Este trabajo presenta el uso de inteligencia artificial en flujos multifásicos, implementando una red neuronal artificial de perceptrón multicapa con retropropagación, y utilizando la función de activación tangente sigmoidea, para generar un modelo predictivo capazde obtener la fracción volumétrica de un flujo bifásico compuesto por agua y aceite mineral en una tubería horizontal de 12 m. Lared neuronal artificial se desarrolla a partir de una capa de entrada, formada por el diferencial de presión en la línea y las velocidadessuperficiales de los fluidos de trabajo, además, tiene dos capas ocultas y una capa de salida, que está formada por las fracciones volumétricas de los fluidos. El modelo predictivo de mejor rendimiento muestra un error medio porcentual absoluto del 3,07%y un coeficiente de determinación R2 de 0,985 utilizando 15 neuronas en las dos capas ocultas de la red neuronal. Los 56 datos experimentales utilizados en el estudio se obtuvieron en el laboratorio LEMI EESC-USP (Brasil).
1 INTRODUCCIÓN
En la actualidad, se utiliza tecnología de punta en procesos industriales para abordar diferentes tipos de problemas que se presentan al trabajar con flujos multifásicos, abarcando la industria alimenticia, Oil & Gas, plantas termoeléctricas, entre otras [1], [2]. Existe la necesidad de incrementar la precisión en la descripción y análisis de los fenómenos de flujo multifásico que se presentan en estos procesos [3]. Por lo tanto, estos procesos necesitan ser investigados en profundidad para determinar el comportamiento fenomenológico o hidrodinámico de los fluidos de trabajo [4, 5].
La inteligencia artificial (IA) se utiliza para realizar análisis de flujo multifásico para poder identificar el régimen de flujo global y local [6], utilizando la distribución de probabilidad para entrenar un sistema inteligente basado en Redes Neuronales Artificiales (RNA) [7]. Para identificar patrones bajos, se han realizado análisis aplicando algoritmos inteligentes basados en Support Vector Machine (SVM) [8]. Las redes neuronales fueron utilizadas por [9] para identificar el régimen de baja teniendo como entradas las Funciones de Densidad de Probabilidad (PDF) y la señal en el tiempo que da la impedancia eléctrica del fluido.
Para caracterizar patrones bajos a partir de la aplicación de la lógica difusa, [10] estudió imágenes topográficas obtenidas con un sistema inteligente. Una señal de presión de fluido en función del tiempo fue utilizada por [11] para entrenar un sistema inteligente basado en la técnica del Algoritmo de Mapas Elásticos (EMA) identificando el patrón de flujo. Una combinación de métodos de inteligencia artificial y Análisis de Componentes Principales (ACP) para determinar la baja basada en una señal eléctrica de presión en función del tiempo fue desarrollada por [12].
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
MIMO tripolarizado: Análisis experimental y modelado de las propiedades del canal en escenarios interiores y exteriores
Artículo:
Estadísticas de interferencia en la línea de visión y programación de usuarios con separación angular 3D
Artículo:
Antena de píxeles de banda ancha y pequeño tamaño: Comparación de los resultados teóricos y experimentales en la banda L
Artículo:
Modelo de circuito equivalente de banda ancha para una línea de guía de ondas coplanar cargada con resonadores de anillo dividido
Artículo:
Diseño de patrones de transmisión de radar MIMO para la estimación del DOA con supresión de lóbulos laterales
Folleto:
Análisis de rentabilidad económica y financiera
Artículo:
Estudio sobre la migración global de materiales plásticos de empaque usados en la industria de alimentos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Guía:
Manual de operaciones de destilación