Multi-Objective Optimization of Natural Gas Compression Power Train With Genetic Algorithms
Notice bibliographique
Résumé
Multi-objective optimizations were conducted for a compressor station comprising two dissimilar compressor units driven by two dissimilar gas turbines, two coolers of different size, and two parallel pipeline sections to the next station. Genetic Algorithms were used in this optimization along with detailed models of the performance characteristics of gas turbines, compressors, aerial coolers, and downstream pipeline section. Essential in these models is the heat transfer between the gas and soil as it affects the pressure drop along the pipeline, and hence relates back to the coolers and compressor flow/pressure settings. Further investigative techniques were developed to refine the methodology as well as to minimize the downstream gas temperature at the suction of the next station. Current operating conditions at the station were compared to the optimized settings, showing that there is room for improving the efficiency of operation (i.e. lower energy consumption) with minimum effort on the station control strategy. Two threshold throughput conditions were determined in so far as single vs. multi-unit operations due to the dissimilarity in the compressor units and associated gas turbine drivers. The results showed that savings in the energy consumption in the order of 5–6% is achievable with slight adjustment to unit load sharing and coolers by-pass/fan speed selections. It appears that most of the savings (around 70–75%) are derived from optimizing the load sharing between the two parallel compressors, while the balance of the savings is realized from optimizing the aerial coolers settings. In particular, operating the aerial coolers at 50% fan speed (if permitted) could lead to substantial savings in electric energy consumption in some cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».