Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)González Estrada, Octavio AndrésRuiz Diaz, Carlos MauricioHernández Cely, Marlon MauricioQuispe Suarez, Brayan Gonzalo2022-11-172022-11-172022-11-152022-11-15https://noesis.uis.edu.co/handle/20.500.14071/12163La 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%.application/pdfspainfo:eu-repo/semantics/openAccessLSTMRedes neuronales recurrentesFlujo bifásico líquido-líquidoPatrones de flujoUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coLSTMRecurrent neural networksLiquid-liquid two-phase flowFlow patternhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)