Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/266014
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Desenvolvimento de redes neurais utilizando técnica ultrassônica e números adimensionais para determinação da fração de vazio e padrões de escoamentos multifásicos representativos da indústria do petróleo
Title Alternative: Development of neural networks using ultrasonic technic and dimensionless numbers to determine the void fraction and multiphase flow patterns representative of the oil industry
Author: Nakashima, Amauri Matamouros Vicente, 1988-
Advisor: Fileti, Ana Maria Frattini, 1965-
Abstract: Resumo: Esta pesquisa teve como finalidade o desenvolvimento de redes neurais artificiais (RNA) para a determinação da fração de volume de gás (FVG) e de padrões de escoamentos multifásicos representativos da indústria do petróleo (IPDE). Os modelos neurais foram treinados por meio do algoritmo Levenberg-Marquardt com regularização bayesiana, considerado um padrão em otimizações não-lineares, além de ser um modo sofisticado de melhorar a generalização do modelo. Para cada variável a ser predita, duas redes neurais distintas foram criadas com entradas diferentes, sendo combinadas para gerar a saída desejada (FVG ou IPDE). Usando uma abordagem fenomenológica, foram formados números adimensionais, representativos das forças atuantes no escoamento bifásico líquido-gás, usados como entrada. As redes foram treinadas com um extenso banco de dados encontrado na literatura para escoamentos bifásicos verticais ascendentes e horizontais. Numa segunda abordagem, a técnica ultrassônica foi utilizada. Dados de atenuação acústica foram tratados e transformados em razão de energia, usada como entrada do modelo. Duas montagens experimentais permitiram a obtenção dos dados acústicos. A primeira utilizou óleo mineral como fase contínua em um circuito fechado de escoamento, provido de câmera de filmagem rápida para reconhecimento do padrão IPDE. A segunda usou um protótipo de medidor multifásico ultrassônico instalado em uma coluna vertical. Testes de retenção de gás (FVG) foram realizados usando petróleo como fase contínua, com diferentes viscosidades. O sistema neural final composto das duas redes neurais desenvolvidas (grupos adimensionais e ultrassom) usou um peso de 0,1 para a RNA dos grupos adimensionais e 0,9 para a RNA ultrassônica. Usando os dados do experimento de Gonçalves (2013), foi possível obter um erro médio de 3,8% para FVG e 99% de acerto na previsão de IPDE, confirmando a potencialidade das técnicas utilizadas para o desenvolvimento de um medidor multifásico industrial

Abstract: This research aims at developing artificial neural networks (ANN) to determine the gas volume fraction (GVF) and the flow patterns in multiphase flows representative of the oil industry (FPI). The neural models were trained using Levenberg-Marquardt algorithm with Bayesian regularization, which is considered a standard regarding non-linear optimizations. Furthermore, it is a sophisticated way to improve the generalization of the model. Two distinct neural networks with different inputs were created to each variable to be predicted. They were combined to generate the desired output (GVF or FPI). Through a phenomenological approach, dimensionless numbers representative of the competing forces within two-phase liquid-gas flows were formed and used as inputs. The ANNs were trained with an extensive database found in the literature for horizontal and upward vertical two-phase flows. In a second approach, ultrasonic technique was used. Acoustic attenuation data were treated and transformed into energy ratio, used as inputs of the model. Using two experimental setups, it was possible to obtain the acoustic data. The first one used mineral oil as continuous phase in a closed circuit flow, with a high-speed filming camera for FPI pattern recognition. The other setup used an ultrasonic multiphase flow-metering prototype installed in a vertical column. Tests of gas retention (GVF) were carried out using crude oil as continuous phase, with different viscosities. The final neural system composed by the two developed neural networks (dimensionless groups and ultrasound) used a 0.1 weight for the dimensionless groups¿ ANN and a 0.9 weight for the ultrasound ANN. Using data from Gonçalves (2013)¿s experiment it was possible to obtain an average error of 3.8% for GVF and 99% of correct answers in FPI prediction, thus testifying the potential of the used techniques to the development of an industrial multiphase flow metering device
Subject: Redes neurais (Computação)
Escoamento multifásico
Ultrassom
Editor: [s.n.]
Date Issue: 2015
Appears in Collections:FEQ - Tese e Dissertação

Files in This Item:
File SizeFormat 
Nakashima_AmauriMatamourosVicente_M.pdf2.3 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.