지하에 매설된 송유관으로부터 오일이 유출되어 지하수층이 오염되는 사고가 빈번히 발생하고 있다. 특히 기존 매설된 배관망이 노후화되면서 발생하는 유류유출 사고는 지하수 오염뿐만 아니라 심각한 환경문제를 발생시킬 수 있다. 최근에는 오염된 지하수층에 계면활성제를 주입하여 유류 오염물 제거 및 정화연구가 수행되고 있다. 국내에서도 부산 문현동 육군 정비창 부지 오염토양정화사업을 시작으로 군부대시설, 대규모 송유관 및 유류저장시설, 정유사 유류 저유시설 등 오염부지에서 정화사업이 수행되고 있다. 본 연구에서는 유류가 유출된 지하수층에서 저류층 ...
지하에 매설된 송유관으로부터 오일이 유출되어 지하수층이 오염되는 사고가 빈번히 발생하고 있다. 특히 기존 매설된 배관망이 노후화되면서 발생하는 유류유출 사고는 지하수 오염뿐만 아니라 심각한 환경문제를 발생시킬 수 있다. 최근에는 오염된 지하수층에 계면활성제를 주입하여 유류 오염물 제거 및 정화연구가 수행되고 있다. 국내에서도 부산 문현동 육군 정비창 부지 오염토양정화사업을 시작으로 군부대시설, 대규모 송유관 및 유류저장시설, 정유사 유류 저유시설 등 오염부지에서 정화사업이 수행되고 있다. 본 연구에서는 유류가 유출된 지하수층에서 저류층 시뮬레이션기법과 인공신경망 기법을 사용하여 계면활성제 주입에 의한 오일회수 효율성을 평가하고자 하였다. 오일이 유출된 지하수층에서 오일회수 시뮬레이션을 위해 CMG사의 STARS를 사용하였다. 시뮬레이션의 입력자료로서 국내 유류 유출 사례를 참고하여 지반 특성, 지하수위, 유류의 종류 및 물성 등을 적용하였다. 주입정 내에서 계면 활성제의 주입 농도와 주입량, 지하수층 매질의 투과도, 오일의 점성도를 변수로 설정하였다. 각각의 변수에 따른 오일의 회수율과 주입된 유체가 생산정에 도달하는 돌파 시간을 평가하였다. 또한, 인공신경망 기법을 이용한 오일 회수 예측을 수행하여 시뮬레이션의 결과와 비교하였다. 인공신경망 모델의 입력 변수(계면활성제 농도, 주입 유량, 매질의 투과도, 오일의 점성도)와 출력 값(오일의 회수율, 돌파 시간)은 시뮬레이션과 동일하게 설정하였다. 학습을 수행한 인공신경망과 시뮬레이션의 출력 값을 서로 비교해본 결과, 회수율과 돌파 시간의 결정계수가 0.999584, 0.991791, 상대오차가 평균 0.007849, 0.022405로 상관관계가 높은 것으로 확인되었으며, 통계 인자에서 매우 양호한 결과 값이 도출되어 인공신경망 기법의 타당성을 검증하였다.
지하에 매설된 송유관으로부터 오일이 유출되어 지하수층이 오염되는 사고가 빈번히 발생하고 있다. 특히 기존 매설된 배관망이 노후화되면서 발생하는 유류유출 사고는 지하수 오염뿐만 아니라 심각한 환경문제를 발생시킬 수 있다. 최근에는 오염된 지하수층에 계면활성제를 주입하여 유류 오염물 제거 및 정화연구가 수행되고 있다. 국내에서도 부산 문현동 육군 정비창 부지 오염토양정화사업을 시작으로 군부대시설, 대규모 송유관 및 유류저장시설, 정유사 유류 저유시설 등 오염부지에서 정화사업이 수행되고 있다. 본 연구에서는 유류가 유출된 지하수층에서 저류층 시뮬레이션기법과 인공신경망 기법을 사용하여 계면활성제 주입에 의한 오일회수 효율성을 평가하고자 하였다. 오일이 유출된 지하수층에서 오일회수 시뮬레이션을 위해 CMG사의 STARS를 사용하였다. 시뮬레이션의 입력자료로서 국내 유류 유출 사례를 참고하여 지반 특성, 지하수위, 유류의 종류 및 물성 등을 적용하였다. 주입정 내에서 계면 활성제의 주입 농도와 주입량, 지하수층 매질의 투과도, 오일의 점성도를 변수로 설정하였다. 각각의 변수에 따른 오일의 회수율과 주입된 유체가 생산정에 도달하는 돌파 시간을 평가하였다. 또한, 인공신경망 기법을 이용한 오일 회수 예측을 수행하여 시뮬레이션의 결과와 비교하였다. 인공신경망 모델의 입력 변수(계면활성제 농도, 주입 유량, 매질의 투과도, 오일의 점성도)와 출력 값(오일의 회수율, 돌파 시간)은 시뮬레이션과 동일하게 설정하였다. 학습을 수행한 인공신경망과 시뮬레이션의 출력 값을 서로 비교해본 결과, 회수율과 돌파 시간의 결정계수가 0.999584, 0.991791, 상대오차가 평균 0.007849, 0.022405로 상관관계가 높은 것으로 확인되었으며, 통계 인자에서 매우 양호한 결과 값이 도출되어 인공신경망 기법의 타당성을 검증하였다.
Contamination in shallow aquifers occurs due to accidental oil spills from the oil pipeline. In particular, the aging of the existing pipes cause the oil spills, which can lead to serious environmental problems such as pollutions of ground water. Recently, studies having been conducted to remove and...
Contamination in shallow aquifers occurs due to accidental oil spills from the oil pipeline. In particular, the aging of the existing pipes cause the oil spills, which can lead to serious environmental problems such as pollutions of ground water. Recently, studies having been conducted to remove and purify oil pollutants by injecting surfactants into a contaminated shallow aquifer. Projects for soil and ground water purification are being conducted at contaminate sites such as oil pipeline, oil refineries and storage facilities, starting with the purification project of military facilities in Munhyeon-dong, Busan. In this study, the efficiency of oil recovery with surfactant flooding was evaluated by using the reservoir simulation and artificial neural network (ANN) method in a contaminated shallow aquifer. The commercial reservoir simulator, CMG‘s STARS, was used for oil recovery simulation in a sallow aquifer where oil was spilled. As input data for simulation, the ground characteristics such as groundwater level, oil and rock properties were applied by referring to domestic oil spill cases. The injection rate in injection well, surfactant concentration of injection fluid, aquifer permeability and oil viscosity were set as variables for surfactant flooding simulation. Then, oil recovery rate and breakthrough time (BT) of the injected fluid were evaluated according to each variable. In addition, the predicted values of oil recovery by using artificial neural network technology was compared with the simulation results. The input variables (surfactant concentration, injection flow rate, permeability, oil viscosity) and output values (oil recovery rate, breakthrough time) of the artificial neural network model were set to the same as those of the simulation. The results of comparing the output values of artificial neural networks and simulations showd that the coefficient of determination was 0.999584 and 0.991791 for recovery rate and breakthrough time, respectively, and its relative error was 0.007849 and 0.022405. As a result, the validity of artificial neural network technology was verified.
Contamination in shallow aquifers occurs due to accidental oil spills from the oil pipeline. In particular, the aging of the existing pipes cause the oil spills, which can lead to serious environmental problems such as pollutions of ground water. Recently, studies having been conducted to remove and purify oil pollutants by injecting surfactants into a contaminated shallow aquifer. Projects for soil and ground water purification are being conducted at contaminate sites such as oil pipeline, oil refineries and storage facilities, starting with the purification project of military facilities in Munhyeon-dong, Busan. In this study, the efficiency of oil recovery with surfactant flooding was evaluated by using the reservoir simulation and artificial neural network (ANN) method in a contaminated shallow aquifer. The commercial reservoir simulator, CMG‘s STARS, was used for oil recovery simulation in a sallow aquifer where oil was spilled. As input data for simulation, the ground characteristics such as groundwater level, oil and rock properties were applied by referring to domestic oil spill cases. The injection rate in injection well, surfactant concentration of injection fluid, aquifer permeability and oil viscosity were set as variables for surfactant flooding simulation. Then, oil recovery rate and breakthrough time (BT) of the injected fluid were evaluated according to each variable. In addition, the predicted values of oil recovery by using artificial neural network technology was compared with the simulation results. The input variables (surfactant concentration, injection flow rate, permeability, oil viscosity) and output values (oil recovery rate, breakthrough time) of the artificial neural network model were set to the same as those of the simulation. The results of comparing the output values of artificial neural networks and simulations showd that the coefficient of determination was 0.999584 and 0.991791 for recovery rate and breakthrough time, respectively, and its relative error was 0.007849 and 0.022405. As a result, the validity of artificial neural network technology was verified.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.