ARN aplicada al proceso de deshidratación de gas natural por absorción con Trietilenglicol

Daniel Antonio Chuquín-Vasco, Bryan Alexander Jaramillo-Soza, Juan Pablo Chuquín-Vasco, Nelson Santiago Chuquín-Vasco

Resumen


En el presente trabajó se diseñó una RNA que pueda predecir las salidas más importantes en el proceso de deshidratación de gas natural por absorción con TEG. Para la creación de la RNA se desarrolló un análisis de sensibilidad, mediante el cual se determinaron las salidas del proceso que fueron: fracción de agua en el gas a la salida, expresado en miligramos de agua por metros cúbicos estándar de gas seco, temperatura de gas seco y flujo de glicol que se pierde. Se realizaron experimentaciones para obtener un conjunto de 100 pares de datos para el entrenamiento y validación de la RNA. El software que se empleó fue MATLAB y se diseñó una RNA con 7 neuronas ocultas que se entrenó con el algoritmo de la regularización Bayesian. El MSE que se obtuvo en la fase de prueba fue de 5.384e-04 con un coeficiente de regresión de 0,997. Para la validación de la red se realizó un análisis estadístico con un conjunto de 20 datos adicionales, tomando en cuenta las mismas variables empleadas para el diseño. Se concluyó que con los resultados obtenidos no existió una diferencia significativa entre los valores experimentales y los valores predichos por la RNA con una confiabilidad del 95% y por tal razón puede ser empleada para la predicción en procesos de deshidratación de gas natural.


Palabras clave


ARN; DWSIM; gas natural; deshidratación; simulación.

Texto completo:

PDF HTML XML

Referencias


Afshin, T., Ali, B. H., Hossein, M., Saeid, N., Meysam, B., Moonyong, L., Alireza, B., & Adel, N. M. (2016). Prediction of water formation temperature in natural gas dehydrators using radial basis function (RBF) neural networks. Natural Gas Industry B, 3(2), 173–180. https://doi.org/10.1016/j.ngib.2016.06.002

Ahmadi, M. A., Soleimani, R., & Bahadori, A. (2014). A computational intelligence scheme for prediction equilibrium water dew point of natural gas in TEG dehydration systems. Fuel, 137(August), 145–154. https://doi.org/10.1016/j.fuel.2014.07.072

Bahadori, A., & Vuthaluru, H. B. (2009a). Rapid estimation of equilibrium water dew point of natural gas in TEG dehydration systems. Journal of Natural Gas Science and Engineering, 1(3), 68–71. https://doi.org/10.1016/j.jngse.2009.08.001

Bahadori, A., & Vuthaluru, H. B. (2009b). Simple methodology for sizing of absorbers for TEG (triethylene glycol) gas dehydration systems. Energy, 34(11), 1910–1916. https://doi.org/10.1016/j.energy.2009.07.047

C., E. C., N., U. C., E., O. E., & J., I. O. (2015). Natural Gas Dehydration With Triethylene Glycol (Teg). European Scientific Journal, 11(30), 1857–7881. https://eujournal.org/index.php/esj/article/view/6352

Chebbi, R., Qasim, M., & Abdel Jabbar, N. (2019). Optimization of triethylene glycol dehydration of natural gas. Energy Reports, 5, 723–732. https://doi.org/10.1016/j.egyr.2019.06.014

Chen, Y., Song, L., Liu, Y., Yang, L., & Li, D. (2020). A review of the artificial neural network models for water quality prediction. Applied Sciences (Switzerland), 10(17). https://doi.org/10.3390/app10175776

Chuquin-Vasco, D., Parra, F., Chuquin-Vasco, N., Chuquin-Vasco, J., & Lo-iacono-, V. (2021). Prediction of methanol production in a carbon dioxide hydro- genation plant using neural networks .

Darwish, N. A., & Hilal, N. (2008). Sensitivity analysis and faults diagnosis using artificial neural networks in natural gas TEG-dehydration plants. Chemical Engineering Journal, 137(2), 189–197. https://doi.org/10.1016/j.cej.2007.04.008

Dimian, A. C., Bildea, C. S., & Kiss, A. A. (2014). Introduction in Process Simulation. In Integrated Design and Simulation of Chemical Processes (Second, Vol. 35, pp. 35–71). Elsevier. https://doi.org/10.1016/B978-0-444-62700-1.00002-4

El Mawgoud, H. A., Elshiekh, T. M., & Khalil, S. A. (2015). Process simulation for revamping of a dehydration gas plant. Egyptian Journal of Petroleum, 24(4), 475–482. https://doi.org/10.1016/j.ejpe.2015.01.001

Garoosiha, H., Ahmadi, J., & Bayat, H. (2019). The assessment of Levenberg–Marquardt and Bayesian Framework training algorithm for prediction of concrete shrinkage by the artificial neural network. Cogent Engineering, 6(1). https://doi.org/10.1080/23311916.2019.1609179

Ghiasi, M. M., Bahadori, A., & Zendehboudi, S. (2014). Estimation of triethylene glycol (TEG) purity in natural gas dehydration units using fuzzy neural network. Journal of Natural Gas Science and Engineering, 17, 26–32. https://doi.org/10.1016/j.jngse.2013.12.008

Ghiasi, M. M., Bahadori, A., Zendehboudi, S., & Chatzis, I. (2015). Rigorous models to optimise stripping gas rate in natural gas dehydration units. Fuel, 140(October), 421–428. https://doi.org/10.1016/j.fuel.2014.09.084

Kiss, A. A. (2013). Advanced distillation technologies - Design, Control and Applications (J. Wiley (ed.); First). Wiley. https://studylib.es/doc/8807869/-anton-a.-kiss--advanced-distillation-technologies-z-lib

Mohammadi, A. H., & Richon, D. (2007). Use of artificial neural networks for estimating water content of natural gases. Industrial and Engineering Chemistry Research, 46(4), 1431–1438. https://doi.org/10.1021/ie060494u

Mostaccio, D. J. (2007). Simulación de altas prestaciones para modelos orientados al individuo. 146. http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Simulacion+de+altas+prestaciones+para+modelos+orientados+al+individuo#0

Nmegbu Chukwuma Godwin Jacob. (2014). Optimization of Triethylene Glycol (Teg) Dehydration in a Natural Gas Processing Plant. International Journal of Research in Engineering and Technology, 03(06), 346–350. https://doi.org/10.15623/ijret.2014.0306064

Ribón, H. (2010). Métodos De Deshidratación De Gas Natural. Revista …, 8, 55–64. http://revistas.uis.edu.co/index.php/revistafuentes/article/view/1633

Sánchez-Escalona, A. A., Góngora-Leyva, E., & Zalazar-Oliva, C. (2018). Predicción de la resistencia térmica de las incrustaciones en los enfriadores de ácido sulfhídrico. Minería y Geología, 34(3), 90–100. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1993-80122018000300008&lng=es&nrm=iso&tlng=es

Soave, G., Gamba, S., & Pellegrini, L. A. (2010). SRK equation of state: Predicting binary interaction parameters of hydrocarbons and related compounds. Fluid Phase Equilibria, 299(2), 285–293. https://doi.org/10.1016/j.fluid.2010.09.012

Suliman, A., & Omarov, B. (2018). Applying Bayesian Regularization for Acceleration of Levenberg Marquardt based Neural Network Training. International Journal of Interactive Multimedia and Artificial Intelligence, 5(1), 68. https://doi.org/10.9781/ijimai.2018.04.004

Ye, R. P., Ding, J., Gong, W., Argyle, M. D., Zhong, Q., Wang, Y., Russell, C. K., Xu, Z., Russell, A. G., Li, Q., Fan, M., & Yao, Y. G. (2019). CO2 hydrogenation to high-value products via heterogeneous catalysis. In Nature Communications (Vol. 10, Issue 1). Springer US. https://doi.org/10.1038/s41467-019-13638-9

Yu, G., Dai, C., Wu, L., & Lei, Z. (2017). Natural Gas Dehydration with Ionic Liquids. Energy and Fuels, 31(2), 1429–1439. https://doi.org/10.1021/acs.energyfuels.6b02920




DOI: https://doi.org/10.23857/pc.v7i6.4204

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/