تعیین مشخصات جریان های دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی
Publish place: The journal of Petroleum Research، Vol: 32، Issue: 6
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 44
This Paper With 19 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_PRRIP-32-6_006
تاریخ نمایه سازی: 4 دی 1402
Abstract:
تا به امروز، مدل های مکانیکی و روابط تجربی مختلفی برای توصیف و مدل سازی سیستم های جریان دو فازی نفت- آب معرفی شده اند. اما، در اکثر این مدل ها و روابط پیشنهادی از مفروضات ساده با رویکرد حل تکرار شونده استفاده شده، که از دقت کافی جهت تخمین خصوصیات جریانی برخوردار نمی باشند. هدف از مطالعه حاضر، غلبه بر این مشکل با کمک توسعه یک شبکه عصبی کانولوشنالی جریانی از طریق یادگیری عمیق می باشد. بدین منظور، ۲۷۰ آزمایش جریانی شامل آزمایش های جریانی پراکنده آب در نفت، دوگانه پیوسته و پراکنده نفت در آب در دو حالت افقی و شیب دار (°۳۰) انجام گردیده است. شبکه عصبی بر روی ۷۰% این داده های آزمایشگاهی آموزش داده شد. لازم به توضیح است که از تصاویر الگوی جریانی دو بعدی به عنوان داده های ورودی و از الگوهای جریان و مقادیر کسر حجمی پسماند به عنوان داده های خروجی استفاده شده است. نتایج حاصل از این مطالعه نماینگر آن است که مدل شبکه عصبی کانولوشنالی جریانی آموزش داده شده بر روی داده های آزمایشگاهی قادر است رژیم های جریان را با دقت ۹۱% و ۹۶% به ترتیب در جریان های افقی و شیبدار پیش بینی نماید. این مدل همچنین قادر است کسر حجمی پسماند را با یک خطای معقول ۲۲/۱% و ۹۸/۰% به ترتیب در جریان های افقی و شیبدار پیش بینی کند. از این رو می توان گفت که رویکرد پیشنهادی قادر به پیش بینی خودکار و دقیق رژیم جریان و کسر حجمی پسماند در جریان های افقی و شیبدار از طریق تصاویر جریان است.
Keywords:
Authors
امیر پوریا صادق صمیمی
گروه مهندسی نفت،دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
علی اسفندیاری بیات
گروه مهندسی نفت،دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
ابوالقاسم امامزاده
گروه مهندسی نفت،دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :