Herramienta software para el ajuste de la ecuacion de estado de peng-robinson a datos experimentales pvt de yacimientos cercanos al punto critico utilizando redes neuronales
| dc.contributor.advisor | Calderon Carrillo, Zuly Himelda | |
| dc.contributor.author | Calvete Gonzalez, Fernando Enrique | |
| dc.date.accessioned | 2024-03-03T04:41:23Z | |
| dc.date.available | 2004 | |
| dc.date.available | 2024-03-03T04:41:23Z | |
| dc.date.created | 2004 | |
| dc.date.issued | 2004 | |
| dc.description.abstract | Los yacimientos de fluidos composicionales además de ser muy valiosos presentan una gran complejidad e inestabilidad. En ingeniería de petróleos, se han utilizado ecuaciones de estado para predecir y estimar el comportamiento de las fases presentes en ellos, constituyéndose en la base fundamental de la simulación composicional. Sin embargo, su utilización es limitada porque pierden validez en diferentes rangos de temperatura y presión. Por otro lado, se han utilizado algoritmos de análisis estadístico, basados en el método de mínimos cuadrados, con el fin de ajustar los datos predictivos de las ecuaciones de estado a los datos experimentales PVT y de esta manera obtener los parámetros que permitan utilizarla a diferentes condiciones de temperatura y presión. Estas metodologías, tiene gran aplicación y una alta precisión, pero ofrecen una gran desventaja: el ajuste estadístico fuerza a cambiar los parámetros de la ecuación de estado sin tener en cuenta que estos reflejan características físico-químicas de los compuestos que hacen parte de la mezcla de hidrocarburos. El presente trabajo tiene como fin, presentar una metodología y una herramienta software, basada en redes neuronales, que permite generar los parámetros de la ecuación de estado que reproducen con exactitud los datos PVT de laboratorio; permitiendo posteriormente predecir el comportamiento de fases de los fluidos a condiciones de yacimiento. Esta nueva metodología ajusta los Coeficientes de Interac ción Binaria – CIB –-, los cuales son parte fundamental de la ecuación de estado y reflejan las interrelaciones moleculares de los compuestos químicos de los fluidos. Las redes neuronales que se utilizan no permiten que los cambios de los parámetros sean forzados sino que lleguen a valores tales que continúen representando las características físicas de los compuestos y permitan predicciones del orden del 99% de precisión como se muestra en los respectivos análisis de resultados. | |
| dc.description.abstractenglish | Added to their extreme value, the reservoirs of compositional fluids show a very highcomplexity and instability. In petroleum engineering, equations of state have been used topredict and determine the phase behaviour in such systems, becoming easily thefundamental tool for compositional simulation. However, their use is limited because they lossaccuracy in some pressure and temperature ranges. On the other hand, algorithms provided by statistical analysis have been used, based on theminimum square method, trying to tune the predictive data of the equations of state toexperimental data PVT by achieving the necessary parameters than allow to implement themat the different pressure and temperature conditions. These methodologies have anextensive application and a very high precision, but they offer a main disadvantage: thestatistical tuning in certain way forces to change the equation’s parameters , with out taking toaccount that these reflect the physical-chemical characteristics of the compoundsconstituents of the hydrocarbon mixture. The present work has the main purpose, show up a methodology and a software tool, basedin artificial neural networks, that allow to generate the parameters of the equation of state thatreproduce exactly the laboratory data PVT; in this way the phase behaviour of reservoir fluids can be predicted more accurately. This new methodology tunes the Binary interaction coefficients --CIB--, which are thefundamental part of the equation of state, so that they reflect the molecular interrelationshipsbetween the chemical compounds of the fluids. Artificial neural networks do not allow theforced changes appear, they simply let them achieve to a certain values that still representthe physical characteristics of the compounds making accurately of the 99% as shown in therespective results analysis | |
| dc.description.degreelevel | Maestría | |
| dc.description.degreename | Magíster en Ingeniería de Sistemas e Informática | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.instname | Universidad Industrial de Santander | |
| dc.identifier.reponame | Universidad Industrial de Santander | |
| dc.identifier.repourl | https://noesis.uis.edu.co | |
| dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/16678 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Industrial de Santander | |
| dc.publisher.faculty | Facultad de Ingenierías Fisicomecánicas | |
| dc.publisher.program | Maestría en Ingeniería de Sistemas e Informática | |
| dc.publisher.school | Escuela de Ingeniería de Sistemas e Informática | |
| dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
| dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | |
| dc.subject | Ajuste | |
| dc.subject | Ecuación de estado | |
| dc.subject | Datos PVT | |
| dc.subject | Rede s neuronales | |
| dc.subject | Simulación composicional. | |
| dc.subject.keyword | Tuning | |
| dc.subject.keyword | Equation of state | |
| dc.subject.keyword | PVT Data | |
| dc.subject.keyword | Neural Networks | |
| dc.subject.keyword | Compositional simulation. | |
| dc.title | Herramienta software para el ajuste de la ecuacion de estado de peng-robinson a datos experimentales pvt de yacimientos cercanos al punto critico utilizando redes neuronales | |
| dc.title.english | Software tool for tunning the peng robinson equation of state to experimental pvt data for near critical point reservoirs, using artificial neural networks. | |
| dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
| dc.type.hasversion | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Maestria |