SỬ DỤNG MẠNG NEURAL N HÂN TẠO ĐỂ DỰ ĐOÁN HỆ SỐ Z CHO KHÍ HYDROCARBON THIÊN NHIÊN

Transcription

1 PEROVIENM SỬ DỤNG MẠNG NEURL N HÂN ẠO ĐỂ DỰ ĐOÁN HỆ SỐ Z CHO KHÍ HYDROCRBON HIÊN NHIÊN óm tắt rần Khả ến, S. Hoàng hịnh Nhân Đạ học Dầu khí Vệt Nam Emal: tentk0@pvu.edu.vn Hệ số nén khí hay hệ số lệch khí (hệ số Z) là thông số quan trọng để xác định tính chất nhệt động của vỉa khí, tỷ trọng khí, độ nhớt khí, độ nén khí, mô phỏng vỉa khí, tính toán cân bằng vật chất, dự đoán PV cho gếng dầu và khí Dựa trên dữ lệu từ bểu đồ Standng-Katz, một số phương pháp đã được phát trển để tính hệ số Z [ - 3]. Dựa trên phương pháp của Mohammadreza Kamyab [4], nhóm tác gả đã tính toán, xác định hệ số Z bằng mạng neural nhân tạo (NN) vớ thông số đầu vào gồm áp suất gả gảm và nhệt độ gả gảm của đểm dữ lệu thực nghệm [5]. Kết quả nghên cứu cho thấy mô hình này có thể dự đoán chính xác hệ số Z hơn so vớ các phương pháp khác và có khả năng áp dụng trên phạm v nhệt độ gả gảm,05 3 và áp suất gả gảm 0, P 5. ừ khóa: Hệ số nén khí, hệ số Z, MLB, mạng neural nhân tạo.. Gớ thệu Khí thên nhên là một hỗn hợp đa thành phần, trong đó chủ yếu là methane (CH 4 ), ngoà ra còn có ethane (C H 6 ), opane (C 3 H 8 ), carbon doxde (CO ), ntrogen (N ) và thành phần hydrocarbon nặng hơn [6]. Dự đoán chính xác hệ số Z gúp gả quyết các vấn đề về kỹ thuật dầu khí, thết kế, phân tích kha thác khí tự nhên và xử lý hệ thống [7]. Do đó, cần phát trển phương pháp tn cậy để dự đoán hệ số Z từ các thông số như nhệt độ, áp suất của hỗn hợp khí thên nhên. rong phương trình khí thực (khí thên nhên), hệ số Z có thể nhận được bở công thức sau [8]: P: Áp suất (psa); V: hể tích (ft 3 ); PV ZnR n: Số lượng mol khí tổng (mol); R: Hằng số khí 0.73 psa-ft 3 /lb-mole o R. Lý thuyết về trạng thá tương đương [9, 0] chỉ ra, hệ số Z có thể được định nghĩa như một hàm số của áp suất và nhệt độ gả gảm. Áp suất và nhệt độ gả gảm được định nghĩa bở những phương trình sau [8]: P Nhệt độ gả tớ hạn (pseudo crtcal) pc và áp suất gả tớ hạn P pc được tính như sau: pc P P pc () () (3) rong đó: P c : Áp suất tớ hạn của thành phần (psa); c : Nhệt độ tớ hạn của thành phần ( o R); y : Phần mol của thành phần. Có thể sử dụng bểu đồ Standng và Katz hoặc các phương pháp thực nghệm để xác định hệ số Z nếu bết thành phần của khí tự nhên, áp suất và nhệt độ của khí. Một số nhà nghên cứu đã tạo ra phương trình toán học để tính hệ số Z phù hợp vớ bểu đồ Standng và Katz như: Hall và Yarborough [8]; Dranchuk và bou Kassem []; Dranchuk, Purvs và Robnson []; Brll và Beggs [3]. uy nhên, những phương trình đó có những hạn chế như: chưa dự đoán chính xác hệ số Z so vớ dữ lệu thực nghệm hoặc chỉ dự đoán trong một phạm v nhất định. Bà báo này gớ thệu phương pháp tính hệ số Z chính xác bằng cách sử dụng mạng neural nhân tạo vớ đểm dữ lệu thực nghệm sử dụng phần mềm MLB. Mạng neural có thể tính chính xác hệ số Z từ những thông số gả gảm vớ phạm v nhệt độ gả gảm (,05 3) và áp suất gả gảm (0, P 5), như được chứng mnh trong nghên cứu này bở so sánh kết quả nhận được vớ những phương pháp khác.. Một số phương pháp tính trực tếp hệ số Z n n Có 3 phương pháp ẩn (mplct) phổ bến nhất để tính hệ số Z như sau: (4) (5) DẦU KHÍ - SỐ 8/06 7

2 HĂM DÒ - KHI HÁC DẦU KHÍ - Ph ương pháp Hall và Yarborough [8]; - Phương pháp Dranchuk và bou-kassem []; - Phương pháp Dranchuk, Purvs và Robnson []... Phương pháp Hall và Yarborough Phương pháp này là một sự bến đổ của phương trình trạng thá Carnahan-Starlng, vớ các hệ số được phát trển qua sự hồ quy và.500 đểm dữ lệu lấy từ bểu đồ hệ số Z ban đầu của Standng và Katz [8]: Z y Vớ y là nghệm của phương trình sau: Phương trình (7) là một phương trình không tuyến tính và cần sử dụng kỹ thuật lặp Newton-Raphson hoặc phương pháp cha đô để gả. Hall và Yarborough chỉ ra rằng phương pháp này không nên áp dụng nếu nhệt độ gả gảm < [8]... Phương pháp Dranchuk và bou-kassem Phương pháp này là một bến đổ hệ số của phương trình trạng thá Benedct-Wedd-Rubn. Những hệ số được tính sử dụng một phương pháp hồ quy vớ.500 đểm dữ lệu lấy từ bểu đồ của Standng và Katz []: rong đó: P : Áp suất gả gảm (pseudo-reduced essure); : Nhệt độ gả gảm (pseudo-reduced temperature); y là nghệm của phương trình sau: ( y ), ( t ) 0,065te 4,7t 9,76t + 4, 58t ,7t 4,t 4, 4t +,8, 8t 4 + t y 0,7P Z y R y ( ) R (6) (7) (8) (9) rong đó,, 3, 4, 5, 6, 7, 8, 9, 0, là những hệ số như trong Bảng. Phương trình (9) cần áp dụng phương pháp lặp Newton-Raphson hoặc phương pháp cha đô để gả. Phương pháp này được báo cáo là dự đoán hệ số Z từ bểu đồ Standng và Katz vớ một sa số tuyệt đố trung bình là 0,585% và có thể áp dụng trên phạm v: 0, < P < 5 và < < 3 [8]..3. Phương pháp D ranchuk, Purvs và Robnson Phương pháp này là một bến đổ xa hơn của phương pháp Dranchuk và bou-kassem nhận được ban đầu []. Phương pháp Dranchuk, Purvs và Robnson có 8 hệ số và cần ít khố lượng tính toán để nhận được hệ số Z. rong đó: y là nghệm của phương trình sau: R Z y 0,7P R R ( + ) R Bảng. Những hệ số của phương pháp Dranchuk và bou-kassem ,365 -,070-0,5339 0,0569-0,0565 0, ,736 0,844 0,056 0,634 0,70 0, 7 P y ,7P y (0) () 8 DẦU KHÍ - SỐ 8/06

3 PEROVIENM rong đó,, 3, 4, 5, 6, 7, 8 là những hệ số như trong Bảng , , , , ,6303-0, , , Cách gả phương trình () tương tự vớ phương pháp Dranchuk và bou-kassem. Phương pháp này phù hợp trong phạm v áp suất và nhệt độ gả gảm sau [8]:.4. Các phương pháp khác,05 < < 3 và 0, < P < 3 Ngoà 3 phương pháp ẩn (mplct) đã nêu còn có những phương pháp hện (explct) để tính hệ số Z. Những phương pháp hện không cần dùng phép lặp để tính hệ số Z nên tránh được vấn đề hộ tụ so vớ phương pháp ẩn. Một trong những phương pháp tốt nhất hện nay để tính hệ số Z là phương pháp Beggs và Brll [3]. Gần đây nhều nhà nghên cứu đã tìm ra những phương pháp mớ để tính hệ số Z như: - Phương pháp Hedaryan, Salarabad, Moghadas [7]; - Phương pháp zz, Behbahan và Isazadeh []; - Phương pháp Sanjar và Lay []; - Phương pháp Lateef.Kareem [3]. Phương pháp Brll và Beggs [3]: Bảng. Những hệ số của phương pháp Dranchuk, Purvs và Robnson D B Z + + CP e 5 ( 0,9) 0, 0,36 0, 0,39 B ( 0,6 0,3 ) + 0,86.5. Hạn chế của các phương pháp xác định hệ số Z.5.. Hạn chế của phương pháp hện P 0,066 C 0,3 0,3log, F D 0 E 9( ), 0,037 P + 0,306 0,49 0,84 F + 0,3P () Phương pháp Beggs và Brll khá chính xác trong một phạm v nào đó, tuy nhên phương pháp này không được áp dụng kh < 0,9. Vớ một và gá trị của và P có thể tạo ra gá trị âm của hệ số Z [4]. 0 E Phương pháp Hedaryan, Salarabad, Moghadas. có hệ số hồ quy 0,99963 nhưng lạ không lên tục tạ P 3. Do đó, phương pháp này không được sử dụng để tính hệ số Z tạ áp suất gả gảm P 3. Phương pháp zz, Behbahan, Isazadeh chỉ tính hệ số Z trong phạm v của nhệt độ gả gảm, < và áp suất gả gảm 0, P. Phương pháp Sanjar và Lay ít hệu quả so vớ các phương pháp khác vì hệ số hồ quy là 0,8757 và tỷ lệ sa số tạ một đểm nào đó có thể cao tớ 90% [3]..5.. Hạn chế của phương pháp ẩn Các phương pháp ẩn sử dụng phép lặp để gả và đò hỏ một gả sử trước kh xuất hện sự hộ tụ. Ngoà ra, có một và trường hợp kh sử dụng những gá trị ban đầu nào đó cho hệ số Z sẽ tạo ra gá trị âm của hệ số Z. Mặc dù có độ chính xác cao nhưng những phương pháp ẩn này có thể không được sử dụng vào một chương trình thết kế vì nó không thể dự đoán hoặc xác định kh những gá trị sa số đó có thể tạo thành [4]. 3. Mô hình mạng neural nhân tạo sử dụng phần mềm MLB 3.. Phần mềm MLB Phần mềm MLB được sử dụng trong tất cả những lĩnh vực của toán học ứng dụng, trong gáo dục và nghên cứu tạ các trường đạ học và trong công nghệp. MLB (vết tắt của Mrx LBoratory) được xây dựng xung quanh những vector và ma trận. MLB là phần mềm hữu ích cho đạ số tuyến tính, là một công cụ tuyệt vờ cho vệc gả phương trình đạo hàm, phương trình đạ số và gả tích số. MLB có thể cung cấp những bức ảnh đẹp trong D và 3D và là một trong những ngôn ngữ lập trình đơn gản nhất cho vệc vết những chương trình toán học. Ngoà ra, MLB cũng hữu ích cho xử lý tín hệu và ảnh, truyền thông, thết kế đều khển tự động, đo lường kểm tra, phân tích mô hình tà chính, hay tính toán snh học [5]. Vớ hàng trệu kĩ sư và nhà khoa học làm vệc trong mô trường hàn lâm, MLB là ngôn ngữ của tính toán khoa học. 3.. Mạng neural nhân tạo Mạng neural nhân tạo là một hệ thống xử lý thông tn và thử bắt chước chức năng và sự phức tạp của hệ thống neural snh học [6]. Neural snh học là một khố cơ sở của hệ thống neural bao gồm 3 phần DẦU KHÍ - SỐ 8/06 9

4 HĂM DÒ - KHI HÁC DẦU KHÍ Lớp đầu vào Đầu vào x Đầu vào x Lớp ẩn Lớp đầu ra Đầu ra y Đầu ra y Bảng 3. Phạm v của các thông số đầu vào và ra của mạng neural hông số Gá trị nhỏ nhất Gá trị lớn nhất P 0, 5,05 3 Z 0,99,753 Đầu vào x3 neural Lên kết Lên kết chính: thân neural (soma), sợ nhánh (dendrte) và sợ trục (axon). hông tn ở dạng tín hệu đện được nhận bở các nhánh, được xử lý bở thân neural sau đó truyền qua sợ trục. ương tự, những neural nhân tạo là những khố cơ sở cho mạng neural nhân tạo. hông tn đến neural nhân tạo qua những đầu vào (nput), mỗ đầu vào được nhân bở một hàm trọng số trước kh đ vào neural. Neural sau đó tổng hợp tất cả dữ lệu đầu vào đã được ga trọng, sa số và xử lý tổng qua một hàm chuyển đổ trước kh truyền thông tn tớ những đầu ra [7]. Hình trình bày cấu trúc mạng neural nhân tạo. Phương trình sau mô tả hoạt động toán học xảy ra bên trong neural nhân tạo: rong đó: x (k) là gá trị đầu vào, w (k) là gá trị trọng số; trong thờ gan rờ rạc k ( bắt đầu từ 0 tớ m), F là hàm chuyển đổ, b là sa số và y (k) là gá trị đầu ra trong thờ gan rờ rạc k [7]. Số lượng những ứng dụng sử dụng NN rất lớn do NN có khả năng để xấp xỉ mọ hàm số theo một cách ổn định và hệu quả. rong ngành công nghệp dầu khí, không có một hàm số chính xác hoặc phù hợp để lên kết những thông số đầu vào tớ những thông số đầu ra, vì vậy NN xuất hện như ứng vên phù hợp để nhận được những mố lên hệ hàm số gữa những thông số đó và kết quả mong muốn [8]. Một số lĩnh vực của công nghệp dầu khí đã sử dụng thành công NN như: địa chất và địa vật lý, đánh gá thành hệ và công nghệ mỏ Phương pháp thực hện Hình. C ấu trúc mạng neural nhân tạo [3] Chuẩn bị dữ lệu cho mạng neural (3) Phả tập hợp và chuẩn bị dữ lệu trước kh bắt đầu quá trình thết kế mạng. Những dữ lệu đầu vào trong nghên cứu này là P và và dữ lệu đầu ra là hệ số Z. ổng số đểm dữ lệu được chọn từ sách công nghệ mỏ khí thên nhên được xuất bản bở SPE [5]. /3 dữ lệu được chọn từ tập hợp dữ lệu tổng để thành lập tập dữ lệu đào tạo (tranng). Một nửa những đểm dữ lệu còn lạ được chọn để thết lập tập dữ lệu phê chuẩn (valdaton) và phần còn lạ là của tập dữ lệu kểm tra (testng). Những đểm dữ lệu cho mỗ tập hợp được chọn từ tập hợp tổng được phân bố sao cho vẫn gữ được sự đồng nhất gống vớ tập dữ lệu tổng [5] ạo mạng Sau kh dữ lệu được tập hợp, bước tếp theo trong đào tạo một mạng là tạo ra một đố tượng mạng. rong nghên cứu này, nhóm tác gả sử dụng mạng tến tếp (feedforward), một số mạng lớp ẩn (hdden layer) được kểm tra không đưa ra ứng xử như mong đợ trong toàn bộ tập dữ lệu vớ mức độ sa số trên tập phê chuẩn và kểm tra khá lớn. Qua quá trình nghên cứu và thử nghệm, nhóm tác gả đã chọn được mạng lớp ẩn cung cấp kết quả chính xác hơn nhều so vớ mạng lớp ẩn. Ngoà ra, những mạng vớ 3 hoặc nhều lớp ẩn hơn sẽ chỉ tăng thờ gan tính toán mà không cả thện độ chính xác. Nhóm tác gả sử dụng 6 neural cho lớp ẩn đầu tên và 5 neural cho lớp ẩn thứ (Hình ) Định hình mạng Hình. Cấu trúc mạng tến tếp (feedforward) ếp theo là chọn số lượng neural trong mỗ lớp. Số lượng neural nhỏ sẽ đào tạo mạng nhanh hơn nhưng không cho kết quả chính xác. rong kh đó, tăng số lượng neural có thể tăng thờ gan xử lý. Nhóm tác gả sử dụng cấu trúc mạng vớ 6 neural trong lớp ẩn thứ nhất và 5 neural trong lớp ẩn thứ ha (mạng -6-5-). Hình bểu dễn cấu trúc mạng mô phỏng. Những hàm hoạt động cho những lớp ẩn là hàm tag-sgmod và log-sgmod và hàm pure lnear được sử dụng cho lớp đầu ra. Những hàm đó được bểu dễn như sau: tansg( x) x + e 30 DẦU KHÍ - SỐ 8/06

5 PEROVIENM Khở chạy trọng số và sa số rước kh đào tạo một mạng tến tếp phả khở động (thủ công hoặc tự động) những trọng số và những sa số Đào tạo mạng log sg( x) + e ( ) Kh những trọng số và sa số của mạng được khở động, mạng đã sẵn sàng cho đào tạo. Quá trình đào tạo mạng bao gồm vệc đều chỉnh những gá trị trọng số và sa số của mạng để tố ưu hệu suất mạng. Có cách đào tạo mạng: phương pháp tăng và phương pháp theo đợt. rong phương pháp tăng, gradent được tính và những trọng số được cập nhật sau kh mỗ đầu vào được áp dụng tớ mạng. rong phương pháp theo đợt, tất cả dữ lệu đầu vào trong tập đào tạo được áp dụng tớ mạng trước kh trọng số được cập nhật [5 ]. Một và phương pháp đào tạo lan truyền ngược đã tồn tạ như thuật toán Levenberg- Marquardt lgorthm (LM), Scaled Conjugate Gradent (SCG), Pola-Rbere conjugate gradent (PCG) và những thuật toán khác. Một số nghên cứu chỉ ra rằng LM đủ mạnh và cung cấp NN chính xác [9, 0]. rong quá trình đào tạo, trọng số được thay đổ bở thuật toán cho tớ kh tổng của những sa số bình phương đủ nhỏ Phân tích hệu suất mạng neural sau kh đào tạo x Sa số bình phương trung bình (MSE) Kết quả được đào tạo Kết quả được đào tạo Hệu suất tốt nhất là 0, tạ lần lặp thứ 999 Hình 3. Đồ thị bểu dễn hệu suất của mạng neural nhân tạo Đào tạo: R 0,99997 Dữ lệu Đường khớp Y Dữ lệu mục têu Dữ lệu Đường khớp Y 000 lần lặp Kết quả được đào tạo Kết quả được đào tạo Xác nhận: R 0,99997 Dữ lệu Đường khớp Y Dữ lệu mục têu Kểm tra: R 0,99997 ổng: R 0,99997 Dữ lệu Đường khớp Y Đào tạo Xác nhận Kểm tra Mục têu Sau kh mạng được đào tạo và đạt tớ.000 phép lặp có thể thu được đồ thị bểu dễn hệu suất của quá trình đào tạo như Hình 3. Hình 3 bểu dễn tổng sa số bình phương cho 3 tập dữ lệu vớ số lần lặp cho mạng có cấu trúc sử dụng thuật toán đào tạo lan truyền ngược LM (Levenberg-Marquardt lgorthm). Ứng xử của đường cong thể hện quá trình đào tạo thành công và 3 tập dữ lệu được chọn phù hợp từ tập dữ lệu ban đầu. Hệu suất tốt nhất là MSE x 0-6 tạ lần lặp thứ 999. Hình 4 trình bày dữ lệu đào tạo, xác nhận, kểm tra và dữ lệu tổng. Đường nét đứt trong Dữ lệu mục têu Hình 4. Đồ thị hồ quy của mạng neural nhân tạo Dữ lệu mục têu mỗ đồ thị của Hình 4 trình bày kết quả sau kh đào tạo trùng vớ dữ lệu mục têu. Đường nét lền trình bày sự hồ quy tuyến tính tốt nhất gữa kết quả đào tạo và mục têu. Gá trị R bểu thị một mố quan hệ gữa kết quả và mục têu. Nếu R thì đó là một mố quan hệ tuyến tính chính xác gữa kết quả đào tạo và mục têu [5]. Kết quả của dữ lệu được đào tạo bở mô hình mạng neural nhân tạo trong nghên cứu này chỉ ra đây là một mố quan hệ chính xác: kết quả đào tạo, kết quả xác nhận, kểm tra và kết quả tổng cộng đều có cùng một gá trị R 0, DẦU KHÍ - SỐ 8/06 3

6 HĂM DÒ - KHI HÁC DẦU KHÍ Sử dụng mạng Sau kh mạng được đào tạo vớ hệu suất mong muốn có thể sử dụng mô hình đó để xác định hệ số Z. Mô hình dự báo hệ số Z có dạng như sau: rong đó: Z [( + 3, ) + ] 7 P -conv : Áp suất gả gảm chuyển đổ trong phạm v thông số đầu vào; -conv : Nhệt độ gả gảm chuyển đổ trong phạm v thông số đầu vào. Đồ thị hệ số Z nhận được từ phương trình (4) được bểu dễn như Hình So sánh sa số của các phương pháp xác định hệ số Z, ,99-0, , , , , , , , , , , , ( P 0,) P conv ; 4,8 conv 0, , , ; 3 0, , , , , , , , (,05),95 conv conv Để đánh gá sự chính xác của mô hình NN so vớ các phương pháp thực nghệm trước cần sử dụng một số thông số độ lệch thống kê gồm: tỷ lệ sa ; P + exp( ) ; ; (4) số tương đố trung bình (PRE - verage perc ent relatve error), sa số bình phương trung bình (MSE - Mean squared error), căn bậc ha của sa số bình phương trung bình (RMSE - Root mean sq uared error), hệ số xác định (R - Coeffcent of determnaton). Phần trăm sa số tương đố trung bình (PRE hoặc RE%) đánh gá độ lệch tương đố của dữ lệu hệ số Z được dự đoán và dữ lệu thực tế []: E 00 rong đó: exp (5) N: ổng số các phần tử (5.940 phần tử); : Chỉ số phần tử thứ ; N Z Pred : Hệ số Z được dự đoán từ các công thức thực nghệm hoặc mạng neural nhân tạo; Z exp : Hệ số Z thực nghệm được SPE công bố. Sa số bình phương trung bình (MSE) là một công thức ước lượng đo gá trị bình phương của sa số. Gá trị MSE càng nhỏ thể hện sự dự đoán càng chính xác []: Căn bậc ha sa số bình phương trung bình (RMSE) đo dữ lệu rờ rạc xung quanh độ lệch 0 []: N Pred exp Z Z RMSE (7) N Hệ số xác định (R ) là thông số độ lệch thống kê đơn gản trình bày sự phù hợp vớ dữ lệu []: ed N ed N Pr exp ( ) MSE Z Z ( ) (6) (8) 3 DẦU KHÍ - SỐ 8/06

7 PEROVIENM à lệu tham khảo. P.M.Dranchuk, J.H.bou-Kassem. Calculaton of Z-factors for natural gases usng equatons of state. Journal of Canadan Petroleum echnology. 975; 4(3): p Hệ số nén, Z So sánh chất lượng gữa các phương pháp được thể hện trong Bảng 4 vớ đểm dữ lệu của SPE được sử dụng. Kết quả cho thấy, phương pháp mạng neural nhân tạo có gá trị hệ số xác định (R ) cao nhất: 0, và các sa số thống kê RE, MSE và RMSE nhỏ nhất. Phương pháp Dranchuk và bou-kassem cũng dự đoán hệ số Z khá chính xác vớ R 0,9996. Phương pháp Brll và Beggs dự báo kém chính xác nhất và không đáng tn cậy kh dự đoán trong phạm v rộng lớn của áp suất và nhệt độ gả gảm. 5. Kết luận Áp suất gả gảm, P Hình 5. Đồ thị hệ số Z được tạo ra bở phương trình (4) Bảng 4. So sánh những sa số thống kê gữa mô hình NN và các phương pháp khác Phương pháp RE% MSE RMSE R Hall và Yarborough -0, ,0485 0,77 0,7847 Dranchuk và bou-kassem 0,043 0, , , Dranchuk, Purvs và Robnson -0, , , , Brll và Beggs -070, ,087 70,0649 0, NN 0, , ,009 0, Hệ số Z là một thông số rất quan trọng để xác định tỷ trọng khí, độ nhớt khí, độ nén khí, mô phỏng vỉa khí, tính toán cân bằng vật chất và dự đoán PV cho gếng dầu và khí. So sánh phương pháp xác định hệ số Z theo mô hình dựa trên mạng neural nhân tạo và các phương pháp thực nghệm khác cho thấy sự vượt trộ của phương pháp mớ qua các chỉ số như: hệ số xác định (R ), sa số bình phương trung bình (MSE), căn bậc ha sa số bình phương trung bình (RMSE), tỷ lệ sa số tương đố trung bình (RE) lần lượt là 0,999944, 0, , 0,009 và 0, Kết quả này đã chứng mnh mô hình mớ có thể là công cụ dự đoán chính xác hệ số Z và có khả năng áp dụng trên phạm v nhệt độ và áp suất rộng hơn so vớ các phương pháp khác.. R..Dranchuk, D.B.Purvs, P.M.Robnson. reduced equaton of state appled to generalzed comessblty factor tables. Journal of Canadan Petroleum echnology D.H.Beggs, J.P.Brll. n expermental study of two-phase flow n nclned ppes. Journal of Petroleum echnology. 973; 5(5): p Mohammadreza Kamyab, Jorge H.B Sampao Jr., Farhad Qanbara, lfred W.Eustes III. Usng artfcal neural networks to estmate the z-factor for naturalhydrocarbon gases. Elsever D.L.Katz, D.Cornell. Handbook of natural gas engneerng. New York: McGraw-Hll E.Sanjar, E.N.Lay. Estmaton of natural gas comessblty factors usng artfcal neural network apoach. Journal of Natural Gas Scence and Engneerng. 0; 9: p E.Hedaryan,.Salarabad, J.Moghadas. novel correlaton apoach for edcton of natural gas comessblty factor. Journal of Natural Gas Chemstry. 00; 9(): p hmed. Reservor engneerng handbook. Gulf ofessonal publshng Danesh. PV and phase. Elsever Y..Cengel, M.. Boles. hermodynamcs: n engneerng apoach. McGraw Hll N.zz, R.Behbahan, M..Isazadeh. n effcent correlaton for DẦU KHÍ - SỐ 8/06 33

8 HĂM DÒ - KHI HÁC DẦU KHÍ calculatng comessblty factor of natural gases. Journal of Natural Gas Chemstry. 00; 9(6): p E.Sanjar, E.N.Lay. n accurate emprcal correlaton for edctng natural gas comessblty factors. Joural of Natural Gas Chemstry. 0; (): p L..Kareem. New explct correlaton for the comessblty factor of natural gas: lnearzed Z-factor sotherms. Journal of Petroleum Exploraton and Producton echnology. 05; 6(9): p K.K.Dune, B.N.Orj. new computerzed apoach to Z-factor determnaton. ransnatonal Journal of Scence and echnology. 0; (7): p M.H.Beale, M..Hagan, H.B.Demuth. Neural network toolbox user's gude. he MathWorks S.Mohaghegh. Vrtual-ntellgence applcatons n petroleum engneerng: Part - rtfcal neural networks. Journal of Petroleum echnology. 000; 5(9): p K.Suzuk,.Krenker, J.Bester,.Kos. Introducton to the artfcal neural networks n rtfcal neural networks - Methodologcal advances and bomedcal applcatons. In- ech. 0: p S.Mohaghegh. Neural network: What t can do for petroleum engneers. Socety of Petroleum Engneers. 995; 47(). 9. H.Esen, M.Inall. Modellng of a vertcal ground coupled heat pump system by usng artfcal neural networks. Expert Systems wth pplcatons. 009; 36(7): p Sozen, E.rcakloglu, E.G.Kant. Use of artfcal neural networks for mappng of solar potental n urkey. ppled Energy. 004; 77(3): p H.Mohammad,.Kamar, F.Gharaghez. correspondng states-based method for the estmaton of natural gas comessblty factors. Journal of Molecular Lquds. 06; 6: p M.B.Mohamad,.Reza, O.Shahrar, Z.Zenab. Predcton of gas comessblty factor usng ntellgent models. Natural Gas Industry B. 05; (4): p Hoàng nh. Sự trỗ dậy của những cỗ máy. PC World VN. 8/05. pplyng artfcal neural networks to edct Z-factor for natural hydrocarbon gas Summary he natural gas comessblty factor or Z-factor s an mportant parameter to determne thermodynamc opertes of gas reservor, gas densty, gas vscosty, gas comesson, gas reservor smulaton, calculate the materal balance equaton, and estmate PV for ol and gas wells. Based on the data from the Standng-Katz chart, several methods have been developed to calculate the Z-factor [ - 3]. Based on the method of Mohammadreza Kamyab [4], the authors have calculated and determned the Z-factor usng the artfcal neural networks (NN) wth nput parameters beng the pseudo-reduced essure and temperature of 5,940 expermental data ponts [5]. he results of research show that ths model s able to edct the Z-factor more accurately than other methods and can be appled over the pseudo-reduced temperature range of.05 3 and the pseudo-reduced essure of 0. P 5. Key words: Natural gas comessblty factor, Z-factor, MLB, rtfcal Neural Networks. ran Kha en, Hoang hnh Nhan Petrovetnam Unversty Emal: tentk0@pvu.edu.vn 34 DẦU KHÍ - SỐ 8/06