تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی
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 ب...
Main Authors: | , , |
---|---|
Format: | Article |
Language: | fas |
Published: |
Research Institute of Petroleum Industry
2023-02-01
|
Series: | Pizhūhish-i Naft |
Subjects: | |
Online Access: | https://pr.ripi.ir/article_1298_645951e30d6a2c8bd4df00715dc1ff7d.pdf |
_version_ | 1797829769183625216 |
---|---|
author | امیر پوریا صادق صمیمی علی اسفندیاری بیات ابوالقاسم امامزاده |
author_facet | امیر پوریا صادق صمیمی علی اسفندیاری بیات ابوالقاسم امامزاده |
author_sort | امیر پوریا صادق صمیمی |
collection | DOAJ |
description | 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. |
first_indexed | 2024-04-09T13:26:33Z |
format | Article |
id | doaj.art-90fde690f033424ca963fa5b4b3495a2 |
institution | Directory Open Access Journal |
issn | 2345-2900 2383-4528 |
language | fas |
last_indexed | 2024-04-09T13:26:33Z |
publishDate | 2023-02-01 |
publisher | Research Institute of Petroleum Industry |
record_format | Article |
series | Pizhūhish-i Naft |
spelling | doaj.art-90fde690f033424ca963fa5b4b3495a22023-05-10T10:12:44ZfasResearch Institute of Petroleum IndustryPizhūhish-i Naft2345-29002383-45282023-02-01321401-6658010.22078/pr.2022.4895.31891298تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانیامیر پوریا صادق صمیمی0علی اسفندیاری بیات1ابوالقاسم امامزاده2گروه مهندسی نفت،دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایرانگروه مهندسی نفت،دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایرانگروه مهندسی نفت،دانشکده نفت و مهندسی شیمی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایرانتا 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.https://pr.ripi.ir/article_1298_645951e30d6a2c8bd4df00715dc1ff7d.pdfجریان دو فازیالگوی جریان نفت- آبیادگیری عمیقشبکه عصبی کانولوشنی جریانیکسر حجمی پسماند |
spellingShingle | امیر پوریا صادق صمیمی علی اسفندیاری بیات ابوالقاسم امامزاده تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی Pizhūhish-i Naft جریان دو فازی الگوی جریان نفت- آب یادگیری عمیق شبکه عصبی کانولوشنی جریانی کسر حجمی پسماند |
title | تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی |
title_full | تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی |
title_fullStr | تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی |
title_full_unstemmed | تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی |
title_short | تعیین مشخصات جریانهای دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی |
title_sort | تعیین مشخصات جریانهای دو فازی نفت آب توسط شبکه عصبی کانولوشنی جریانی |
topic | جریان دو فازی الگوی جریان نفت- آب یادگیری عمیق شبکه عصبی کانولوشنی جریانی کسر حجمی پسماند |
url | https://pr.ripi.ir/article_1298_645951e30d6a2c8bd4df00715dc1ff7d.pdf |
work_keys_str_mv | AT ạmyrpwryạṣạdqṣmymy tʿyynmsẖkẖṣạtjryạnhạydwfạzynftậbtwsṭsẖbḵhʿṣbyḵạnwlwsẖnyjryạny AT ʿlyạsfndyạrybyạt tʿyynmsẖkẖṣạtjryạnhạydwfạzynftậbtwsṭsẖbḵhʿṣbyḵạnwlwsẖnyjryạny AT ạbwạlqạsmạmạmzạdh tʿyynmsẖkẖṣạtjryạnhạydwfạzynftậbtwsṭsẖbḵhʿṣbyḵạnwlwsẖnyjryạny |