Prediction of the volume fraction of liquid-liquid two-phase flow in horizontal pipes using Long-Short Term Memory Networks

• Hernández-Salazar , Cristian A. ^[1] ; Carreño-Verdugo , Alejandro ^[1] ; González-Estrada, Octavio Andrés ^[1]
  1. [1] Universidad Industrial de Santander

     Universidad Industrial de Santander

     Colombia

     
• Localización: Revista UIS Ingenierías, ISSN-e 2145-8456, ISSN 1657-4583, Vol. 23, Nº. 3, 2024 (Ejemplar dedicado a: Revista UIS Ingenierías), págs. 19-32
• Idioma: inglés
• Títulos paralelos:
  • Predicción de la fracción volumétrica del flujo bifásico líquido-líquido en tuberías horizontales mediante redes de memoria a largo plazo
• Enlaces
  • Texto completo (pdf)
• Dialnet Métricas: 1 Cita
• Resumen
  • español

    Este artículo presenta el desarrollo de una red neuronal de memoria a corto plazo diseñada para predecir la fracción volumétrica de flujos bifásicos líquido-líquido que circulan por tuberías horizontales. Para ello, se compiló una base de datos exhaustiva con información procedente de investigaciones existentes, que comprende 2156 puntos de datos experimentales utilizados para la construcción del modelo. La entrada del algoritmo consiste en un vector que contiene las velocidades superficiales de las sustancias (aceite y agua), la velocidad de la mezcla, el diámetro interno de la tubería y la viscosidad del aceite, mientras que la salida es la fracción volumétrica de aceite. Los procedimientos de entrenamiento y validación consistieron en preparar y segmentar los datos, utilizando el 80% de la información total para el entrenamiento y el 20% restante para la validación. La selección del modelo, basada en la evaluación del rendimiento, se llevó a cabo mediante 216 experimentos. El modelo predictivo con mejor rendimiento tuvo un Error Cuadrático Medio (ECM) de 3,5651E-05, un Error Medio Absoluto (EMA) de 0,0045 y un Error Medio Porcentual Absoluto (EPAA) de 3,0250%. Este rendimiento se obtuvo estructurando el modelo con una función de transferencia ReLu, 20 épocas, una tasa de aprendizaje de 0,1, una función de transferencia sigmoide, un tamaño de lote de 1, un optimizador ADAM y 150 neuronas en la capa oculta.

  • English

    This paper presents the development of a Long Short-Term Memory neural network designed to predict the volume fraction of liquid-liquid two-phase flows flowing through horizontal pipes. For this purpose, a comprehensive database was compiled using information sourced from existing research, comprising 2156 experimental data points utilized for model construction. The input of the algorithm consists of a vector containing the superficial velocities of the substances (oil and water), the mixture velocity, internal pipe diameter, and oil viscosity, while the output is the volume fraction of oil. Training and validation procedures involved preparing and segmenting the data, using 80% of the total information for training and the remaining 20% for validation. Model selection, based on performance evaluation, was conducted through 216 experiments. The predictive model with the best performance had a Mean Squared Error (MSE) of 3.5651E-05, a Mean Absolute Error (MAE) of 0.0045, and a Mean Absolute Percentage Error (MAPE) of 3.0250%. This performance was obtained by structuring the model with a ReLu transfer function, 20 epochs, a learning rate of 0.1, a sigmoid transfer function, a batch size of 1, ADAM optimizer, and 150 neurons in the hidden layer.