Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)González Estrada, Octavio AndrésRuiz Diaz, Carlos MauricioHernández Cely, Marlon MauricioCarreño Verdugo, Alejandro2023-05-252023-05-252023-05-242023-05-24https://noesis.uis.edu.co/handle/20.500.14071/14352Este artículo presenta la implementación de una red neuronal Long Short Term Mémory con el fin de calcular la fracción volumétrica del aceite y agua en un fluido bifásico que se transporta por una tubería horizontal. Se implementa una base de datos de la literatura que contiene pruebas de 13 autores para el entrenamiento del modelo, las entradas del modelo están dadas por un vector que contiene las velocidades superficiales de aceite y agua, la mezcla del fluido, el diámetro interno de la tubería y la viscosidad; teniendo como parámetro de salida el vector que contiene la fracción volumétrica del aceite. El proceso de entrenamiento y validación se realizan con una base de datos que contiene 2156 datos, los cuales se segmentan en 80% y 20% respectivamente, con el fin de obtener resultados concluyentes y poder realizar la validación del sistema. Se presentó un diseño de experimentos el cual permitía realizar todas las pruebas posibles al modelo según parámetros especificados anteriormente, habiendo realizado para el presente estudio 216 pruebas de rendimiento del modelo. Los resultados que presentó el modelo predictivo con mejor rendimiento evidencia tener un MSE de 3,5651E-05, un MAE de 0.0045 y un MAPE de 3.0250%, este resultado se obtiene ingresando una función de transferencia ReLu, unas épocas de 20, una learnin rate de 0.1, función de transferencia sigmoid, un batch size de 1, optimizador ADAM y 150 neuronas en la capa oculta.application/pdfspainfo:eu-repo/semantics/openAccessLSTMFlujo bifásico líquido - líquidoTubería horizontalRedes neuronales recurrentesIndustria 4.0Cálculo de la fracción volumétrica de las sustancias aceite y agua en flujo bifásico al interior de tuberías horizontales aplicando Long Short Term Memory (LSTM)Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coLSTMBiphasic liquid-liquid flowHorizontal tuberyRecurrent neural networkIndustry 4.0Calculation of the volume fraction of the substances oil and water in two-phase flow in horizontal pipes in two-phase flow inside horizontal pipelines by applying long short-term memory (LSTM)http://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)