Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales

Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales

Flujos bifásicos ocurren en diversas industrias, destacando la de petróleo y gas. Un densitómetro de rayos-gamma colimado es utilizado para estudiar un sistema estático gas-líquido que simula un flujo bifásico en el patrón estratificado. El equipo se destaca por su capacidad de medición no intrusiva, su alta sensibilidad y su buena resolución espacial. Distribuciones cordales de fracción de fase en un tubo conteniendo agua y aire son presentadas y se varió el nivel de agua entre 25%, 50% y 75%. Se determino a distribución de fracción de fase a lo largo de la sección transversal. Además, este estudio presenta un modelo de red neuronal artificial (ANN) para predecir fracción volumétrica en sistemas de tuberías utilizando un conjunto de datos... Ver más

Guardado en:

Revista Ingenio

2011-642X

2389-864X

Hernandez-Rodriguez, Oscar Mauricio

Ruiz-Diaz, Carlos Mauricio

Álvarez-Pacheco, Cristhian Enrique

UNIVERSIDAD FRANCISCO DE PAULA SANTANDER

10.22463/2011642X.4098

21

2024-01-01

29

35

Colombia

Densitómetro de rayos-gamma colimados

Red neural artificial

Distribución de fracción de fase

Flujo bifásico

info:eu-repo/semantics/openAccess

http://purl.org/coar/access_right/c_abf2

Universidad Francisco de Paula Santander - 2023

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

id 0b0ef5d0a40018fde431004bcd267731
record_format ojs
spelling Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
Densitómetro de rayos-gamma colimados
Universidad Francisco de Paula Santander
Artículo de revista
Núm. 1 , Año 2024 : Enero - Diciembre
1
21
Red neural artificial
Distribución de fracción de fase
Flujo bifásico
Revista Ingenio
Flujos bifásicos ocurren en diversas industrias, destacando la de petróleo y gas. Un densitómetro de rayos-gamma colimado es utilizado para estudiar un sistema estático gas-líquido que simula un flujo bifásico en el patrón estratificado. El equipo se destaca por su capacidad de medición no intrusiva, su alta sensibilidad y su buena resolución espacial. Distribuciones cordales de fracción de fase en un tubo conteniendo agua y aire son presentadas y se varió el nivel de agua entre 25%, 50% y 75%. Se determino a distribución de fracción de fase a lo largo de la sección transversal. Además, este estudio presenta un modelo de red neuronal artificial (ANN) para predecir fracción volumétrica en sistemas de tuberías utilizando un conjunto de datos de 110 puntos experimentales. El modelo ANN considera factores como la intensidad absorbida, el porcentaje de corte de agua y la relación h/D. La configuración incluye el uso del solucionador Adam, la función de activación de Unidad lineal rectificada (ReLU), tamaño de lote de 3, dos capas ocultas (60 neuronas cada una) y una tasa de aprendizaje de 0,001. El modelo logra un error cuadrático medio (MSE) mínimo del 0,3 % y un error absoluto medio (MAE) bajo de 0,028.
Hernandez-Rodriguez, Oscar Mauricio
Ruiz-Diaz, Carlos Mauricio
Álvarez-Pacheco, Cristhian Enrique
P. B. Bazon, J. E. Castro-Bolivar, C. M. Ruiz-Diaz, M. M. Hernández-Cely, and O. M. H. Rodriguez, “Hybrid machine learning model applied to phase inversion prediction in liquid-liquid pipe flow,” Multiph. Sci. Technol., vol. 35, no. 1, pp. 35–53, 2023, doi: 10.1615/MultScienTechn.2022046139.
C. Gomez, D. Ruiz, and M. Cely, “Specialist system in flow pattern identification using artificial neural Networks,” vol. 21, no. 2, pp. 285–299, Jan. 2023, doi: 10.5937/jaes0-40309.
J. Ambrosio, A. Lazzaretti, D. Pipa, and M. da Silva, “Two-phase flow pattern classification based on void fraction time series and machine learning,” Flow Meas. Instrum., vol. 83, no. December 2020, p. 102084, 2022, doi: 10.1016/j.flowmeasinst.2021.102084.
R. Hanus, M. Zych, M. Kusy, M. Jaszczur, and L. Petryka, “Identification of liquid-gas flow regime in a pipeline using gamma-ray absorption technique and computational intelligence methods,” Flow Meas. Instrum., vol. 60, pp. 17–23, Apr. 2018, doi: 10.1016/j.flowmeasinst.2018.02.008.
C. Ferreira, “Detecção de alargamento de anular em dutos frexíveis usando A técnica de transmissão de radiação gama,” [Tese ( Doutorado) UFRJ], 2021.
A. M. Quintino, D. L. L. N. da Rocha, R. Fonseca Jr., and O. M. H. Rodriguez, “Flow Pattern Transition in Pipes Using Data-Driven and Physics-Informed Machine Learning,” J. Fluids Eng., vol. 143, no. 3, pp. 1–11, Oct. 2020, doi: 10.1115/1.4048876.
L. O. Zampereti, A. M. Quintino, and O. M. H. Rodriguez, “Data-Driven Machine Learning Applied to Liquid-Liquid Flow Pattern Prediction,” 2022, pp. 123–129.
N. M. A. Mohamed, “Dual displacer-gamma ray system for level measurement of fluids-interface in oil separator,” vol. 184, Jul. 2021, doi: 10.1016/j.radphyschem.2021.109453.
G. H. Roshani, A. Karami, E. Nazemi, and C. M. Salgado, “Flow regimes classification and prediction of volume fractions of the gas- oil-water three-phase flow using Adaptive Neuro-fuzzy Inference System,” pp. 17–27, 2020.
G. Elseth, “An Experimental Study of Oil / Water Flow in Horizontal Pipes,” [Thesis (Doctoral) The Norwegian University of Science and Technology], 2001.
S. Vestøl, W. A. S. Kumara, and M. C. Melaaen, “Gamma densitometry measurements of gas/ liquid flow with low liquid fractions in horizontal and inclined pipes,” Int. J. Comput. Methods Exp. Meas., vol. 6, no. 1, pp. 120–131, 2018, doi: 10.2495/CMEM-V6-N1-120-131.
Y. Pan, C. Li, Y. Ma, S. Huang, and D. Wang, “Gas flow rate measurement in low-quality multiphase flows using Venturi and gamma ray,” Exp. Therm. Fluid Sci., vol. 100, no. September 2018, pp. 319–327, 2019, doi: 10.1016/j.expthermflusci.2018.09.017.
http://purl.org/coar/resource_type/c_2df8fbb1
W. A. S. Kumara, B. M. Halvorsen, and M. C. Melaaen, “Single-beam gamma densitometry measurements of oil-water flow in horizontal and slightly inclined pipes,”Jun. 2010, doi: 10.1016/j.ijmultiphaseflow.2010.02.003.
K. Vijayaprabakaran and K. Sathiyamurthy, “Towards activation function search for long short-term model network : A differential evolution based approach,” J. King Saud Univ. - Comput. 2020, doi: 10.1016/j.jksuci.2020.04.015.
info:eu-repo/semantics/article
http://purl.org/coar/resource_type/c_6501
A. Shmueli, T. E. Unander, and O. J. Nydal, “Characteristics of gas/Water/Viscous oil in stratified-Annular horizontal pipe flows,” in Offshore Technology Conference, 2015, pp. 1085–1102, doi: 10.4043/26176-ms.
http://purl.org/redcol/resource_type/ART
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/version/c_970fb48d4fbd8a85
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
Text
S. H. Stavland, C. Satre, B. T. Hjertaker, S. A. Tjugum, A. Hallanger, and R. Maad, “Gas fraction measurements using single and dual beam gamma-densitometry for two phase gas-liquid pipe flow,” I2MTC 2019 - 2019 IEEE Int. Instrum. Meas. Technol. Conf. Proc., vol. 2019-May, pp. 1–6, 2019, doi: 10.1109/I2MTC.2019.8827056.
Publication
R. Hanus, M. Zych, V. Mosorov, A. Golijanek-Jędrzejczyk, M. Jaszczur, and A. Andruszkiewicz, “Evaluation of liquid-gas flow in pipeline using gamma-ray absorption technique and advanced signal processing,” Metrol. Meas. Syst., 2021, doi: 10.24425/mms.2021.135997.
Collimated gamma-ray densitometer
Artificial neural network
application/pdf
text/html
A. M. Quintino, R. da Fonseca Junior, and O. M. H. Rodriguez, “Experimental study of liquid/dense-gas pipe flow,” Geoenergy Sci. Eng., vol. 230, Nov. 2023, doi: 10.1016/j.geoen.2023.212179.
Two-phase flow
https://revistas.ufps.edu.co/index.php/ingenio/article/view/4098
Phase fraction distribution
Inglés
https://creativecommons.org/licenses/by-nc/4.0
Universidad Francisco de Paula Santander - 2023
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Chordal measurement of phase fraction distribution in a static gas-liquid system using collimated gamma-ray densitometer and artificial neural networks
Two-phase flow occurs in various industries, as in the production of oil and gas. A collimated gamma-ray densitometer is applied for the study of a static gas-liquid system that simulates a stratified flow pattern. It stands out for its non-intrusive measurement capacity, its high sensitivity to density variations and its good spatial resolution. Chordal phase fraction distributions are obtained in a tube containing water and air at room conditions, with the water level varied between 25%, 50% and 75%. The results obtained highlight the usefulness of the collimated gamma-ray densitometer to determine phase fraction distributions along the pipe’s cross section. Furthermore, this study suggests the use of an artificial neural network (ANN) model for predicting holdup in pipeline systems using a dataset of 110 experimental data points. The ANN model considers factors such as absorbed intensity, water cut percentage, and dimensionless h/D ratio. The adopted configuration includes the use of the Adam solver, Rectified Linear Unit (ReLU) activation function, a batch size of 3, two hidden layers (60 neurons each), and a learning rate of 0.001. The model achieves good accuracy, with a minimum mean square error (MSE) of 0.3% and a low mean absolute error (MAE) of 0.028.
C. J. Noriega-Sánchez, "Una revisión de fluidos de trabajo de tipo mezclas para ciclos de potencia de baja temperatura y su modelado termodinámico", Rev. Ingenio, vol. 18, n.º 1, pp. 62–69, ene. 2021 doi: https://doi.org/10.22463/2011642X.2340.
E. Espinel-Blanco, E. N. Flórez-Solano, and J. E. Barbosa-Jaimes, “Estudio para la generación de energía por un sistema con paneles solares y baterías,” Rev. Ingenio, vol. 17, no. 1, pp. 9–14, 2020, doi: https://doi.org/10.22463/2011642x.2392.
Z. Dang, Z. Yang, X. Yang, and M. Ishii, “Experimental study of vertical and horizontal two-phase pipe flow through double 90 degree elbows,” Int. J. Heat Mass Transf., vol. 120, pp. 861–869, 2018, doi: 10.1016/j.ijheatmasstransfer.2017.11.089.
Journal article
2024-01-01T00:00:00Z
2011-642X
2024-01-01T00:00:00Z
2024-01-01
https://revistas.ufps.edu.co/index.php/ingenio/article/download/4098/5242
https://revistas.ufps.edu.co/index.php/ingenio/article/download/4098/5244
2389-864X
10.22463/2011642X.4098
https://doi.org/10.22463/2011642X.4098
35
29
institution UNIVERSIDAD FRANCISCO DE PAULA SANTANDER
thumbnail https://nuevo.metarevistas.org/UNIVERSIDADFRANCISCODEPAULASANTANDER/logo.png
country_str Colombia
collection Revista Ingenio
title Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
spellingShingle Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
Hernandez-Rodriguez, Oscar Mauricio
Ruiz-Diaz, Carlos Mauricio
Álvarez-Pacheco, Cristhian Enrique
Densitómetro de rayos-gamma colimados
Red neural artificial
Distribución de fracción de fase
Flujo bifásico
Collimated gamma-ray densitometer
Artificial neural network
Two-phase flow
Phase fraction distribution
title_short Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
title_full Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
title_fullStr Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
title_full_unstemmed Medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
title_sort medición cordal de distribución de fracción de fase de un sistema estático gas-líquido usando densitómetro de rayos-gama colimado y redes neurales artificiales
title_eng Chordal measurement of phase fraction distribution in a static gas-liquid system using collimated gamma-ray densitometer and artificial neural networks
description Flujos bifásicos ocurren en diversas industrias, destacando la de petróleo y gas. Un densitómetro de rayos-gamma colimado es utilizado para estudiar un sistema estático gas-líquido que simula un flujo bifásico en el patrón estratificado. El equipo se destaca por su capacidad de medición no intrusiva, su alta sensibilidad y su buena resolución espacial. Distribuciones cordales de fracción de fase en un tubo conteniendo agua y aire son presentadas y se varió el nivel de agua entre 25%, 50% y 75%. Se determino a distribución de fracción de fase a lo largo de la sección transversal. Además, este estudio presenta un modelo de red neuronal artificial (ANN) para predecir fracción volumétrica en sistemas de tuberías utilizando un conjunto de datos de 110 puntos experimentales. El modelo ANN considera factores como la intensidad absorbida, el porcentaje de corte de agua y la relación h/D. La configuración incluye el uso del solucionador Adam, la función de activación de Unidad lineal rectificada (ReLU), tamaño de lote de 3, dos capas ocultas (60 neuronas cada una) y una tasa de aprendizaje de 0,001. El modelo logra un error cuadrático medio (MSE) mínimo del 0,3 % y un error absoluto medio (MAE) bajo de 0,028.
description_eng Two-phase flow occurs in various industries, as in the production of oil and gas. A collimated gamma-ray densitometer is applied for the study of a static gas-liquid system that simulates a stratified flow pattern. It stands out for its non-intrusive measurement capacity, its high sensitivity to density variations and its good spatial resolution. Chordal phase fraction distributions are obtained in a tube containing water and air at room conditions, with the water level varied between 25%, 50% and 75%. The results obtained highlight the usefulness of the collimated gamma-ray densitometer to determine phase fraction distributions along the pipe’s cross section. Furthermore, this study suggests the use of an artificial neural network (ANN) model for predicting holdup in pipeline systems using a dataset of 110 experimental data points. The ANN model considers factors such as absorbed intensity, water cut percentage, and dimensionless h/D ratio. The adopted configuration includes the use of the Adam solver, Rectified Linear Unit (ReLU) activation function, a batch size of 3, two hidden layers (60 neurons each), and a learning rate of 0.001. The model achieves good accuracy, with a minimum mean square error (MSE) of 0.3% and a low mean absolute error (MAE) of 0.028.
author Hernandez-Rodriguez, Oscar Mauricio
Ruiz-Diaz, Carlos Mauricio
Álvarez-Pacheco, Cristhian Enrique
author_facet Hernandez-Rodriguez, Oscar Mauricio
Ruiz-Diaz, Carlos Mauricio
Álvarez-Pacheco, Cristhian Enrique
topicspa_str_mv Densitómetro de rayos-gamma colimados
Red neural artificial
Distribución de fracción de fase
Flujo bifásico
topic Densitómetro de rayos-gamma colimados
Red neural artificial
Distribución de fracción de fase
Flujo bifásico
Collimated gamma-ray densitometer
Artificial neural network
Two-phase flow
Phase fraction distribution
topic_facet Densitómetro de rayos-gamma colimados
Red neural artificial
Distribución de fracción de fase
Flujo bifásico
Collimated gamma-ray densitometer
Artificial neural network
Two-phase flow
Phase fraction distribution
citationvolume 21
citationissue 1
citationedition Núm. 1 , Año 2024 : Enero - Diciembre
publisher Universidad Francisco de Paula Santander
ispartofjournal Revista Ingenio
source https://revistas.ufps.edu.co/index.php/ingenio/article/view/4098
language Inglés
format Article
rights info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
https://creativecommons.org/licenses/by-nc/4.0
Universidad Francisco de Paula Santander - 2023
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
references_eng P. B. Bazon, J. E. Castro-Bolivar, C. M. Ruiz-Diaz, M. M. Hernández-Cely, and O. M. H. Rodriguez, “Hybrid machine learning model applied to phase inversion prediction in liquid-liquid pipe flow,” Multiph. Sci. Technol., vol. 35, no. 1, pp. 35–53, 2023, doi: 10.1615/MultScienTechn.2022046139.
C. Gomez, D. Ruiz, and M. Cely, “Specialist system in flow pattern identification using artificial neural Networks,” vol. 21, no. 2, pp. 285–299, Jan. 2023, doi: 10.5937/jaes0-40309.
J. Ambrosio, A. Lazzaretti, D. Pipa, and M. da Silva, “Two-phase flow pattern classification based on void fraction time series and machine learning,” Flow Meas. Instrum., vol. 83, no. December 2020, p. 102084, 2022, doi: 10.1016/j.flowmeasinst.2021.102084.
R. Hanus, M. Zych, M. Kusy, M. Jaszczur, and L. Petryka, “Identification of liquid-gas flow regime in a pipeline using gamma-ray absorption technique and computational intelligence methods,” Flow Meas. Instrum., vol. 60, pp. 17–23, Apr. 2018, doi: 10.1016/j.flowmeasinst.2018.02.008.
C. Ferreira, “Detecção de alargamento de anular em dutos frexíveis usando A técnica de transmissão de radiação gama,” [Tese ( Doutorado) UFRJ], 2021.
A. M. Quintino, D. L. L. N. da Rocha, R. Fonseca Jr., and O. M. H. Rodriguez, “Flow Pattern Transition in Pipes Using Data-Driven and Physics-Informed Machine Learning,” J. Fluids Eng., vol. 143, no. 3, pp. 1–11, Oct. 2020, doi: 10.1115/1.4048876.
L. O. Zampereti, A. M. Quintino, and O. M. H. Rodriguez, “Data-Driven Machine Learning Applied to Liquid-Liquid Flow Pattern Prediction,” 2022, pp. 123–129.
N. M. A. Mohamed, “Dual displacer-gamma ray system for level measurement of fluids-interface in oil separator,” vol. 184, Jul. 2021, doi: 10.1016/j.radphyschem.2021.109453.
G. H. Roshani, A. Karami, E. Nazemi, and C. M. Salgado, “Flow regimes classification and prediction of volume fractions of the gas- oil-water three-phase flow using Adaptive Neuro-fuzzy Inference System,” pp. 17–27, 2020.
G. Elseth, “An Experimental Study of Oil / Water Flow in Horizontal Pipes,” [Thesis (Doctoral) The Norwegian University of Science and Technology], 2001.
S. Vestøl, W. A. S. Kumara, and M. C. Melaaen, “Gamma densitometry measurements of gas/ liquid flow with low liquid fractions in horizontal and inclined pipes,” Int. J. Comput. Methods Exp. Meas., vol. 6, no. 1, pp. 120–131, 2018, doi: 10.2495/CMEM-V6-N1-120-131.
Y. Pan, C. Li, Y. Ma, S. Huang, and D. Wang, “Gas flow rate measurement in low-quality multiphase flows using Venturi and gamma ray,” Exp. Therm. Fluid Sci., vol. 100, no. September 2018, pp. 319–327, 2019, doi: 10.1016/j.expthermflusci.2018.09.017.
W. A. S. Kumara, B. M. Halvorsen, and M. C. Melaaen, “Single-beam gamma densitometry measurements of oil-water flow in horizontal and slightly inclined pipes,”Jun. 2010, doi: 10.1016/j.ijmultiphaseflow.2010.02.003.
K. Vijayaprabakaran and K. Sathiyamurthy, “Towards activation function search for long short-term model network : A differential evolution based approach,” J. King Saud Univ. - Comput. 2020, doi: 10.1016/j.jksuci.2020.04.015.

A. Shmueli, T. E. Unander, and O. J. Nydal, “Characteristics of gas/Water/Viscous oil in stratified-Annular horizontal pipe flows,” in Offshore Technology Conference, 2015, pp. 1085–1102, doi: 10.4043/26176-ms.
S. H. Stavland, C. Satre, B. T. Hjertaker, S. A. Tjugum, A. Hallanger, and R. Maad, “Gas fraction measurements using single and dual beam gamma-densitometry for two phase gas-liquid pipe flow,” I2MTC 2019 - 2019 IEEE Int. Instrum. Meas. Technol. Conf. Proc., vol. 2019-May, pp. 1–6, 2019, doi: 10.1109/I2MTC.2019.8827056.
R. Hanus, M. Zych, V. Mosorov, A. Golijanek-Jędrzejczyk, M. Jaszczur, and A. Andruszkiewicz, “Evaluation of liquid-gas flow in pipeline using gamma-ray absorption technique and advanced signal processing,” Metrol. Meas. Syst., 2021, doi: 10.24425/mms.2021.135997.
A. M. Quintino, R. da Fonseca Junior, and O. M. H. Rodriguez, “Experimental study of liquid/dense-gas pipe flow,” Geoenergy Sci. Eng., vol. 230, Nov. 2023, doi: 10.1016/j.geoen.2023.212179.
C. J. Noriega-Sánchez, "Una revisión de fluidos de trabajo de tipo mezclas para ciclos de potencia de baja temperatura y su modelado termodinámico", Rev. Ingenio, vol. 18, n.º 1, pp. 62–69, ene. 2021 doi: https://doi.org/10.22463/2011642X.2340.
E. Espinel-Blanco, E. N. Flórez-Solano, and J. E. Barbosa-Jaimes, “Estudio para la generación de energía por un sistema con paneles solares y baterías,” Rev. Ingenio, vol. 17, no. 1, pp. 9–14, 2020, doi: https://doi.org/10.22463/2011642x.2392.
Z. Dang, Z. Yang, X. Yang, and M. Ishii, “Experimental study of vertical and horizontal two-phase pipe flow through double 90 degree elbows,” Int. J. Heat Mass Transf., vol. 120, pp. 861–869, 2018, doi: 10.1016/j.ijheatmasstransfer.2017.11.089.
type_driver info:eu-repo/semantics/article
type_coar http://purl.org/coar/resource_type/c_2df8fbb1
type_version info:eu-repo/semantics/publishedVersion
type_coarversion http://purl.org/coar/version/c_970fb48d4fbd8a85
type_content Text
publishDate 2024-01-01
date_accessioned 2024-01-01T00:00:00Z
date_available 2024-01-01T00:00:00Z
url https://revistas.ufps.edu.co/index.php/ingenio/article/view/4098
url_doi https://doi.org/10.22463/2011642X.4098
issn 2011-642X
eissn 2389-864X
doi 10.22463/2011642X.4098
citationstartpage 29
citationendpage 35
url3_str_mv https://revistas.ufps.edu.co/index.php/ingenio/article/download/4098/5242
url2_str_mv https://revistas.ufps.edu.co/index.php/ingenio/article/download/4098/5244
_version_ 1798191366776291328

Código QR

Estadísticas y Métricas Alternativas

Títulos similares