Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)González Estrada, Octavio AndrésRuiz Díaz, Carlos MauricioHernández Cely, Marlon MauricioUribe Tarazona, Daniel Yesid2024-08-232024-08-232024-08-142024-08-14https://noesis.uis.edu.co/handle/20.500.14071/43861La 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.application/pdfspainfo:eu-repo/semantics/openAccessAprendizaje automáticoFlujo bifásicoRed neuronal artificialReconocimiento de patrones de flujoUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coArtificial neural networkFlow pattern recognitionMachine LearningTwo-phase flowhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)