Automated information system for natural gas quality analysis

封面

如何引用文章

全文:

详细

The article proposes an automated information system for determining the energy parameters of natural gas, shows its main components, and shows a version of the system’s operation based on experimental data. The proposed architecture of the automated system consists of the following parts: an information subsystem that implements the developed algorithms, a measurement information subsystem, and an analysis subsystem. The main advantages of the method and the system based on it are as follows: multifunctionality, which allows to modify the system at each stage for a specific task and obtain the necessary measurement information using commercially available and relatively inexpensive measuring equipment. Development of a model for solving the problem of analyzing the quality of natural gas includes a number of successive stages, namely: selection of data for training the model; choice of model architecture; choosing a model training method; assessing the accuracy of the model. The system was tested using the results of experiments conducted in laboratory conditions using data from real gas mixtures. Indicators of the accuracy of determining energy parameters have been calculated, from which it can be concluded that the method under study and the system based on it can be used to analyze the quality of real gas mixtures. The implemented architecture of the automated information system is information and computing, providing analysis of gas quality with low time costs.

作者简介

Ivan Brokarev

National University of Oil and Gas «Gubkin University», Moscow, V.A. Trapeznikov Institute of Control Sciences of RAS

Email: brokarev.i@gubkin.ru
Moscow

Sergei Vaskovskii

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: v63v@yandex.ru
Moscow

Mais Farhadov

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: mais@ipu.ru
Moscow

参考

  1. КЕЛЛЕР Ю.А. Разработка искусственных нейронных се-тей для предсказания технологической эффективности от выравнивания профиля приемистости // Известия Томского политехнического университета. Информаци-онные технологии. – 2014. – № 5. –C. 60–65.
  2. КОЧУЕВА О.Н. Аппроксимация коэффициента сжима-емости газа на основе генетических алгоритмов // Ав-томатизация и информатизация ТЭК. – 2023. – №11(604). – С. 59–68. – doi: 10.33285/2782-604X-2023-11(604)-59-68.
  3. КОЧУЕВА О.Н. Разработка моделей прогнозирования выбросов оксидов углерода и азота газовых турбин на основе генетических алгоритмов // Деловой журнал Neftegaz.RU. – 2022. – №5-6(125-126). – С. 14–20.
  4. КОЧУЕВА О.Н., СКОРОВ Д.С., ЛЕБЕДЕВА А.Ю Оценка применимости методов увеличения нефтеотдачи с ис-пользованием искусственной нейронной сети // Автома-тизация, телемеханизация и связь в нефтяной промыш-ленности. – 2020. – №1(558). – С. 8–13. – doi: 10.33285/0132-2222-2020-1(558)-8-13.
  5. ЛЕОНОВ М.Г., ЖИРНОВ Б.С. Обработка эксперимен-тальных данных процесса коксования с помощью нейронных сетей // Нефтегазовое дело. – 2014. –№2. – С. 151–165.
  6. МАНДРИК И.Э., ШАХВЕРДИЕВ А.X., СУЛЕЙМА-НОВ И.В. Оценка и прогноз нефтеотдачи на основе мо-делирования нейронными сетями // Нефтяное хозяйство. – 2005. –№10. – С. 31–34.
  7. ПЧЕЛЬНИКОВ И.В., БОРХОВИЧ С.Ю., НАТАРОВ А.Л. Перспективы прогнозирования эффективности ГТМ на основе нейросетевого моделирования // Нефть. Газ. Но-вации. – 2016. –№4. – С. 37–40.
  8. СОЛОМАТИН Г.И., ЗАХАРЯН А.З., АШКАРИН Н.И. Прогнозирование работы скважин с помощью искус-ственных нейронных сетей // Нефтяное хозяйство. – 2002. –№10. – С. 92–96.
  9. ASHENA R., THONHAUSER G Application of Artificial Neural Networks in Geoscience and Petroleum Industry // Artificial Intelligent Approaches in Petroleum Geosciences. – 2015. – P. 127–166.
  10. BROKAREV I.A., FARKHADOV M.P., VASKOVSKII S.V. Recurrent neural networks to analyze the quality of natural gas // Vestnik Tomskogo Gosudarstvennogo Universiteta – Upravlenie, Vychislitel'naya Tekhnika i Informatika. – 2021. – No. 55. – P. 11–17.
  11. BROKAREV I.A., VASKOVSKII S.V. Gas Quality Determi-nation Using Neural Network Model-based System // Proc. of the 2nd Int. Workshop on Stochastic Modeling and Ap-plied Research of Technology (SMARTY 2020). – Petroza-vodsk: Institute of Applied Mathematical Research, Karelia Research Centre of the Russian Academy of Sciences, 2020. – Vol. 2792. – P. 113–128.
  12. BROKAREV I.A., VASKOVSKII S.V. Investigation of Reli-ability for Information System for Natural Gas Quality Anal-ysis // Advances in Systems Science and Applications. – 2022. – Vol. 22, No. 2. – P. 11–20.
  13. BROKAREV I.A., VASKOVSKII S.V. Multi-criteria estima-tion of input parameters in natural gas quality analysis // Advances in Systems Science and Applications. – 2020. – Vol. 20, No. 2. – P. 60-69.
  14. DÖRR H., KOTURBASH T., KUTCHEROV V. Review of impacts of gas qualities with regard to quality determination and energy metering of natural gas // Measurement Science and Technology. – 2019. – Vol. 30, No. 2. – P. 1–20.
  15. JIMENEZ DE LA CRUZ G., RUZ-HERNANDEZ J., SHELO-MOV E., SALAZAR-MENDOZA R. Optimization of an Oil Production System using Neural Networks and Genetic Algo-rithms // Proc. of the Joint 2009 Int. Fuzzy Systems Associa-tion World Congress and 2009 European Society of Fuzzy Logic and Technology Conference. – 2009. – P. 1815–1820.
  16. KAUR J., ADAMCHUK V., WHALEN J., ISMAIL A. De-velopment of an NDIR CO2 Sensor-Based System for As-sessing Soil Toxicity Using Substrate-Induced Respiration // Sensors. – 2015. – No. 15. – P. 4734–4748.
  17. KOTURBASH T., BICZ A., BICZ W. New instrument for measuring velocity of sound and quantitative characteriza-tion of binary gas mixtures composition // Measurement Au-tomation Monitoring. – 2016. – P. 254–258.
  18. KOTURBASH T., BICZ A., KUTCHEROV V.G. Real-time quality metering of propanated biomethane. – 2021. – Vol. 27, No. 1. – P. 8.
  19. Matlab 2019b Software. – URL: https://www.mathworks.com (Дата обращения: 30.05.2023).
  20. MIRZAEI-PAIAMAN A., SALAVATI S. The Application of Artificial Neural Networks for the Prediction of Oil Produc-tion Flow Rate // Energy Sources, Part A: Recovery, Utiliza-tion, and Environmental Effects. – 2012. – No. 34:19. – P. 1834–1843.
  21. PETCULESCU A. An acoustic approach to assess natural gas quality in real time // The Journal of the Acoustical So-ciety of America. – 2017. – No. 142. – P. 2547.
  22. REFPROP Software. – URL: https://www.nist.gov/srd/refprop (Дата обращения: 30.05.2023).
  23. WU F., YAN Y., YIN C. Real-time microseismic monitoring technology for hydraulic fracturing in shale gas reservoirs: A case study from the Southern Sichuan Basin // Natural Gas Industry. – 2017. – Vol. 4, Iss. 1. – P. 68–71.
  24. YI P., LIZHI X., YUANZHONG Z. Remote real-time moni-toring system for oil and gas well based on wireless sensor networks // Int. Conf. on Mechanic Automation and Control Engineering. – 2010. – P. 2427–2429.

补充文件

附件文件
动作
1. JATS XML
下载


Creative Commons License
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».