Tendencia corrosiva por CO 2 del gas natural basada en su composición mediante Redes Neuronales Artificiales

Resumen La corrosión es un problema recurrente en la industria del gas natural, debido a la presencia de gases corrosivos como el CO2 y el H2S que en presencia de agua pueden atacar el acero y producir daños y fugas que generen accidentes y contaminación, es por ello que la predicción de la tendencia del gas natural hacia la corrosión es fundamental para desarrollar estrategias de inhibición y mitigación de este proceso. El objetivo del estudio fue desarrollar una Red Neuronal Artificial (RNA) entrenada con datos de composición de muestras de gas natural para predecir la tendencia corrosiva, como método alternativo que pueda ser utilizado como una herramienta predictiva eficiente. La RNA se entrenó con una muestra de 46 gases naturales y 11 componentes por cada una, además de la presión y la temperatura como condiciones operacionales, lo que representa un total de 598 datos de entrenamiento de la RNA, además se utilizaron 8 muestras adicionales para la validación externa del modelo. La RNA que desarrolló fue dentro de los principios de la estadística Bayesiana, con una arquitectura de Perceptrón Multicapa. Se obtuvo que la RNA es capaz de clasificar correctamente el 95,65% de la tendencia corrosiva de las muestras, siendo aquellas con tendencia no corrosiva las que presentaron el menor porcentaje de predicción (75%). La predicción de las muestras externas siguió la tendencia esperada, con menor capacidad para clasificar a las no corrosivas, y las muestras con posible corrosión y corrosivas fueron predichas en 80%. Se concluye que la RNA es una herramienta eficiente para la predicción de la tendencia corrosiva del gas natural en presencia de CO2 y su efectividad depende de que se utilicen muestras con todos los componentes necesarios para entrenar la misma, además puede ser mejorada al introducir otros parámetros como la cantidad de agua presente.

Bibliographic Details

Main Author:	Marín-Velásquez,Tomás Darío
Format:	Digital revista
Language:	Spanish / Castilian
Published:	Universidad Central de Ecuador 2024
Online Access:	http://scielo.senescyt.gob.ec/scielo.php?script=sci_arttext&pid=S2602-84842024000200201
Tags:	Add Tag No Tags, Be the first to tag this record!