Wykorzystanie uczenia maszynowego w identyfikacji kryteriów przepływów płynów dwufazowych w przewodach horyzontalnych

• Autorzy: Pakos Klaudia K.
• Języki publikacji: PL

Abstrakty

PL

Rozpoznanie występującego w przewodzie rozmieszczenia faz jest niezbędne do stworzenia odpowiedniego modelu hydrodynamicznego. W pracy wykorzystano uczenie maszynowe do identyfikacji kryteriów przepływów płynów dwufazowych w przewodach horyzontalnych. Wykorzystując filmy z przepływami stworzono zbiór danych uczących i walidacyjnych, sklasyfikowanych w pięciu klastrach odpowiadających następującym strukturom przepływu: pęcherzykowej, rzutowej, korkowej, warstwowej i falowej. Następnie opracowano modele uczenia maszynowego z wykorzystaniem bibliotek TensorFlow oraz Keras, w których wykorzystano głębokie warstwy konwolucyjne. Finalnie wytypowano optymalną budowę sieci neuronowej, która zapewniała niskie wartości parametru straty i wysoką dokładność klasyfikacji. Zaproponowane rozwiązanie może znaleźć zastosowanie w przemyśle konkurując z wykorzystywanymi obecnie.

EN

Recognition of the phase distribution in pipe is necessary to create the appropriate hydrodynamic model. In the thesis, machine learning was used to identify flow regime for two-phase fluids in horizontal pipes. Using films with flows, a set of learning and validation data was created and classified in five clusters corresponding to the following flow structures: bubbly, slug, plug, stratified and wavy. Then, machine learning models were developed, using the TensorFlow and Keras libraries, which used deep convolution layers. Finally, the optimal structure of the neural network was proposed, which ensured low values of the loss parameter and high accuracy of classification. The proposed solution may find application in industry competing with those currently used.

Słowa kluczowe

PL

uczenie maszynowe; przepływ płynów; płyn dwufazowy; przewody horyzontalne

EN

machine learning; fluid flow; two-phase fluid; horizontal pipes

• Wydawca: Stowarzyszenie Naukowo-Techniczne Inżynierów i Techników Przemysłu Naftowego i Gazowniczego
• Czasopismo: Wiadomości Naftowe i Gazownicze
• Rocznik: 2020
• Tom: R. 23, Nr 9 (263)
• Strony: 16--19
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Pakos Klaudia K.

• Szkoła Doktorska AGH w Krakowie, doktorantka

Bibliografia

• 1. Abrahams, S. & Hafner, D., 2016. Tensor-Flow for Machine Intelligence. Wydanie pierwsze red. Santa Rosa: Bleeding Edge Press.
• 2. Ghaiasiaan, M., 2008. Two-phase flow, boiling and condansation in conventional and miniature systems.. New York: Cambridge University Press.
• 3. Gulli, A. & Pal, S., 2017. Deep Learning with Keras. Wydanie pierwsze red. Birmingham: Packt Publishing.
• 4. Hale, J., 2019. Towards data science. [Online] Available at: https://towardsdatascience.com/which-deep-learning-frameworkis-growing-fastest-3f77f14aa318 [Data uzyskania dostępu: 16 luty 2020].
• 5. O’Donovan, A. & Grimes, R., 2020. Twophase flow regime identification through local temperature mapping. Experimental Thermal and Fluid Science, 1 July.
• 6. Pinto Del Corral, N., 2014. Analysis of Two-Phase Flow Pattern Maps, Brno:
• 7. Raschka, S. & Mirjalili, V., 2017. Python Machine Learning. Wydanie drugie red. Birmingham: Packt Publishing.
• 8. Richter, Aritomi, Prasser & Hampel, 2002. Approach towards spatial phase reconstruction in transient bubbly flow using a wire-mesh sensor. W: Heat Mass Transfer., pp. 1063-1075.
• 9. Schlumberger, 2020. Schlumberger Oilfield Glossary. [Online] Available at: https://www.glossary.oilfield.slb.com/en/Terms/f/flow_regime.aspx [Data uzyskania dostępu: 22 Luty 2020].
• 10. Shaban & Tavoularis, 2017. Performance evaluation of conductivity wire-mesh sensors in vertical channels. Flow Measurement and Instrumentation, pp. 185-196.
• 11. Taitel, Y. & Dukler, A. E., 1976. A model for predicting flow regime transitions in horizontal and near horizontal gas-liquid flow. AIChE journal, Styczeń, pp. 47-55.
• 12. Vollestad, P. i inni, 2019. Experimental investigation of airflow above waves in horizontal pipe. International Journal of Multiphase Flow, 23 Sierpień.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).