ارائه رابطه نیمه‌تجربی نوین به منظور طراحی جداسازهای دوفازی

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده مهندسی نفت دانشگاه صنعتی امیرکبیر، تهران، ایران

10.22078/pr.2021.4389.2992

چکیده

جداسازها در میدان‌های تولیدی نفت و گاز دارای نقش بسیار مهم و کلیدی هستند. به همین دلیل، طراحی بهینه آنها بسیار با اهمیت است. روش طراحی با معادلات نیمه‌تجربی روشی مرسوم برای تعیین ابعاد جداسازها است. با این حال، به دلیل فرضیات ساده‌کننده‌ای که در آنها استفاده می‌شود، فقط می‌تواند برای بدست آوردن برآورد تقریبی از ابعاد جداسازها استفاده شود. در این مطالعه، با استفاده از واحد پایلوت جداساز دو فازی گاز-مایع صحت و دقت روابط نیمه‌تجربی بررسی گردید و از نتایج آزمایشگاهی و نتایج به دست آمده از شبیه‌سازی CFD به عنوان داده‌های لازم برای طراحی و ساخت شبکه عصبی بهینه‌سازی شده با الگوریتم ژنتیک استفاده شدند و یک مدل برای تعیین ضریب تصحیح روابط نیمه‌تجربی در شرایط عملکردی متفاوت ارائه گردید. واحد پایلوت آزمایش جداساز متشکل از یک جداساز افقی دو فازی در مقیاس آزمایشگاهی، پمپ‌ها، کمپرسورها و یک مخلوط‌کننده استاتیک برای تشکیل جریان دو فازی و یک فیلتر مایع برای به دام انداختن قطرات مایع از جریان گاز خروجی از جداساز است. با استفاده از وزن‌ کردن قطره‌های مایع گیر انداخته‌شده بازده جداسازی و با استفاده از تصویربرداری حداکثر قطر قطرات مایع در جریان گاز خروجی تعیین می‌شود. مدل CFD توسعه داده شده با داده‌های آزمایشگاهی دارای خطای نسبی کمتر از 8% بود و مقدار خطای جذر میانگین مربعات شبکه عصبی بهینه‌سازی شده با الگوریتم ژنتیک برای مقادیر واقعی و پیش بینی شده ضرایب تصحیح برابر با 1% است. یکی از مهمترین دستاوردهای این پژوهش فراهم آوردن بستر لازم برای طراحی بهینه جداسازهای سطحی است.
 

کلیدواژه‌ها


عنوان مقاله [English]

Providing a Novel Semi-empirical Relationship for the Design of Two-phase Separators

نویسندگان [English]

  • Mehdi Fadaei
  • Mohammad javad ameri
  • Yousef Rafiei
  • Mohammad reza hossein zadeh
  • Ali Salmani Sayah
  • Kayvan ghorbanpour
Petroleum Engineering Department, Amirkabir University of Technology, Tehran, Iran
چکیده [English]

Separators play a very important and key role in oil and gas production fields. For this reason, their optimal design is very important. The design method with semi-empirical equations is a common method for determining the dimensions of separators. However, due to the simplifying assumptions used in them, it can only be used to obtain an approximate estimate of the dimensions of the separators. In this study, the accuracy of semi-empirical relationships was investigated using a gas-liquid separator pilot unit and the experimental results and the results obtained from CFD simulation as necessary data for the design and construction of a neural network optimized by Genetic algorithm. A model was proposed to determine the correction factor of semi-experimental relationships under different operating conditions. The pilot unit of the separator test consists of a laboratory-scale two-phase horizontal separator, pumps, compressors and a static mixer to form a two-phase flow and a liquid filter to trap liquid droplets from the exhaust gas flow from the separator. The separation efficiency is determined by weighing the dispersed liquid droplets. The maximum diameter of the liquid droplets in the exhaust gas flow is determined by imaging. The CFD model developed with laboratory data had a relative error of less than 8 percent, and the root mean square error of the neural network optimized by the genetic algorithm for the actual and predicted values of the correction factor was 1%. One of the most important achievements of this research is to provide the necessary basis for the optimal design of surface separators.
 

کلیدواژه‌ها [English]

  • Design
  • Two-phase Separator
  • Novel
  • Relationship
[1] Fewel Jr, K, Kean J A (1992) Computer modeling aids separator retrofit, Oil and Gas Journal, (United States), 90: 27.##
[2] Wilkinson D, Waldie B (1994) CFD and experimental studies of fluid and particle flow in horizontal primary separators, Chemical Engineering Research and Design, 72, 2: 189-196. ##
[3] Wilkinson D, Waldie B, Nor M M, Lee H Y (2000) Baffle plate configurations to enhance separation in horizontal primary separators, Chemical Engineering Journal, 77, 3: 221-226. ##
[4] Qaroot Y F (2013) Simulation of three-phase separator performance, The Petroleum Institute (United Arab Emirates). ##
[5] Hansen E W, Celius H K, Hafskjold B (1995) Fluid flow and separation mechanisms in offshore separation equipment, International Symposium On Two-Phase Flow Modelling and Experimentation. ##
[6] Laleh A P, Svrcek W Y, Monnery W D (2012) Design and CFD studies of multiphase separators—a review, The Canadian Journal of Chemical Engineering, 90, 6: 1547-1561. ##
[7] Ghaffarkhah A, Shahrabi M A, Moraveji M K, Eslami H (2017) "Application of CFD for designing conventional three phase oilfield separator, Egyptian Journal of Petroleum 26, 2: 413-420. ##
[8] Acharya T, Casimiro L (2020) Evaluation of flow characteristics in an onshore horizontal separator using computational fluid dynamics, Journal of Ocean Engineering and Science, 5, 3: 261-268. ##
[9] Ahmed T, Russell P A, Hamad F, Gooneratne S (2019) Experimental analysis and computational-fluid-dynamics modeling of pilot-scale three-phase separators, SPE Production and Operations 34, 04: 805-819. ##
[10] Frank M, Kamenicky R, Drikakis D, Thomas L, Ledin H, Wood T (2019) Multiphase flow effects in a horizontal oil and gas separator, Energies, 12, 11: 2116. ##
[11] Ghaffarkhah A, Dijvejin Z A, Shahrabi M A, Moraveji M K, Mostofi M (2019) Coupling of CFD and semiempirical methods for designing three-phase condensate separator: case study and experimental validation, Journal of Petroleum Exploration and Production Technology, 9, 1: 353-382.‏ ##
[12]. Fadaei M, Ameri M J, Rafiei Y, Ghorbanpour K (2021) A modified semi-empirical correlation for designing two-phase separators, Journal of Petroleum Science and Engineering, 205: 108782.‏ ##
[13]. Manual F (2005) Manual and user guide of Fluent Software, Fluent Inc 597. ##
[14]. Fadaei M, Ameli F, Hashemabadi S H (2019) Experimental Study and CFD Simulation of Two-phase Flow Measurement Using Orifice Flow Meter. ##
[15] Khan J R (2013) Comparison between discrete phase model and multiphase model for wet compression, Turbo Expo: Power for Land, Sea, and Air, American Society of Mechanical Engineers.‏ ##
[16] Kuang S, Qi Z, Yu A B, Vince A, Barnett G D, Barnett P J (2014) CFD modeling and analysis of the multiphase flow and performance of dense medium cyclones, Minerals Engineering 62: 43-54. ##
[17 Padoin N, Dal’Toé A T, Rangel L P, Ropelato K, Soares C (2014) Heat and mass transfer modeling for multicomponent multiphase flow with CFD, International Journal of Heat and Mass Transfer, 73: 239-249. ##
[18] Demuth H B, Beale M H, De Jess O, Hagan M T (2014) Neural network design, Martin Hagan. ##
[19] Hagan M T, Menhaj M B (1994) Training feedforward networks with the Marquardt algorithm, IEEE transactions on Neural Networks, 5, 6: 989-993. ##
[21] Sajja P S (2021) Introduction to artificial intelligence, Illustrated Computational Intelligence, Springer, 1-25. ##
[22] Patel A R, Ramaiya K K, Bhatia C V, Shah H N, Bhavsar S N (2021) Artificial intelligence: prospect in mechanical engineering field—a review, Data Science and Intelligent Applications, 267-282. ##
[23] Shoghl S N, Naderifar A, Farhadi F, Pazuki G (2021) Optimization of separator internals design using CFD modeling in the Joule-Thomson process, Journal of Natural Gas Science and Engineering, 89: 103889. ##