Predicting the Hydrate Stability Zones of Natural Gases Using Artificial Neural Networks
Prévision des zones de stabilité d'hydrates de gaz naturels par utilisation de réseaux de neurones artificiels
1
Centre for Gas Hydrate Research, Institute of Petroleum Engineering, Heriot-Watt University, Edinburgh EH14 4AS, Scotland, UK
2
Centre Énergétique et Procédés, École Nationale Supérieure des Mines de Paris, CNRS FRE 2861, CEP/TEP, 35 rue Saint Honoré, 77305 Fontainebleau, France
Corresponding authors: antonin.chapoy@pet.hw.ac.uk amir-hossein.mohammadi@cep.ensmp.fr dominique.richon@cep.ensmp.fr
A feed-forward artificial neural network with 19 input variables (temperature, gas hydrate structure, gas composition and inhibitor concentration in aqueous phase) and 35 neurons in single hidden layer has been developed for estimating hydrate dissociation pressures of natural gases in the presence/absence of inhibitor aqueous solutions. The model has been developed using 3296 hydrate dissociation data gathered from the literature. The reliability of the method has been examined using independent experimental data (not used in training and developing the model). It is shown that the results of predictions are in acceptable agreement with experimental data indicating the capability of the artificial neural network for estimating hydrate stability zones of natural gases.
Résumé
Une méthode par réseaux de neurones artificiels avec alimentation dans le sens direct faisant appel à 19 variables d'entrée (température, structure de l'hydrate, composition du gaz et concentration de l'inhibiteur en phase aqueuse) et 35 neurones dans une phase cachée unique, a été développée pour estimer les pressions de dissociation d'hydrates de gaz naturels en présence ou non d'inhibiteur en solution aqueuse. Le modèle a été développé en faisant appel à 3296 données de dissociation d'hydrates collectées dans la littérature. La fiabilité de la méthode a été vérifiée par utilisation de données expérimentales indépendantes (non utilisées pour l'apprentissage du réseau de neurones et le développement du modèle). On montre que les résultats de calculs (prédictions) sont en accord acceptable avec les valeurs expérimentales prouvant ainsi la capacité des réseaux de neurones pour l'estimation des zones de stabilité d'hydrates de gaz naturels.
© IFP, 2007