Investigation of hydrate formation in highly pressurized natural gas pipelines

Abstract

In this study, we aim to develop advanced machine learning regression models for the predic-tion of temperature and pressure which hydrates form based on the chemical composition of sweet gas mixtures. Data were collected in accordance with the BOTAS Gas Network Code specifications, approved by the Turkish Energy Market Regulatory Authority (EMRA), and generated using the DNV GasVLe v3.10 software, which predicts the phase behavior and properties of hydrocarbon-based mixtures under various pressure and temperature conditions. We employed lineer regression, decision tree regression, random forest regression, generalized additive models and artificial neural networks to create prediction models for the hydrate formation pressure (HFP) and temperature (HFT). The performance of these models was evaluated using the hold-out cross-validation technique to ensure unbiased results. The study demonstrates the ef-ficacy of ensemble learning methods, particularly decision tree regression with an R2 and Adj. R2 both at 0.999, for predicting hydrate formation conditions, thereby enhancing the safety and efficiency of gas transport and processing. This research illustrates the potential of machine learning techniques in advancing predictive accuracy for hydrate formation in natural gas pipelines and suggests avenues for future optimization through hybrid modeling approachesBu çalışmada, tatlı gaz karışımlarının kimyasal bileşimine dayalı olarak hidratların oluşturduğu sıcaklık ve basıncın tahmini için ileri makine öğrenmesi regresyon modelleri geliştirmeyi amaçladık. Veri seti, hidrokarbon bazlı karışımların çeşitli basınç ve sıcaklık altında faz davranışını ve özelliklerini tahmin eden DNV GasVLe yazılımı ile Türkiye Enerji Piyasası Düzenleme Kurumu (EPDK) tarafından onaylanan BOTAŞ İletim Şebekesi İşleyiş üzenlemelerine ilişkin Esaslar'daki (ŞİD) kalite şartnamasine uygun olarak oluşturulmuştur. HFT ve HFP için tahmin modelleri oluşturmak amacıyla doğrusal regresyon, karar ağacı regresyonu, rastgele orman regresyonu, genelleştirilmiş katkı modeli ve yapay sinir ağları kullandık. Bu modellerin performansı, tarafsız sonuçlar sağlamak için çapraz doğrulama tekniği kullanılarak değerlendirildi. Çalışma, hidrat oluşum koşullarını tahmin etmek için topluluk öğrenme yöntemlerinin, özellikle de karar ağacı regresyonu R 2 ve Adj. R2 değerlerinin 0.999 olması ile ortaya koyuyor ve böylece Doğal gaz taşıma ve işletmenin güvenliğini ve verimliliğini artırıyor. Bu araştırma, doğal gaz boru hatlarında hidrat oluşumuna yönelik tahmin doğruluğunun geliştirilmesinde makine öğrenimi tekniklerinin potansiyelini göstermekte ve hibrit modelleme yaklaşımları aracılığıyla gelecekteki optimizasyon için yöntemler önerilmektedir.