TÉCNICA DE APRENDIZAJE AUTOMÁTICO PARA LA IDENTIFICACIÓN DE PATRONES DE FLUJO BIFÁSICO (ACEITE-AGUA) A TRAVÉS DE TUBERÍAS.

Simple item page
dc.contributor.advisorGonzález Estrada, Octavio Andrés
dc.contributor.advisorRuiz Díaz, Carlos Mauricio
dc.contributor.advisorHernández Cely, Marlon Mauricio
dc.contributor.authorUribe Tarazona, Daniel Yesid
dc.contributor.evaluatorFuentes Díaz, David Alfredo
dc.contributor.evaluatorAmaris Castilla, Carlos Fidel
dc.date.accessioned2024-08-23T14:45:07Z
dc.date.available2024-08-23T14:45:07Z
dc.date.created2024-08-14
dc.date.issued2024-08-14
dc.description.abstractLa industria petrolera ha puesto su interés en desarrollar tecnologías avanzadas para la caracterización de flujos multifásicos, en los cuales existe flujo simultáneo de dos o más fases (líquidas, gaseosas o sólidas) al interior de líneas flexibles tuberías con diferentes diámetros e inclinaciones donde distintos comportamientos geométricos son desarrollados por las sustancias que se están transportando. Dichas configuraciones son denominadas patrones de flujo, en este caso estudiados en tuberías horizontales, considerando el impacto que generan sobre la industria en mención, ya con su determinación es posible optimizar el diseño y operación de los sistemas de transporte, mejorar la eficiencia, reducir costos operativos y prevenir problemas de corrosión y erosión. En este estudio fue estructurada una base de datos con 1846 puntos experimentales de flujo bifásico aceite-agua en tuberías horizontales, obtenidos de la literatura. Asimismo, se estructuró una Red Neuronal Artificial feedforward backpropagation utilizando MATLAB® para predecir patrones de flujo bifásico aceite-agua en tuberías horizontales. Tras evaluar 104 configuraciones topológicas a partir de un proceso de prueba y error, el modelo óptimo incluyó una capa de entrada con seis neuronas, tres capas ocultas con 50 neuronas cada una, una capa de salida con seis neuronas, un algoritmo de entrenamiento Resilient Backpropagation, funciones de activación sigmoide en capas ocultas y softmax en la capa de salida, y la entropía cruzada como función de pérdida. El modelo final demostró una precisión total del 95,4%, prediciendo con éxito los seis patrones de flujo en todas las etapas de entrenamiento, validación y prueba, con un tiempo de entrenamiento de solo 2 segundos y un error de entropía cruzada de 0,024. Estos resultados sugieren que el modelo RNA es una herramienta eficaz para predecir patrones de flujo con alta precisión y bajo costo computacional, con aplicaciones potenciales en la industria de oil & gas.
dc.description.abstractenglishThe oil industry has shown interest in developing advanced technologies for the characterization of multiphase flows, where there is a simultaneous flow of two or more phases (liquid, gas, or solid) inside flexible pipelines with different diameters and inclinations, where various geometric behaviors are developed by the transported substances. These configurations are known as flow patterns, studied here in horizontal pipelines, considering their impact on the mentioned industry. Their determination allows for the optimization of the design and operation of transport systems, improving efficiency, reducing operational costs, and preventing corrosion and erosion problems. In this study, a database with 1846 experimental points of oil-water two-phase flow in horizontal pipelines was structured, obtained from the literature. Additionally, a feedforward backpropagation Artificial Neural Network (ANN) was structured using MATLAB® to predict oil-water two-phase flow patterns in horizontal pipelines. After evaluating 104 topological configurations through a trial-and-error process, the optimal model included an input layer with six neurons, three hidden layers with 50 neurons each, an output layer with six neurons, a Resilient Backpropagation training algorithm, sigmoid activation functions in the hidden layers and softmax in the output layer, and cross-entropy as the loss function. The final model demonstrated an overall accuracy of 95.4%, successfully predicting the six flow patterns in all stages of training, validation, and testing, with a training time of only 2 seconds and a cross-entropy error of 0.024. These results suggest that the ANN model is an effective tool for predicting flow patterns with high accuracy and low computational cost, with potential applications in the oil & gas industry.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Mecánico
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/20.500.14071/43861
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería Mecánica
dc.publisher.schoolEscuela de Ingeniería Mecánica
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAprendizaje automático
dc.subjectFlujo bifásico
dc.subjectRed neuronal artificial
dc.subjectReconocimiento de patrones de flujo
dc.subject.keywordArtificial neural network
dc.subject.keywordFlow pattern recognition
dc.subject.keywordMachine Learning
dc.subject.keywordTwo-phase flow
dc.titleTÉCNICA DE APRENDIZAJE AUTOMÁTICO PARA LA IDENTIFICACIÓN DE PATRONES DE FLUJO BIFÁSICO (ACEITE-AGUA) A TRAVÉS DE TUBERÍAS.
dc.title.englishMACHINE LEARNING TECHNIQUE FOR THE IDENTIFICATION OF TWO-PHASE FLOW PATTERNS (OIL-WATER) THROUGH PIPELINES.
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 4 of 4
No Thumbnail Available
Name:
Carta de Autorización.pdf
Size:
138.94 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.91 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
532.72 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Apéndices.zip
Size:
1007.43 KB
Format:
Unknown data format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería Mecánica