مجله فناوری و انرژی هسته ای

پیش‌بینی مستقل دبی آب و هوا از رژیم جریان با استفاده از تکنیک تضعیف گاما و شبکه عصبی مصنوعی

https://doi.org/10.48308/nucte.2022.99022
دوره 1، شماره 1 - شماره پیاپی 1
بهار 1401
صفحه 49-54
مجله فناوری و انرژی هسته ای

نویسندگان

پیمان اعرابی جشوقانی
مجید خرسندی
سید امیرحسین فقهی

دانشگاه شهید بهشتی

چکیده
اندازه‌گیری دقیق دبی آب و هوا در جریان‌های دوفازی بسیار حائز اهمیت است. تکنیک تضعیف پرتوهای گاما یکی از روش‌های پرکاربرد برای اندازه‌گیری دبی در جریان‌های چندفازی است. در این پژوهش، دبی‌های آب و هوا با دقت بالا در یک حلقه جریان دوفازی آب و هوا، مستقل از نوع رژیم پیش‌بینی شده است. در این راستا، ترکیبی از یک چشمه تک انرژی گاما، یک آشکارساز یدور سدیم 3 اینچی و شبکه عصبی مصنوعی برای پیش‌بینی دبی‎های آب و هوا در رژیم‌های دوفازی گاز-مایع حبابی[1]، لخته‌ای[2]، توپی[3]، حلقوی[4] و پراکنده[5] مورد استفاده قرار گرفت. دو شبکه عصبی از نوع "روش گروهی بکارانداختن داده‌ها[6]" (GMDH) با استفاده از داده‌های استخراج شده از طیف ارتفاع پالس یک چشمه سزیم-137، در شرایط دینامیک سیال دوفازی توسعه داده شدند. شبکه‌های عصبی با 5 ویژگی شامل اختلاف فشار، شمارش کل حاصل از آشکارساز، شمارش قله تمام-انرژی، شمارش لبه کامپتون و شمارش قله پس‏پراکندگی مورد آموزش و تست قرار گرفتند. نتایج حاصل از شبکه‌های عصبی، نشان دهنده مقدار میانگین خطای نسبی کمتر از 5/4 درصد برای دبی‌های آب و هوای پیش‌بینی شده، است. علاوه بر این، استفاده از تنها یک چشمه تک انرژی و تنها یک آشکارساز یدور سدیم، روشی نوین در فرآیند دبی‌سنجی با استفاده از تکنیک هسته‌ای است.[1] Bubble[2] Plug[3] Slug[4] Annular[5] Dispersed[6] Group Method of Data Handling

کلیدواژه‌ها

حلقه جریان دوفازی
تضعیف گاما
دبی‌سنجی
شبکه عصبی مصنوعی
آشکارساز یدور سدیم

عنوان مقاله English

Prediction of Air and Water Flow-Rates Independent of Flow Regimes Using Gamma-Ray Attenuation Technique and Artificial Neural Network

نویسندگان English

peyman Aarabi Jeshvaghani
Majid Khorsandi
Seyed Amir Hossein Feghhi
Shahid Beheshti University
چکیده English

Gas-liquid two-phase flow is probably the most important form of multiphase flows and is found widely in the oil industry. The accurate prediction of the air and water flow-rates are important in two-phase flow. Nowadays, multiphase flow-rates measurement by gamma-ray attenuation technique is known as one of the most common precise methods. In this work, the air and water flow-rates independent of flow regime changes were accurately predicted within a two-phase flow loop in the laboratory. For this purpose, a combination of single beam gamma-ray, single detector and artificial neural network (ANN) were used in order to predict the flow-rates in the bubble, plug, slug, annular and dispersed regimes of gas-liquid two-phase flows. Two different types of neural networks (GMDH) were developed. The networks were developed based on four features extracted from recorded pulse height distribution in a dynamic condition. The result shows, air, and water flow-rates were measured with an average of Mean Relative Error (MRE) less than 4.5%. Overall results revealed that using the proposed method, gamma-ray attenuation technique combined with an ANN model can be efficiently used to predict the flow-rates. Furthermore, in this study, a new method based on a single beam, single energy, and the single detector was proposed in order to solve this problem, without any recalibration

کلیدواژه‌ها English

  • Two
  • phase flow
  • Gamma
  • ray attenuation
  • flow rate
  • Artificial Neural Networks
  • NaI(Tl) Detector
  1. Åbro, E., Khoryakov, V.A., Johansen, G.A., Kocbach, L., 1999. Determination of void fraction and flow regime using a neural network trained on simulated data based on gamma-ray densitometry. Meas. Sci. Technol. 10, 619–630. https://doi.org/10.1088/0957-0233/10/7/308
  2. Babelli, I., 2002. In search of an ideal multiphase flow meter for the oil industry. Arab. J. Sci. Eng. 27, 113–126.
  3. Bishop, C.M., James, G.D., 1993. Analysis of multiphase flows using dual-energy gamma densitometry and neural networks. Nucl. Instruments Methods Phys. Res. Sect. A Accel. Spectrometers, Detect. Assoc. Equip. 327, 580–593. https://doi.org/https://doi.org/10.1016/0168-9002(93)90728-Z
  4. Fatehi Peikani, A., Roshani, G.H., Feghhi, S.A.H., 2017. Volume fraction measurement and flow regime recognition in dynamic gas–liquid two phase flow using gamma ray radiation technique. Instruments Exp. Tech. 60, 752–758. https://doi.org/10.1134/S0020441217050049
  5. Hanus, R., Zych, M., Kusy, M., Jaszczur, M., Petryka, L., 2018. Identification of liquid-gas flow regime in a pipeline using gamma-ray absorption technique and computational intelligence methods. Flow Meas. Instrum. 60, 17–23. https://doi.org/10.1016/J.FLOWMEASINST.2018.02.008
  6. Johansen, G.A., Jackson, P., 2000. Salinity independent measurement of gas volume fraction in oil / gas / water pipe ¯ ows 53, 595–601.
  7. Roshani, G.H., Hanus, R., Khazaei, A., Zych, M., Nazemi, E., Mosorov, V., 2018. Density and velocity determination for single-phase flow based on radiotracer technique and neural networks. Flow Meas. Instrum. 61, 9–14. https://doi.org/10.1016/j.flowmeasinst.2018.03.006
  8. Salgado, C.M., Pereira, C.M.N.A., Schirru, R., Brandão, L.E.B., 2010. Flow regime identification and volume fraction prediction in multiphase flows by means of gamma-ray attenuation and artificial neural networks. Prog. Nucl. Energy 52, 555–562. https://doi.org/10.1016/j.pnucene.2010.02.001
  9. Thorn, R., Johansen, G.A., Hjertaker, B.T., 2013. Three-phase flow measurement in the petroleum industry. Meas. Sci. Technol. 24. https://doi.org/10.1088/0957-0233/24/1/012003
  10. Zych, M., Hanus, R., Vlasak, P., Jaszczur, M., Petryka, L., 2017. Radiometric methods in the measurement of particle-laden flows. Powder Technol. 318, 491–500. https://doi.org/10.1016/J.POWTEC.2017.06.019

صفحه اصلی

راهنمای نویسندگان

ارسال مقاله

داوران

بیانیه دسترسی باز

سیاست حق مولف

مجوز دسترسی

سیاست سرقت ادبی

سیاست خودآرشیوی

تماس با ما