مروری بر روش های هوش مصنوعی برای تخمین افت فشار در جریان های دوفازی

پیچیدگی مرتبط با سیستم جریان دو فازی، تعیین محاسباتی فشار کف چاه را دشوار و وقت گیر می کند، بنابراین دو رویکرد جدید یادگیری ماشینی مبتنی بر تقویت درخت گرادیان (GTB) و آموزش ماشینی حد نهایی (ELM) پیشنهاد شده است که میانگین خطاهای نسبی کمتر از ۴٪ را دارند. برای تعیین محتمل ترین مجموعه ویژگی های بدون بعد و الگوریتم آموزش ماشین بهینه که می تواند برای تخمین افت فشار اصطکاکی مبتنی بردادههای جریان آب (تک فاز) و مخلوط هوا-آب (دو فاز) استفاده شود، ابتدا یک فعالیت آزمایشی انجام می شود که در آن افت فشار اصطکاکی هر دو جریان آب و هوا-آب، در شرایط مختلف جریان، اندازه گیری می شود. پساز ارائه پارامترهای بدون بعد بعنوان مشخصه، پروسه انتخاب مشخصه انجام می شود که در آن، محتمل ترینمجموعه مشخصه ها، در حالی که از یک الگوریتم معیار استفاده می شود، تعیین می شود. سپس یک روش بهینه سازی الگوریتم به منظور انتخاب مناسبترین الگوریتم (و پارامترهای تنظیم مربوطه) که منجر به بالاتریندقت ممکن می شود، انجام می شود. همچنین برای پیش بینی دقیق دو رژیم جریان دوفازی گاز-سیال نیوتنیمختلف شامل جریان های لخته ای و پراکنده از طریق اجرای روش های شناسایی سیستم، مورد بررسی قرار میگیرد که بطور دقیق دینامیک جریان رژیم های مورد مطالعه را نشان می دهد و پس از آن نتایج روش هایشناسایی سیستم با نتایج شبکه عصبی دو طرفه برای پیش بینی کسر فاز جریان های دو فازی در نظر گرفته شده، مقایسهمی شوند اما برای تخمین افت فشار برای سیستم های گازی- سیال غیرنیوتنی دو فازی در لوله ها از یک مدل شبکه های عصبی مصنوعی (ANN) با استفاده از تعداد زیادی داده های تجربی برای طیف گسترده ای از شرایط عملیاتی، قطر لوله ها و ویژگی های سیال ارائه می شود. با استفاده از یک مدل شبکه عصبی پرسپترون چند لایه (MLPNN)، افت فشار پیش بینی شده با نتایج تجربی مطابقت خوبی دارد که اختلاف این دو از ۵% تجاوز نمی کند.