تعیین مشخصات جریان‌های دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی

Abstract

تا به امروز، مدل‌های مکانیکی و روابط تجربی مختلفی برای توصیف و مدل‌سازی سیستم‌های جریان دو فازی نفت- آب معرفی شده‌اند. اما، در اکثر این مدل‌ها و روابط پیشنهادی از مفروضات ساده با رویکرد حل تکرار شونده استفاده شده، که از دقت کافی جهت تخمین خصوصیات جریانی برخوردار نمی‌باشند. هدف از مطالعه حاضر، غلبه بر این مشکل با کمک توسعه یک شبکه عصبی کانولوشنالی جریانی از طریق یادگیری عمیق می‌باشد. بدین منظور، 270 آزمایش جریانی شامل آزمایش‌های جریانی پراکنده آب در نفت، دوگانه پیوسته و پراکنده نفت در آب در دو حالت افقی و شیب دار (°30) انجام گردیده است. شبکه عصبی بر روی 70% این داده‌های آزمایشگاهی آموزش داده شد. لازم به توضیح است که از تصاویر الگوی جریانی دو بعدی به عنوان داده‌های ورودی و از الگوهای جریان و مقادیر کسر حجمی پسماند به عنوان داده‌های خروجی استفاده شده است. نتایج حاصل از این مطالعه نماینگر آن است که مدل شبکه عصبی کانولوشنالی جریانی آموزش داده شده بر روی داده‌های آزمایشگاهی قادر است رژیم‌های جریان را با دقت 91% و 96% به ترتیب در جریان‌های افقی و شیبدار پیش‌بینی نماید. این مدل همچنین قادر است کسر حجمی پسماند را با یک خطای معقول 22/1% و 98/0% به ترتیب در جریان‌های افقی و شیبدار پیش‌بینی کند. از این‌رو می‌توان گفت که رویکرد پیشنهادی قادر به پیش‌بینی خودکار و دقیق رژیم جریان و کسر حجمی پسماند در جریان‌های افقی و شیبدار از طریق تصاویر جریان است.

Keywords

• جریان دو فازی
• الگوی جریان نفت- آب
• یادگیری عمیق
• شبکه عصبی کانولوشنی جریانی
• کسر حجمی پسماند