Метод визначення коефіцієнта стиснення газоводневої суміші з використанням регресійного рівняння та алгоритму штучної нейронної мережі

Abstract

У розрахунках режимів роботи газопроводів та комерційного обліку спожитого чи транспортова-ного газу необхідно враховувати його коефіцієнт стиснення, який визначається за допомогою рів-нянь станів або кореляційних залежностей. Для комерційного обліку газу використовуються рівняння станів, які характеризуються високою точністю розрахунків та потребують значного обсягу різно-манітних даних для обчислень. Для розрахунку параметрів мережі зазвичай використовуються менш точні, але значно простіші для розрахунків кореляційні рівняння. Оператори газотранспортних ме-реж застосовують кореляційні рівняння визначення коефіцієнта стиснення за вмістом вуглекислого газу або відносної густини, які визначені у СОУ 60.3-0019801-100:2012. У випадку застосування даних рівнянь для газоводневих сумішей з об’ємним вмістом водню до 20 %, спостерігається збільшення похибки зі зростанням концентрації водню. Рівняння, що враховує відносну густину, є точнішим у розрахунку газоводневих сумішей, оскільки вміст водню напряму впли-ває на густину суміші. Рівняння за вмістом вуглекислого газу є взагалі нечутливим до змін концент-рації водню. Відповідно варто додати до рівняння змінну вмісту по водню, яка б дозволила знизити похибки розрахунків. У статті проведено підбір коефіцієнта змінної по водню класичним регресійним методом, за якого модифікація рівнянь виконується шляхом доповнення наявних рівнянь розрахунку коефіцієнта стис-нення доданком добутку вмісту водню в суміші на розрахований коефіцієнт та коригування констан-ти зміщення рівняння. Альтернативним способом розрахунку коефіцієнтів стиснення є використання штучних нейрон-них мереж (ШНМ). В ході роботи розроблено двошарову штучну нейронну мережу зі зворотним поши-ренням помилки. Така ШНМ отримує на вхід набір значень вмісту вуглекислого газу,водню, темпера-тури та надлишкового тиску, а на виході видає значення коефіцієнта стиснення.

To calculate the operating modes of gas pipelines and for the commercial metering of consumed or transported gas, it is necessary to take into account its compressibility factor, which is determined using equations of state or correlation depend-encies. Equations of states are characterized by high calculation accuracy but require a significant amount of various data for calculations, so they are used for commercial gas metering. Correlation equations are usually used to calculate network parameters, which are less accurate but much easier to calculate. Gas transmission network operators use correlation equations for determining the compressibility factor based on carbon dioxide content or relative density, as given in SOU 60.3-0019801-100:2012. When these equations are applied to calculate the compressibility factor of natural gas-hydrogen blends with volumetric hy-drogen content up to 20 %, an increase in error is observed with increasing hydrogen concentration. The equation based on the relative density is more accurate when calculating the natural gas-hydrogen mixture’s compressibility factor since the hydrogen content directly affects the density of the blend. The carbon dioxide equation is generally insensitive to changes in hydrogen concentration within the blend. Thus, it is worth adding a hydrogen variable to the equation to reduce calculation errors. In this article, the selection of the hydrogen variable coefficient is carried out by the classical regression method, in which the equations are modified by supplementing the existing equations for calculating the compressibility factor with the addition of the product of the hydrogen content in the mixture by the calculated coefficient, and the equation's bias adjustment. An alternative way to calculate the compressibility factor is to use artificial neural networks (ANNs). In the course of this work, a two-layer artificial neural network with back-propagation of error was developed. This ANN receives as input a set of values of carbon dioxide and hydrogen content, temperature, and pressure, and outputs the value of the com-pressibility factor.