Aplicación de la técnica de aprendizaje automático transformer neural network en la identificación de patrones de flujo bifásico de aceite y agua en ductos verticales

Perilla Plata, Erwing Eduardo

Aplicación de la técnica de aprendizaje automático transformer neural network en la identificación de patrones de flujo bifásico de aceite y agua en ductos verticales

dc.contributor.advisor	González Estrada, Octavio Andrés
dc.contributor.advisor	Ruiz Diaz, Carlos Mauricio
dc.contributor.author	Perilla Plata, Erwing Eduardo
dc.contributor.evaluator	Fuentes Díaz, David Alfredo
dc.contributor.evaluator	Ríos Diaz, Yennifer Yuliana
dc.date.accessioned	2023-02-27T13:24:07Z
dc.date.available	2023-02-27T13:24:07Z
dc.date.created	2023-02-21
dc.date.issued	2023-02-21
dc.description.abstract	Con el alto costo en el transporte de hidrocarburos, la corrosión en tuberías y la necesidad de conocer el comportamiento de los flujos bifásicos, el crecimiento de la industria 4.0 en la industria oil & gas ha permitido la introducción de nuevas tecnologías para la solución de estas problemáticas. Dichas soluciones consisten en la introducción de modelos predictivos usando redes neuronales. Para este proyecto, a partir de diversos autores se estructuro una base de 4864 datos con información de las propiedades de flujo bifásico aceite-agua en tubería vertical. Posteriormente, se desarrolló una estructura de transformer neural network (TNN), la cual consta únicamente con la estructura del Codificador del arreglo original. A su vez, se propusieron diversas configuraciones (dentro de los parámetros que se modificaron se encuentra el número de cabezas atencionales, la función de activación, el dropout y la tasa de aprendizaje) para el modelo de TNN y así seleccionar aquel con mejores resultados. Una vez entrenada la red, se realizan predicciones con un set de datos con el que el modelo no haya interactuado y así realizar mapas de flujo con los patrones predichos por el modelo. El modelo de TNN desarrollado es capaz de predecir 9 de 10 patrones de flujo implementados en la base de datos, con una precisión máxima del 53,07%. Asimismo, de los diferentes patrones de flujo predichos se presenta una precisión promedio del 63,21% y una exactitud promedio del 86,51%.
dc.description.abstractenglish	With the high cost of transporting hydrocarbons, corrosion in pipes and the need to know the behavior of biphasic flows, the growth of industry 4.0 in the oil & gas industry has allowed the introduction of new technologies to solve these problematic. These solutions consist of the introduction of predictive models using neural networks. For this project, from various authors, a database of 4864 data was structured with information on the properties of two-phase oil-water flow in vertical pipes. Subsequently, a transformer neural network (TNN) structure was developed, which consists only of the Encoder structure of the original arrangement. In turn, various configurations were proposed (among the parameters that were modified are the number of attentional heads, the activation function, the dropout and the learning rate) for the TNN model and thus select the one with the best results. Once the network is trained, predictions are made with a data set with which the model has not interacted and thus make flow maps with the patterns predicted by the model. The developed TNN model can predict 9 out of 10 flow patterns implemented in the database, with a maximum accuracy of 53.07%. Likewise, of the different predicted flow patterns, an average precision of 63.21% and an average accuracy of 86.51% are presented.
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/20.500.14071/12287
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	flujo bifásico
dc.subject	inteligencia artificial
dc.subject	Transformer Neural Network
dc.subject.keyword	artificial intelligence
dc.subject.keyword	biphasic flow
dc.subject.keyword	Transformer Neural Network
dc.title	Aplicación de la técnica de aprendizaje automático transformer neural network en la identificación de patrones de flujo bifásico de aceite y agua en ductos verticales
dc.title.english	Application of the machine learning technique transformer neural network in the identification of biphasic flow patterns oil and water in vertical ducts
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