تعیین مشخصات جریان های دو فازی نفت- آب توسط شبکه عصبی کانولوشنی جریانی

تا به امروز، مدل های مکانیکی و روابط تجربی مختلفی برای توصیف و مدل سازی سیستم های جریان دو فازی نفت- آب معرفی شده اند. اما، در اکثر این مدل ها و روابط پیشنهادی از مفروضات ساده با رویکرد حل تکرار شونده استفاده شده، که از دقت کافی جهت تخمین خصوصیات جریانی برخوردار نمی باشند. هدف از مطالعه حاضر، غلبه بر این مشکل با کمک توسعه یک شبکه عصبی کانولوشنالی جریانی از طریق یادگیری عمیق می باشد. بدین منظور، 270 آزمایش جریانی شامل آزمایش های جریانی پراکنده آب در نفت، دوگانه پیوسته و پراکنده نفت در آب در دو حالت افقی و شیب دار (°30) انجام گردیده است. شبکه عصبی بر روی 70% این داده های آزمایشگاهی آموزش داده شد. لازم به توضیح است که از تصاویر الگوی جریانی دو بعدی به عنوان داده های ورودی و از الگوهای جریان و مقادیر کسر حجمی پسماند به عنوان داده های خروجی استفاده شده است. نتایج حاصل از این مطالعه نماینگر آن است که مدل شبکه عصبی کانولوشنالی جریانی آموزش داده شده بر روی داده های آزمایشگاهی قادر است رژیم های جریان را با دقت 91% و 96% به ترتیب در جریان های افقی و شیبدار پیش بینی نماید. این مدل همچنین قادر است کسر حجمی پسماند را با یک خطای معقول 22/1% و 98/0% به ترتیب در جریان های افقی و شیبدار پیش بینی کند. از این رو می توان گفت که رویکرد پیشنهادی قادر به پیش بینی خودکار و دقیق رژیم جریان و کسر حجمی پسماند در جریان های افقی و شیبدار از طریق تصاویر جریان است.