تعيين مشخصات جريان‌هاي دو فازي نفت- آب توسط شبكه عصبي كانولوشني جرياني

تا به امروز، مدل‌هاي مكانيكي و روابط تجربي مختلفي براي توصيف و مدل‌سازي سيستم‌هاي جريان دو فازي نفت- آب معرفي شده‌اند. اما، در اكثر اين مدل‌ها و روابط پيشنهادي از مفروضات ساده با رويكرد حل تكرار شونده استفاده شده، كه از دقت كافي جهت تخمين خصوصيات جرياني برخوردار نمي‌باشند. هدف از مطالعه حاضر، غلبه بر اين مشكل با كمك توسعه يك شبكه عصبي كانولوشنالي جرياني از طريق يادگيري عميق مي‌باشد. بدين منظور، 270 آزمايش جرياني شامل آزمايش‌هاي جرياني پراكنده آب در نفت، دوگانه پيوسته و پراكنده نفت در آب در دو حالت افقي و شيب دار (°30) انجام گرديده است. شبكه عصبي بر روي 70% اين داده‌هاي آزمايشگاهي آموزش داده شد. لازم به توضيح است كه از تصاوير الگوي جرياني دو بعدي به عنوان داده‌هاي ورودي و از الگوهاي جريان و مقادير كسر حجمي پسماند به عنوان داده‌هاي خروجي استفاده شده است. نتايج حاصل از اين مطالعه نماينگر آن است كه مدل شبكه عصبي كانولوشنالي جرياني آموزش داده شده بر روي داده‌هاي آزمايشگاهي قادر است رژيم‌هاي جريان را با دقت 91% و 96% به ترتيب در جريان‌هاي افقي و شيبدار پيش‌بيني نمايد. اين مدل همچنين قادر است كسر حجمي پسماند را با يك خطاي معقول 1.22% و 0.98% به ترتيب در جريان‌هاي افقي و شيبدار پيش‌بيني كند. از اين‌رو مي‌توان گفت كه رويكرد پيشنهادي قادر به پيش‌بيني خودكار و دقيق رژيم جريان و كسر حجمي پسماند در جريان‌هاي افقي و شيبدار از طريق تصاوير جريان است.