|
|
پژوهش نفت، جلد ۳۵، شماره ۱۴۰۴-۱، صفحات ۰-۰
|
|
|
| عنوان فارسی |
بهینه‌سازی چندهدفه ذخیره‌سازی زیرزمینی هیدروژن در یک مخزن گازی تخلیه‌شده با استفاده از مدل‌های جایگزین هوشمند |
|
| چکیده فارسی مقاله |
گرم شدن کره زمین و تغییرات اقلیمی منجر به کاهش مصرف یا جایگزینی سوختهای فسیلی با منابع تجدیدپذیر شده است. با این‌حال، وابستگی جوی-فصلی تولید این انرژی‌ها به یک سیستم ذخیره بزرگ مقیاس برای بر طرف کردن ناترازی انرژی دارد. استفاده از هیدروژن به‌عنوان حامل انرژی و ذخیره‌سازی زیرزمینی آن راهکاری جدید برای این حل چالش است. اما ویژگیها و رفتار خاص گاز هیدروژن در محیط متخلخل نیازمند شبیه‌سازی‌های متعدد و زمان‌بر، برای تعیین بهترین سناریو ذخیره‌سازی گاز بر اساس بهینه‌سازی چندهدفه می باشد. در این مقاله ذخیره‌سازی زیرزمینی گاز هیدروژن در یک مخزن گازی تخلیه‌شده شبیه‌سازی شد و در ادامه با مدل هوش مصنوعی جایگزین گردید و بهینه‌سازی متغیرهای تصمیم‌گیری توسط الگوریتم ژنتیک چندهدفه انجام گرفت. با توجه به حضور گازهای بازمانده از قبل در مخزن، دو پارامتر مهم خلوص گاز تولید شده و ضریب بازیافت هیدروژن تزریقی در اولویت بررسی قرار گرفتند. به کمک طراحی آزمایش، داده‌های مورد نیاز برای بررسی پارامترهای تأثیرگذار و آموزش روش‌های داده-محور از طریق شبیه‌سازی میدانی تولید شد. شبکه عصبی مصنوعی با 10 نرون و تابع فعال‌سازی سیگموئیدی به‌عنوان مدل جایگزین مبتنی بر هوش مصنوعی به ترتیب با دقت برابر با 97/0 و 94/0، برای داده آموزش و داده صحت سنجی، بهترین عملکرد را برای پیش‌بینی میزان خلوص و بازیافت هیدروژن ارائه داد. پاسخ‌های بهینه عملیاتی برای متغیرهای تصمیم‌گیری نشان دهنده درصد غالب گاز نیتروژن با ترکیب گاز پایه 75، 20 و5 درصد به ترتیب برای نیتروژن، کربن دی اکسید و متان می باشد. علاوه بر این، تولید بهینه از بازه مشبک کاری چاه تولیدی از قسمت بالا و مشبک کاری تزریقی هیدروژن از قسمت پایین مخزن به صورت یک مجموعه جواب مطلوب (جبهه پارتو) مشخص گردید. خروجی این کار برای طراحی آزمایشات و انجام بهینه مدل‌سازی‌های مقیاس بزرگ که به امکانات محاسباتی و زمان بسیار طولانی نیاز دارند مفید خواهد بود. |
|
| کلیدواژه‌های فارسی مقاله |
ذخیره‌سازی زیر زمینی هیدروژن،مخازن تخلیه شده گاز،پروکسی مدل،بهینه‌سازی چندهدفه،طراحی آزمایش،هوش مصنوعی، |
|
| عنوان انگلیسی |
Multi-Objective Optimization of Underground Hydrogen Storage Operation in a Depleted Gas Reservoir Using Smart Proxy Models |
|
| چکیده انگلیسی مقاله |
The global warming and climate change due to the increase in greenhouse gas emissions are the vital and challenging issues in this period of human life. Human’s effort to address this problem has led to provide several solutions including net-zero carbon, i.e., carbon capture and storage and energy transition i.e., reducing or even replacing fossil fuels with renewable energy sources such as solar, wind, hydro etc. However, climate dependence and the highly fluctuating nature of clean energy production from these sources require a large-scale storage system to continuously meet energy demand. Hydrogen as an energy carrier, and underground hydrogen storage (UHS) hold potential for sustainable supply of a large amount of energy in the peak of energy consumption. Hydrogen has different characteristics and dynamical behaviors in the porous media compared to other gases. Thus it is required to create complex compositional models and perform time-consuming simulations to seek for the best gas storage scenario based on operational parameters including and cushion gas and working gas injection/production flowrates, perforations and cushion gas composition. In this study, the process of UHS in a depleted gas reservoir was simulated. Due to the reservoir remaining gas saturation and phase behavior of fluids in porous media, both hydrogen recovery factor and purity are considered as target variables. Next, the design of experiment methods (e.g., Latin hypercube) was utilized to generate the required train and test subsets for artificial neural network model. The feed-forward model with 10 neurons and sigmoid activation function as a smart proxy model with accuracy equal to 0.97 and 0.94, respectively, for training and testing subsets provided the best performance for predicting the hydrogen purity and recovery factor or the target parameters in the multi-objective optimization process of decision variables by genetic algorithm. The optimum solutions, i.e., Pareto front for the decision variables showed the dominant percentage of nitrogen gas with the base gas composition of 75, 20 and 5% respectively for nitrogen, carbon dioxide and methane. Moreover, production from top perforations and hydrogen injection in the lower part of the preformation were determined as optimal conditions. The implemented procedure in this paper can be used for UHS field studies and fast decision making in the large-scale energy storage operations. |
|
| کلیدواژه‌های انگلیسی مقاله |
ذخیره‌سازی زیر زمینی هیدروژن,مخازن تخلیه شده گاز,پروکسی مدل,بهینه‌سازی چندهدفه,طراحی آزمایش,هوش مصنوعی |
|
| نویسندگان مقاله |
حسین خیرالهی |
دانشگاه صنعتی شریف
شهاب آیت الهی |
استاد تمام دانشکده مهندسی شیمی و نفت
حسن ماهانی |
دانشگاه صنعتی شریف
|
|
| نشانی اینترنتی |
https://pr.ripi.ir/article_1480_301b16f944c7253fe075b6b8a5501fde.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|