ارتقای منطق فازی به کمک GA – PS برای تعیین ثبات آسفالتن در نفت خام ​

بارش و رسوب آسفالتین پدیده های نامطلوب است که در طول تولید نفت بوجود می آیند که منجر به افزایش قابل توجه هزینه های عملیاتی می شود و همچنین بر میزان تولید تاثیر می گذارد. از این رو، توسعه یک مدل ریاضی برای ارزیابی پایداری آسفالتن در نفت خام ضروری است. در مطالعه حاضر، دلتا RI که تفاوت بین ضریب شکست نفت خام (RI)و ضریب شکست نفت خام را در ابتدای رسوب آسفالتین (PRI)تشکیل می‌دهد به عنوان عامل اصلی برای تعیین پایداری آسفالتن حد منطقه به کار می‌رود. منطق فازی ابزاری قدرتمند است که قادر به استخراج وابستگی اساسی بین اجزای SARA (اشباع، آروماتیک، رزین و آسفالتن)و تعیین دلتا برای تشخیص سریع و سریع ثبات آسفالتن می‌باشد. در این مطالعه، یک استراتژی جدید به نام جستجوی مبتنی بر الگوریتم ژنتیک ترکیبی (GA – PS)برای توسعه یک مدل منطق فازی بهینه به عنوان جایگزین قابل‌اعتماد برای روش خوشه سازی خوشه‌ای با کاربرد وسیع پیشنهاد شده‌است. در حالی که محتوای استراتژی فقط میانگین توابع عضویت گاوسی ورودی (GMFs)را بهینه می‌کند، GA – PS هر دو میانگین و واریانس های ورودی را بهینه می‌کند. مقایسه بین روش‌های GA – PS و محتوا

Precipitation and deposition of asphaltene are undesirable phenomena that arise during petroleum production which give rise to a pronounced rate of increase in operational cost and adversely affect production rates as well. Hence, it is imperative to develop a mathematical model for the assessment of asphaltene stability in crude oil. In the present study, delta RI which constitutes the difference between refractive index of crude oil ( RI ) and refractive index of crude oil at the onset of asphaltene precipitation ( PRI ) is employed as the principal factor for determining the asphaltene stability of the region. Fuzzy logic is a potent tool capable of extracting the underlying dependency between SARA fractions (saturate, aromatic, resin, and asphaltene) data and delta RI for the inexpensive and rapid diagnosis of asphaltene stability. In this study a novel strategy known as hybrid genetic algorithm-pattern search (GA-PS) is suggested for the development of an optimal fuzzy logic m