Caracterización hidrodinámica de flujos multifase empleando técnicas de inteligencia artificial

Simple item page
dc.contributor.advisorGonzález Estrada, Octavio Andrés
dc.contributor.advisorGonzález Silva, Germán
dc.contributor.advisorHernández Cely, Marlon Mauricio
dc.contributor.authorRuiz Diaz, Carlos Mauricio
dc.date.accessioned2024-03-04T01:23:09Z
dc.date.available2021
dc.date.available2024-03-04T01:23:09Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractDada la importancia del control de procesos en la industria petroquímica, existe la necesidad de caracterizar los fluidos en el interior de las tuberías. En este trabajo se desarrolla una metodología para la identificación de patrones de flujo, cálculo de velocidades superficiales y cálculo de la fracción volumétrica de flujos bifásicos en tuberías verticales y horizontales con diámetros entre 0.01 y 0.1 [m], a partir de la implementación de técnicas de inteligencia artificial, para una combinación líquida de dos fases compuesta por aceite con viscosidad en el rango de 792 a 1823 [Kg/m³] y agua a temperatura ambiente. Los modelos predictivos generados en la estructuración de la metodología fueron entrenados con el 70% de los datos basados en parámetros de viscosidad, diámetro de la tubería, número de Reynolds, fracciones volumétricas y velocidades superficiales de los fluidos de trabajo almacenados en bases de datos para tubería horizontal y vertical. La información restante, equivalente al 30% del total, se utilizó para desarrollar la validación automática de los modelos. Los patrones de flujo identificados por el sistema inteligente para el flujo bifásico de aceite y agua son: agitado (CHURN), disperso (D), dispersión muy fina (VFD), flujo de transición (TF), intermitente (S), estratificado (ST) y anular (A), y en conjunto con los valores de velocidades superficiales y fracciones volumétricas generados por los modelos predictivos, alcanzaron un mayor nivel de aproximación con los valores experimentales al implementar estructuras de redes neuronales, dado que los modelos ANFIS presentaban valores superiores a los generados por las RNA, siendo estos 0.00016, 0.99798 y 0.1988 %, correspondientes al MSE, R² Y MAPE respectivamente
dc.description.abstractenglishGiven the importance of process control in the petrochemical industry, there is a need to characterize the fluids inside the pipes. In this work, a methodology is developed for the identification of flow patterns, calculation of the superficial velocities and the volume fraction of twophase flows in vertical and horizontal pipes with diameters between 0.01 and 0.1 [m], from the implementation of artificial intelligence techniques, for a twophase liquid combination composed of oil with viscosity in the range of 792 to 1823 [Kg/m³] and water at room temperature. The predictive models generated in the structuring of the methodology were trained with 70% of the data based on viscosity parameters, pipe diameter, Reynolds number, volume fractions and surface speeds of the working fluids stored in databases for horizontal and vertical pipes. The remaining information, equivalent to 30% of the total, was used to develop the automatic validation of the models. The flow patterns identified by the intelligent system for twophase oil and water flow are: agitated (CHURN), dispersed (D), very fine dispersion (VFD), transition flow (TF), intermittent (S), stratified (ST) and annular (A), and in conjunction with the values of superficial velocities and volumetric fractions generated by the predictive models, reached a higher level of approximation with the experimental values when implementing neural network structures, given that the ANFIS models presented higher values than those generated by the ANNs, being these 0.00016, 0.99798 and 0.1988 %, corresponding to MSE, R² and MAPE respectively
dc.description.degreelevelMaestría
dc.description.degreenameMagíster en Ingeniería Mecánica
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/42010
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programMaestría en Ingeniería Mecánica
dc.publisher.schoolEscuela de Ingeniería Mecánica
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectRedes Neuronales Artificiales
dc.subjectFlujo bifásico líquido líquido
dc.subjectANFIS
dc.subjectMapas de flujo
dc.subject.keywordArtificial Neural Networks
dc.subject.keywordLiquidliquid twophase flow
dc.subject.keywordANFIS
dc.subject.keywordFlow maps
dc.titleCaracterización hidrodinámica de flujos multifase empleando técnicas de inteligencia artificial
dc.title.englishHydrodynamic characterization of multiphase flows using intelligence techniques *
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_bdcc
dc.type.localTesis/Trabajo de grado - Monografía - Maestria
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
115.18 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
3.62 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
174.97 KB
Format:
Adobe Portable Document Format
Download
Collections
Maestría en Ingeniería Mecánica