Identificación de patrones de flujo bifásico conformado por aceite lubricante y agua en tuberías verticales aplicando técnicas de inteligencia artificial

Quispe Suarez, Brayan Gonzalo

Identificación de patrones de flujo bifásico conformado por aceite lubricante y agua en tuberías verticales aplicando técnicas de inteligencia artificial

dc.contributor.advisor	González Estrada, Octavio Andrés
dc.contributor.advisor	Ruiz Diaz, Carlos Mauricio
dc.contributor.advisor	Hernández Cely, Marlon Mauricio
dc.contributor.author	Quispe Suarez, Brayan Gonzalo
dc.contributor.evaluator	Amaris Castilla, Carlos Fidel
dc.contributor.evaluator	Fuentes Díaz, David Alfredo
dc.date.accessioned	2022-11-17T13:27:31Z
dc.date.available	2022-11-17T13:27:31Z
dc.date.created	2022-11-15
dc.date.issued	2022-11-15
dc.description.abstract	La estructuración de mapas de flujo en la industria de hidrocarburos se ha desarrollado a partir de correlaciones empíricas que integran características del flujo, como velocidades superficiales y fracciones volumétricas, en conjunto con propiedades físicas de las sustancias en análisis como densidad y viscosidad, además de utilizar parámetros geométricos como la inclinación y el diámetro interno de las tuberías. En la actualidad, se han desarrollado avances tecnológicos que permiten optimizar el proceso de identificación de patrones de flujo, a partir de la implementación de técnicas de inteligencia artificial, debido a que existen limitaciones para monitorear el patrón de flujo generado al interior de las tuberías de las plataformas instaladas en altamar, dadas las condiciones de trabajo extremas que allí se presentan. En este estudio se desarrolló una red neuronal recurrente de memoria a largo y corto plazo (LSTM), capaz de predecir los patrones de flujo generados al interior de tuberías verticales. La red LSTM fue entrenada y posteriormente validada con la información contenida en una base de datos obtenida de la literatura, mostrando un error generado en las predicciones del modelo inferior al 1%.
dc.description.abstractenglish	Flow map structuring in the hydrocarbon industry has been developed from empirical correlations that integrate flow characteristics such as surface velocities and volume fractions, together with physical properties of the substances under analysis such as density and viscosity, and geometric parameters such as pipe inclination and internal diameter. Currently, technological advances have been developed to optimize the process of identifying flow patterns, from the implementation of artificial intelligence techniques, because there are limitations to monitor the flow pattern generated inside the pipes of offshore platforms, given the extreme working conditions that occur there. In this study, a long-short term memory network (LSTM) was developed in free software, capable of predicting the flow patterns generated inside vertical pipes. The LSTM network was trained and then validated with the information contained in a database obtained from the literature, showing an error generated in the prediction model less than 1%.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Mecánico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/12163
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Mecánica
dc.publisher.school	Escuela de Ingeniería Mecánica
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	LSTM
dc.subject	Redes neuronales recurrentes
dc.subject	Flujo bifásico líquido-líquido
dc.subject	Patrones de flujo
dc.subject.keyword	LSTM
dc.subject.keyword	Recurrent neural networks
dc.subject.keyword	Liquid-liquid two-phase flow
dc.subject.keyword	Flow pattern
dc.title	Identificación de patrones de flujo bifásico conformado por aceite lubricante y agua en tuberías verticales aplicando técnicas de inteligencia artificial
dc.title.english	Identification of two-phases flow patterns made up of lubricating oil and water in vertical pipes applying artificial intelligence techniques
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type