Minyak mentah terdiri daripada komponen minyak, gas dan air. Industri gas dan minyak memerlukan teknologi dan kepakaran yang sesuai untuk memastikan minyak yang dihasilkan adalah bermutu tinggi dan menepati kehendak pasaran. Oleh itu, adalah penting untuk mengklasifikasikan minyak ini mengikut regim alirannya. Minyak disalurkan ke pelantar minyak melalui saluran paip. Ukuran kemuatan dijadikan bacaan untuk mengetahui taburan kebertelusan minyak yang terdapat di dalam aliran paip tersebut. Sistem TKE diaplikasi untuk mendapatkan data mentah yang merupakan bacaan kemuatan di dalam paip tersebut. Data mentah yang dijanakan melalui kaedah TKE ini akan dikelaskan kepada jenis regim alirannya menggunakan aplikasi RNB. RNB dilatih sehingga berupaya untuk mengklasifikasi data mentah TKE kepada jenis regim alirannya. Model rangkaian neural MLP dan algoritma Levenberg Marquardt diaplikasi dalam projek ini. Data mentah daripada TKE akan dipecahkan kepada tiga bahagian iaitu data latihan, data pengujian dan data pengesahan untuk melatih RNB. Pemilihan RNB yang terbaik adalah berdasarkan kecerdikan rangkaian tersebut untuk mengklasifikasi data yang tidak pernah dipelajarinya sebelum ini dengan tepat. Dua faktor yang akan dikaji dalam projek ini ialah saiz data latihan dan bilangan neuron tersembunyi. Dua faktor ini akan menentukan sama ada RNB tersebut telah mencapai “kecerdikan” yang optima dan berupaya untuk mengklasifikasi minyak mengikut jenis regim alirannya.
______________________________________________________________________________________
The crude oil component fractions consists of oil, gas and water. The oil and gas industry requires an efficient technology that ensure that oil produced meet the standard requirement and the market needs. Therefore, it is vital to classify the oil according to its flow regime. Crude oil is transferred from offshore to onshore using pipes. ECT system is applied to measure the capacitance value inside the pipe. The capacitance value measurement represents the permittivity distribution of the oil flow. The capacitance data generated from the ECT system will be classified according to the flow regime. In order to enable the simulated ECT data to be classified, Artificial Neural Network (ANN) is implemented. MLP Neural network and the Levenberg Marquardt algorithm is implemented to create a desirable network. The simulated ECT data is divided into three groups namely, training data, validation data and testing data. These data will be used to train the MLP in order to get an optimum network. The best trained MLP is chosen based on its “intelligence” in classifying unseen data correctly. Two factors investigated in choosing the best network are the number of hidden neurons used and the size of training data. These two factors will determine whether the network has reached its optimum “intelligence” and has the potential to classify the oil according to its flow regime.
Analisis data untuk rekabentuk sistem pintar bagi pengelas corak aliran minyak-gas_Adzrinna Abdul Rahim_E3_2006_NI