagacije i pomenutih fizičko-hemijskih faktora pomenutih uzoraka sirove nafte kao izlaznih podataka za pomenutu neuronsku mrežu;
- korišćenje pomenute neuronske mreže za korelisanje pomenutih odabranih vrednosti pomenutih uzoraka sirove nafte sa pomenutim fizičko-hemijskim faktorom/faktorima ili pomenutom destilacionom krivom pomenutih uzoraka sirove nafte, respektivno;
- optimizovanje pomenute neuronske mreže putem genetičkih algoritama da bi se na najmanju moguću meru svela apsolutna greška između kvantitativnih vrednosti predviđenih pomoću neuronske mreže i kvantitativnih vrednosti određenih laboratorijskim analizama u vezi sa pomenutim fizičko-hemijskim faktorima pomenutih uzoraka sirove nafte.
[0023] U poželjnom primeru izvođenja predmetnog pronalaska, pomenuta relaksaciona kriva konvertuje se u logaritamsku relaksacionu krivu sa osnovom 10 (log10).
[0024] Vrednosti korišćene kao ulazni podaci za neuronsku mrežu odabrane su na osnovu intersekcije logaritamskih relaksacionih krivih sa linijama karakterizacione mreže, koje imaju konstantni vremenski razmak.
[0025] Prekratki razmak između linija mreže stvara preopterećenje neuronske mreže ulaznim podacima, uz posledični rizik od preučavanja, čime se povećava značaj određenog slučaja i ugrožava predviđena vrednost.
[0026] Obrnuto, preveliki razmak između linija koje formiraju pomenutu karakterizacionu mrežu dovodi do gubitka informacija, čime se ugrožava validnost predviđanja ovim metodom.
[0027] Za potrebe predmetnog pronalaska, odabrane su vrednosti razmaka između linija, koje se smatraju kao optimalne za svrhu predviđanja ovim metodom. Preciznije, pomenuti razmak između linija može biti u opsegu od 0.1 ms do 1 ms, i poželjno iznosi 0.25 ms.
[0028] U skladu sa poželjnim primerom izvođenja predmetnog pronalaska, smatra se da je prosečna apsolutna greška svedena na najmanju moguću meru onda kada razlika između prosečnih kvantitativnih vrednosti predviđenih predmetnim metodom i prosečnih kvantitativnih vrednosti određenih eksperimentalno dostiže minimalnu i konstantnu vrednost tokom obučavanja i faze optimizacije.
[0029] U skladu sa poželjnim primerom izvođenja predmetnog pronalaska, broj uzoraka sirove nafte koji će se analizirati u oobučavanju i procesu optimizacije poželjno može biti u opsegu od 15 do 30.
[0030] U poželjnom primeru izvođenja, pomenuti metod omogućava da se fizičkohemijski faktori nepoznate sirove nafte predvide prema šemi definisanoj u Tabeli 1.
Tabela 1
[0031] Predmetni pronalazak omogućava predviđanje destilacione krive sirove nafte u njenim različitim frakcijama: gas, nafte, kerozini, dizel, vakuumski destilati i naftni talog.
[0032] Posebno, tokom obučavanja i procesa optimizacije, destilacione krive uzoraka različitih vrsta sirove nafte mogu se dobiti standardnim metodima poznatim stručnjacima u oblasti.
[0033] Predmetni metod omogućava da se destilaciona kriva sirove nafte odredi u različitim tačkama prekida destilacije, navedenim u Tabeli 2.
Tabela 2
[0034] U skladu sa predmetnim pronalaskom, broj vrednosti definisanih i odabranih presekom relaksacionih krivih i karakterizacionih mreža opisanih u predmetnom pronalasku, konačan je broj i nikada ne prelazi 10000.
[0035] U vezi sa Tabelom 2, destilaciona frakcija ili prekid može se identifikovati prema prirodi jedinjenja, na primer C4 tj. butan, ili prema temperaturi destilacije, na primer 120°C.
[0036] Dodatne karakteristike i prednosti metoda predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža postaće jasnije posle opisa koji sledi i ilustrativnih i neograničavajućih primera izvođenja, uz pozivanje na priložene crteže u kojima:
- slika 1 ilustruje blok-šemu koja prikazuje glavne faze metoda prema predmetnom pronalasku;
- slika 2 ilustruje blok-šemu koja prikazuje glavne faze obučavanja i procesa optimizacije neuronske mreže prema predmetnom pronalasku;
- slika 3 ilustruje relaksacionu krivu T2 nekih uzoraka različitih vrsta sirove nafte;
- slika 4 ilustruje logaritamsku relaksacionu krivu sa osnovom 10 nekih uzoraka različitih vrsta sirove nafte i karakterizacionu mrežu sa vertikalnim linijama; - slika 5 ilustruje grafičko poređenje predviđenih vrednosti u vezi sa sadržajem asfaltena u n-C7, i onih koje su dobijene laboratorijskim analizama, za uzorke različitih vrsta sirove nafte.
[0037] Uz pozivanje na sliku 1, ilustrovan je poželjan metod predviđanja, koji uključuje prvu fazu za određivanje NMR relaksacione krive T2 (faza 101) tehnikama poznatim u stanju tehnike. Uz dodatno pozivanje na sliku 4, pomenuta NMR relaksaciona kriva T2 se zatim konvertuje u logaritamsku relaksacionu krivu (401) i pravi presek sa karakterizacionom mrežom (402).
[0038] Slika 3 prikazuje neke ilustrativne NMR relaksacione krive T2 (301), gde svaka kriva predstavlja vreme potrebno da transverzalna magnetizacija opadne u odnosu na početnu vrednost.
[0039] U vezi sa unapred odabranim vremenskim intervalima za definisanje amplitude okaca karakterizacione mreže (402), identifikovane su tačke (403) logaritamske krive (401) koje će se odabrati (faza 102) za kasniju fazu unosa podataka u neuronsku mrežu (faza 103).
[0040] Sa posebnim pozivanjem na sliku 4, vreme je predstavljeno na apscisi i tačke (403) logaritamske relaksacione krive (401) koje će se odabrati, su one koje presecaju vertikalne linije karakterizacione mreže (402). Svaka od ovih odabranih tačaka predstavlja signal koji se može dobiti iz logaritamske krive T2 u odnosu na preciznu vrednost vremena. Vrednosti vremena odabrane su u pravilnim vremenskim intervalima i u opsegu su od 0.1 ms do 1 ms. Odabrane vrednosti logaritamske relaksacione krive su zatim upotrebljene kao ulazni podaci za višeslojnu neuronsku mrežu po tipu povratne propagacije (faza 103), za predviđanje fizičko-hemijskih faktora, ili alternativno destilacione krive, sirove nafte (faza 104).
[0041] Pomenuta neuronska mreža je obučena i optimizovana, u skladu sa procesom koji je prikazan dijagramom na slici 2.
[0042] Detaljnije, pre nego što se upotrebi za predviđanje osobina različitih nepoznatih vrsta sirove nafte, pomenuta neuronska mreža zahteva obučavanje i prosec optimizacije koji se vrše sa poznatim uzorcima sirove nafte.
[0043] Uz pozivanje na sliku 2, određene su NMR relaksacione krive T2 za određeni broj uzoraka različitih vrsta sirove nafte, poželjno više od 5 (faza 201). Pomenute NMR relaksacione krive T2 su zatim konvertovane u ekvivalentne logaritamske relaksacione krive (faza 202) .
[0044] Zatim se biraju vrednosti signala, koje odgovaraju preciznim vremenskim intervalima ovih logaritamskih krivih (faza 203). Pomenuti vremenski intervali, predstavljeni na slici 4 kao vertikalne linije karakterizacione mreže, ustanovljeni su unapred i u opsegu su od 0.1 ms do 1 ms.
[0045] Isti uzorci različitih vrsta sirove nafte korišćeni za dobijanje NMR relaksacionih krivih T2 izloženi su standardnim laboratorijskim analizama, poznatim u struci, da bi se identifikovali neki fizičko-hemijski parametri sirove nafte (faza 204’) ili, alternativno, da bi se odredila destilaciona kriva sirove nafte (faza 204").
[0046] Konstruisane su različite neuronske mreže, zavisno od traženih parametara, tj. fizičko-hemijskih faktora ili destilacione krive.
[0047] U prvom slučaju (faza 204’), za svaki analizirani uzorak sirove nafte, laboratorijskim analizama su dobijene vrednosti sledećih fizičko-hemijskih faktora:
- TBP (prava temperatura ključanja) prinos
- API stepen
- viskoznost
- sadržaj sumpora
- kiselost
- sadržaj parafina
1
- sadržaj naftena
- sadržaj aromata
- sadržaj naftena 2 aromata
- tačka dimljenja
- tačka mržnjenja
- tačka zamućenja
- tačka stinjavanja
- cetanski indeks
- sadržaj nikla
- sadržaj vanadijuma
- sadržaj asfaltena
- sadržaj koksnog ostatka (Conradson carbon residue, C.C.R.).
[0048] Ovi faktori se unose kao izlazni podaci za neuronsko izračunavanje, pri čemu se odabrane vrednosti logaritamskih relaksacionih krivih unose kao ulazni podaci (faza 205’).
[0049] Pomenuta neuronska mreža se zatim obučava da koreliše pomenute ulazne podatake sa pomenutim izlaznim podacima (faza 206’) i optimizuje putem genetičkih algoritama da bi se na najmanju moguću meru svela apsolutna greška između predviđenih vrednosti i vrednosti dobijenih laboratorijskim analizama (faza 207’).
[0050] Kada se apsolutna greška svede na najmanju moguću meru, neuronska mreža je spremna (faza 208’) za predviđanje fizičko-hemijskih faktora nepoznate sirove nafte, što je prikazano fazom 104 dijagrama na slici 1.
[0051] Alternativno, pomenuta neuronska mreža može se razviti kako bi se odabrane vrednosti logaritamskih relaksacionih krivih korelisale sa destilacionim krivim odnosnih uzorka sirove nafte.
[0052] U tom slučaju, odabrane vrednosti relaksacionih krivih koriste se kao ulazni podaci, a destilacione krive uzoraka različitih vrsta sirove nafte kao izlazni podaci za neuronsku mrežu (faza 205").
[0053] Pomenuta neuronska mreža se zatim obučava da koreliše pomenute ulazne podatke sa pomenutim izlaznim podacima (faza 206") i optimizuje putem genetičkih algoritama, kako bi se na najmanju moguću meru svela apsolutna greška između predviđenih vrednosti i vrednosti dobijenih laboratorijskim analizama (faza 207") .
[0054] Kada se apsolutna greška svede na najmanju moguću meru, neuronska mreža je spremna (faza 208'') za predviđanje destilacione krive nepoznate sirove nafte, kao što je prikazano fazom 104 dijagrama na slici 1.
[0055] U skladu sa predmetnim pronalaskom, ovako definisani metod omogućava da se predvide najreprezentativniji fizičko-hemijski faktori sirove nafte u kratkom vremenskom periodu i bez složenih laboratorijskih struktura, ili alternativno destilaciona kriva sirove nafte, sa stepenom aproksimacije koji se smatra prihvatljivim.
PRIMER 1
[0056] Izvršena je laboratorijska analiza fizičko-hemijskih osobina 16 uzoraka sirove nafte različitog porekla. Određena je NMR relaksaciona kriva T2 svakog uzorka sirove nafte.
[0057] Preciznije, različite analizirane vrste sirove nafte navedene su u Tabeli 3 i opisane u pogledu porekla, API stepena i sadržaja sumpora.
Tabela 3
[0058] Zatim su analizirane neke od fizičko-hemijskih karakteristika uzoraka sirove nafte. Tabela 4 prikazuje prosečne vrednosti opsega varijabilnosti razmatranih fizičkohemijskih karakteristika.
Tabela 4
[0059] Relaksacione krive T2 različitih analiziranih vrsta sirove nafte konvertovane su u odgovarajuće logaritamske relaksacione krive (log10), kako je ilustrovano na slici 4.
[0060] Uz pozivanje na sliku 4, odabrane su vrednosti (403) koje leže na karakterizacionoj mreži (ulazni podaci za neuronsko izračunavanje).
[0061] Karakterizaciona mreža je identifikovana tako da se smanje parametri izračunavanja, ali da se ne izgube važne informacije sadržane u istim podacima.
[0062] Zatim se biraju vrednosti krive sa apscisnim koordinatama prikazanim u Tabeli 5.
Tabela 5
[0063] Odabrani parametri se zatim koriste kao ulazni podaci za identifikovanje korelacije između NMR relaksacionih krivih T2 i osobina različitih vrsta sirove nafte i njihovih frakcija.
1
[0064] Da bi se utvrdila korelacija između faktora, koriste se nelinearni algoritmi, u posebnim višeslojnim neuronskim mrežama po tipu povratne propagacije, optimizovanim genetičkim algoritmima.
[0065] Tabela 6 prikazuje fizičko-hemijske karakteristike (izlazni podaci) sirove nafte i njenih frakcija.
Tabela 6
[0066] Tabela 7 prikazuje neke korelacione faktore za predviđene parametre, apsolutnu grešku (minimum, maksimum i prosek) dobijenu na osnovu poređenja eksperimentalnih vrednosti i vrednosti izračunatih neuronskom mrežom.
Tabela 7
1
[0067] Slika 5 prikazuje grafikon koji se odnosi na predviđanje sadržaja n-C7 asfaltena, koji ukazuje na dobru korelaciju između predviđenih vrednosti i izračunatih vrednosti.
[0068] Slika 5 predstavlja grafički prikaz vrednosti (501) dobijenih laboratorijskim analizama (apscisa), u vezi sa sadržajem n-C7 asfaltena u preseku sa odgovarajućim vrednostima predviđenim putem obučene i optimizovane neuronske mreže.
PRIMER 2
[0069] Isti uzorak od 16 vrsta sirove nafte, upotrebljen u Primeru 1 okarakterisan je u pogledu NMR relaksacione krive T2 i atmosferske i vakuumske destilacione krive, prema standardnim metodima ASTM D2892 i ASTM D1160.
[0070] Tabela 8 prikazuje temperature kojima odgovaraju vrednosti kumulativnih prinosa upotrebljenih u Primeru.
Tabela 8
[0071] Ulazni parametri za neuronske algoritme identifikovani su kako je opisano u Pimeru 1 i korišćeni su analogno za identifikovanje korelacije između NMR relaksacionih krivih T2 i destilacionih krivih različitih vrsta sirove nafte, dobijenih standardnim laboratorijskim analizama, poznatim u struci.
[0072] Tabela 9 prikazuje faktore korelacije za predviđene parametre i apsolutnu grešku (minimum, maksimum i prosek) između eksperimentalnih vrednosti i vrednosti
1
izračunatih neuronskom mrežom, iz kojih se vidi dobra saglasnost, pre svega u teškim frakcijama.
Tabela 9
1
Claims (5)
1. Metod metod predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža, naznačen time, što metod uključuje sledeće faze:
- određivanje T2 NMR relaksacione krive za nepoznatu sirovu naftu i njeno konvertovanje u logaritamsku relaksacionu krivu;
- biranje vrednosti pomenute logaritamske relaksacione krive, koje leže na karakterizacionoj mreži čiji su razmaci između uzastopnih linija konstantni i u opsegu su od 0.1 ms do 1 ms;
- unos pomenutih odabranih vrednosti kao ulaznih podataka za višeslojnu neuronsku mrežu po tipu povratne propagacije, obučenu i optimizovanu putem genetičkih algoritama;
- predviđanje, putem pomenute obučene i optimizovane neuronske mreže, najmanje jednog od sledećih fizičko-hemijskih faktora nepoznate sirove nafte:
• TBP prinos,
• API stepen,
• viskoznost,
• sadržaj sumpora,
• kiselost,
• sadržaj parafina,
• sadržaj naftena,
• sadržaj aromata,
• sadržaj naftena 2 aromata,
• tačka dimljenja,
• tačka mržnjenja,
• tačka zamućenja,
• tačka stinjavanja,
• cetanski indeks,
• sadržaj nikla,
• sadržaj vanadijuma,
• sadržaj asfaltena,
• sadržaj koksnog ostatka (Conradson carbon residue, C.C.R.),
ili predviđanje, putem pomenute obučene i optimizovane neuronske mreže, destilacione krive za nepoznatu sirovu naftu.
2. Metod prema patentnom zahtevu 1, naznačen time, što se pre predviđanja pomenutog/pomenutih fizičko-hemijskih faktora ili pomenute destilacione krive pomenute nepoznate sirove nafte, pomenuta višeslojna neuronska mreža po tipu povratne propagacije obučava i optimuzuje prema procesu koji uključuje sledeće faze:
- određivanje T2 NMR relaksacionih krivih za najmanje 5 poznatih uzoraka sirove nafte;
- konvertovanje pomenutih T2 relaksacionih krivih u logaritamske relaksacione krive;
- biranje vrednosti pomenutih logaritamskih relaksacionih krivih, koje leže na karakterizacionoj mreži čiji su vremenski razmaci između uzastopnih linija konstantni i u opsegu su od 0.1 ms do 1 ms;
- određivanje, laboratorijskim analizama, pomenutog/pomenutih fizičkohemijskih faktora odnosno pomenute destilacione krive, pomenutih uzoraka sirove nafte;
- unos pomenutih odabranih vrednosti pomenutih uzoraka sirove nafte kao ulaznih podataka za višeslojnu neuronsku mrežu po tipu povratne propagacije i pomenutih fizičko-hemijskih faktora pomenutih uzoraka sirove nafte kao izlaznih podataka za pomenutu neuronsku mrežu;
- korišćenje pomenute neuronske mreže za korelisanje pomenutih odabranih vrednosti pomenutih uzoraka sirove nafte sa pomenutim fizičko-hemijskim faktorom/faktorima ili pomenutom destilacionom krivom pomenutih uzoraka sirove nafte, respektivno;
- optimizovanje pomenute neuronske mreže putem genetičkih algoritama da bi se na najmanju moguću meru svela apsolutna greška između kvantitativnih vrednosti predviđenih pomoću neuronske mreže i kvantitativnih vrednosti određenih pomenutim laboratorijskim analizama u vezi sa pomenutim fizičkohemijskim faktorom/faktorima ili pomenutom destilacionom krivom, respektivno, pomenutih uzoraka sirove nafte.
1
3. Metod prema bilo kojem od prethodnih patentnih zahteva, naznačen time, što se pomenuta relaksaciona kriva konvertuje u logaritamsku relaksacionu krivu sa bazom 10 (log10).
4. Metod prema bilo kojem od prethodnih patentnih zahteva, naznačen time, što je konstantni vremenski razmak između linija jednak 0.25 ms.
5. Metod prema patentnom zahtevu 2, naznačen time, što je broj uzoraka sirove nafte koje treba analizirati tokom obučavanja i procesu optimizacije iznosi od 15 do 30.
2
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT001908A ITMI20111908A1 (it) | 2011-10-21 | 2011-10-21 | Metodo per predire le proprieta' dei greggi mediante l'applicazione delle reti neurali |
| EP12188776.4A EP2584381B1 (en) | 2011-10-21 | 2012-10-17 | Method for predicting the properties of crude oils by the application of neural networks |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RS58558B1 true RS58558B1 (sr) | 2019-05-31 |
Family
ID=44993727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RS20190323A RS58558B1 (sr) | 2011-10-21 | 2012-10-17 | Metod predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US9367796B2 (sr) |
| EP (1) | EP2584381B1 (sr) |
| ES (1) | ES2712560T3 (sr) |
| HU (1) | HUE043270T2 (sr) |
| IT (1) | ITMI20111908A1 (sr) |
| PL (1) | PL2584381T3 (sr) |
| PT (1) | PT2584381T (sr) |
| RS (1) | RS58558B1 (sr) |
| TR (1) | TR201903463T4 (sr) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10393723B2 (en) | 2012-01-13 | 2019-08-27 | Aspen Technology, Inc. | Method to represent metal content in crude oils, reactor feedstocks, and reactor products |
| US9934367B2 (en) | 2012-01-13 | 2018-04-03 | Aspen Technology, Inc. | Method of characterizing chemical composition of crude oil for petroleum processing |
| CN103869379B (zh) * | 2014-03-24 | 2016-06-29 | 东南大学 | 基于遗传算法优化改进bp神经网络的磁力计校正方法 |
| CN105021642A (zh) * | 2014-04-18 | 2015-11-04 | 中国石油化工股份有限公司 | 一种由核磁共振谱预测柴油十六烷值的方法 |
| US9851315B2 (en) | 2014-12-11 | 2017-12-26 | Chevron U.S.A. Inc. | Methods for quantitative characterization of asphaltenes in solutions using two-dimensional low-field NMR measurement |
| GB2549017B (en) * | 2015-01-29 | 2021-03-03 | Halliburton Energy Services Inc | Determining the oleophilic to aqueous phase fluid ratio for drilling fluids |
| EP3289495B1 (en) * | 2015-05-01 | 2024-05-29 | AspenTech Corporation | Method to represent metal content in crude oils, reactor feedstocks, and reactor products |
| CN105136836B (zh) * | 2015-09-28 | 2017-10-10 | 中国石油大学(北京) | 低场核磁共振确定沥青质含量的方法及装置 |
| US10634746B2 (en) | 2016-03-29 | 2020-04-28 | Chevron U.S.A. Inc. | NMR measured pore fluid phase behavior measurements |
| US10781686B2 (en) | 2016-06-27 | 2020-09-22 | Schlumberger Technology Corporation | Prediction of fluid composition and/or phase behavior |
| US11101020B2 (en) | 2017-04-24 | 2021-08-24 | Aspen Technology, Inc. | Molecular characterization method and system |
| CN107728231B (zh) * | 2017-10-18 | 2019-04-12 | 科为联合(青岛)能源技术研究院有限公司 | 一种预测核磁共振测井横向弛豫时间t2分布的方法 |
| CN107941838B (zh) * | 2017-11-14 | 2019-08-23 | 西安石油大学 | 一种二氧化碳驱油过程中沥青质沉淀对孔喉分布影响的定量评价方法 |
| WO2019173344A1 (en) * | 2018-03-06 | 2019-09-12 | Schlumberger Technology Corporation | Method for determining the true boiling points of complex hydrocarbon fluids using nuclear magnetic resonance |
| FR3078804B1 (fr) * | 2018-03-06 | 2021-07-30 | Arkema France | Procede de selection de solvants adaptes a des polymeres fluores |
| CN108664893B (zh) * | 2018-04-03 | 2022-04-29 | 福建海景科技开发有限公司 | 一种人脸检测方法及存储介质 |
| US20220364465A1 (en) * | 2019-10-22 | 2022-11-17 | Schlumberger Technology Corporation | Determining reservoir fluid phase envelope from downhole fluid analysis data using physics-informed machine learning techniques |
| WO2021081174A1 (en) | 2019-10-22 | 2021-04-29 | Schlumberger Technology Corporation | Fluid type identification from downhole fluid analysis using machine learning techniques |
| CN111190233B (zh) * | 2020-01-10 | 2021-08-27 | 吉林大学 | 一种基于展宽指数c的预极化场磁共振正反演方法 |
| TR202014625A1 (tr) * | 2020-09-15 | 2022-03-21 | Socar Turkey Enerji A S | Hidrokraker reaktör sıcaklık optimizasyonu için hammadde içerisindeki azotun önceden tahminleme sistem ve yöntemi. |
| CN117037939B (zh) * | 2023-07-24 | 2025-11-21 | 中国地质大学（北京） | 一种预测稠油中二苯并噻吩系列化合物含量的方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6477516B1 (en) * | 2000-05-16 | 2002-11-05 | Intevep, S.A. | System and method for predicting parameter of hydrocarbon with spectroscopy and neural networks |
| US6859032B2 (en) * | 2001-12-18 | 2005-02-22 | Schlumberger Technology Corporation | Method for determining molecular properties of hydrocarbon mixtures from NMR data |
| CA2540791C (en) * | 2003-10-03 | 2013-12-10 | Halliburton Energy Services, Inc. | System and methods for t1-based logging |
| US7511819B2 (en) * | 2003-11-10 | 2009-03-31 | Baker Hughes Incorporated | Light source for a downhole spectrometer |
| WO2005067569A2 (en) * | 2004-01-04 | 2005-07-28 | Halliburton Energy Services, Inc. | Method and apparatus for detecting hydrocarbons with nmr logs in wells drilled with oil-based muds |
| US20080253426A1 (en) * | 2004-09-17 | 2008-10-16 | Joachim Voelkening | Method of Assaying a Hydrocarbon-Containing Feedstock |
| US8645079B2 (en) * | 2005-09-01 | 2014-02-04 | Kuwait University | Method for measuring the properties of petroleum fuels by distillation |
| EP1801394A1 (en) * | 2005-12-22 | 2007-06-27 | Inergy Automotive Systems Research (SA) | Method for the onboard determination of the volatility of a fuel |
| CN101675332B (zh) * | 2007-05-02 | 2011-04-06 | 国际壳牌研究有限公司 | 预测可由原油得到的渣油的物理性能的方法 |
| FR2930598B1 (fr) * | 2008-04-24 | 2012-01-27 | Sp3H | Procede d'optimisation du fonctionnement d'un moteur thermique par determination de la proportion des composes oxygenes dans le carburant |
| US8400147B2 (en) * | 2009-04-22 | 2013-03-19 | Schlumberger Technology Corporation | Predicting properties of live oils from NMR measurements |
| US20100305872A1 (en) * | 2009-05-31 | 2010-12-02 | University Of Kuwait | Apparatus and Method for Measuring the Properties of Petroleum Factions and Pure Hydrocarbon Liquids by Light Refraction |
-
2011
- 2011-10-21 IT IT001908A patent/ITMI20111908A1/it unknown
-
2012
- 2012-10-17 PL PL12188776T patent/PL2584381T3/pl unknown
- 2012-10-17 TR TR2019/03463T patent/TR201903463T4/tr unknown
- 2012-10-17 RS RS20190323A patent/RS58558B1/sr unknown
- 2012-10-17 ES ES12188776T patent/ES2712560T3/es active Active
- 2012-10-17 HU HUE12188776A patent/HUE043270T2/hu unknown
- 2012-10-17 EP EP12188776.4A patent/EP2584381B1/en active Active
- 2012-10-17 PT PT12188776T patent/PT2584381T/pt unknown
- 2012-10-18 US US13/655,214 patent/US9367796B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20130103627A1 (en) | 2013-04-25 |
| PT2584381T (pt) | 2019-02-14 |
| US9367796B2 (en) | 2016-06-14 |
| EP2584381B1 (en) | 2018-12-12 |
| ITMI20111908A1 (it) | 2013-04-22 |
| ES2712560T3 (es) | 2019-05-13 |
| TR201903463T4 (tr) | 2019-04-22 |
| PL2584381T3 (pl) | 2019-07-31 |
| HUE043270T2 (hu) | 2019-08-28 |
| EP2584381A1 (en) | 2013-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RS58558B1 (sr) | Metod predviđanja osobina različitih vrsta sirove nafte primenom neuronskih mreža | |
| US9816919B2 (en) | Characterization of crude oil by simulated distillation | |
| US9846147B2 (en) | Prediction of refining characteristics of oil | |
| JP4551451B2 (ja) | 精油所供給原料又は精油所プロセスの生成物の分析のための携帯装置 | |
| US6275775B1 (en) | Method for determining at least one physico-chemical property of a petroleum fraction | |
| Morgan et al. | Evaluation of the physicochemical properties of the postsalt crude oil for low-field NMR | |
| RS53390B (sr) | Postupak predviđanja kvaliteta i prinosa sirove nafte | |
| Barbosa et al. | Application of low field NMR as an alternative technique to quantification of total acid number and sulphur content in petroleum from Brazilian reservoirs | |
| Barbosa et al. | Low-field nuclear magnetic resonance for petroleum distillate characterization | |
| Montes et al. | Low-field NMR: A new alternative to determine the aromatic content of petroleum distillates | |
| CN107250770B (zh) | 通过近红外光谱法表征原油 | |
| Canan et al. | Rapid characterization of crude oil by NMR relaxation using new user-friendly software | |
| Barbosa et al. | Relative hydrogen index as a fast method for the simultaneous determination of physicochemical properties of petroleum fractions | |
| Flumignan et al. | Multivariate calibrations in gas chromatographic profiles for prediction of several physicochemical parameters of Brazilian commercial gasoline | |
| Choudhary et al. | Characterization of heavy petroleum feedstocks | |
| US20190101609A1 (en) | Predicting solids content, boiling point information, and micro carbon residue content of extra heavy oil samples using low-field time-domain nmr | |
| Wen et al. | Evaluation of heavy oil/bitumen-solvent mixture viscosity models | |
| Pourabdollah et al. | Application of 1H NMR in the flow surveillance of oil wells | |
| Kock et al. | Application of Time-Domain NMR for the Determination of Carbon Chain Length in Petroleum Distillates | |
| Watt et al. | Crude assay | |
| Adetoro et al. | Characterization of Nigerian crude oil using ASTM86 test method for design of mini refinery | |
| CA2981633C (en) | Predicting solids content, boiling point information, and micro carbon residue content of extra heavy oil samples using low-field time-domain nmr | |
| US10317325B2 (en) | Prediction of kinematic viscosity of vacuum residue and refinery heavy product blends | |
| León et al. | Innovative density measurement techniques for vacuum residues of crude oil and their fractions using toluene dilution | |
| US9915606B2 (en) | Method for transferring between spectrometers |