Geri Dön

Application of kNN-GRNN algorithm for liquid holdup determination in two-phase flow

İki fazlı akışta sıvı oranının belirlenmesi için kNN-GRNN algoritmasının kullanılması

PDF İndir

  1. Tez No: 541861
  2. Yazar: MEHMET SADIK PEKTAŞ
  3. Danışmanlar: DOÇ. DR. MURAT ÇINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Petrol ve Doğal Gaz Mühendisliği, Petroleum and Natural Gas Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2018
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 174

Özet

Boru içerisinde iki farklı fazın beraber akışına iki fazlı akış denir. İki fazlı akış petrol endüstrisi, jeotermal enerji, nükleer reaktörler ve kimya endüstrisi gibi endüstrilerde görülmektedir. Özellikle petrol endüstrisinde, petrolün kuyu içerisinden yüzeye çıkışı ve yüzeyden boru hatları vasıtasıyla taşınması esnasında görülür. Akış (sıvıların hareketi) iki faz arasındaki ve fazlar ile profil arasındaki yüzeyi etkileyerek, boru hattı içerisinde fazların dağılım oranlarını değiştirir. Bu oran akış dinamiği için önemlidir, çünkü profil boyunca gerçekleşen basınç dağılımını değiştirir. Basınç dağılımının değişmesi ise akan sıvıların kendi aralarındaki ve aktıkları profil yüzeyi ile aralarındaki sürtünme kayıplarını etkiler. Bu oran, deneysel çalışmalar, deney sonuçlarından elde edilmiş denklemler, denklemlerin kullanılmasıyla oluşturulan simülatörler ve doğrusal olmayan çözücüler vasıtasıyla belirli oranlarda hesaplanabilir. Petrol endüstrisinde sıvı oranının tespit edilmesi çok önemlidir. Bu oran petrol ve gazın ayrıştırılması ve gaz/sıvı tutucuların dizaynı esnasında kullanılır. Yatay, yönlü ve dik kuyularda bu oranı hesaplamak için çeşitli modeller mevcuttur. Çoğu model belirli koşullar altında (belirli basınç, sıcaklık, profil çapı aralığında ve belirli vizkozite, yüzey gerilimi ve yoğunlukta sıvıların kullanıldığı) geçerli olup, diğer koşullara (ve sıvılara) uyarlanması problemli olabilir. Bahsedilen modellerde birinci öncelik akış profilini belirlemek (akış profilini belirlerken her modelin kendine has çözüm yöntemi vardır), sonrasında o profile göre sıvı oranını hesaplamaktır. Sıvı oranı, sürtünme faktörü hesaplanmasında ve sonuçta basınç dağılım hesaplarında kullanılır. Akış profilleri arasındaki geçiş bölgelerinde belirsizlikler ve tutarsızlıklar olduğundan bu modeller doğru sonuç vermeyebilirler. Sıvı oranı hesaplanmasında kullanılan simülatörlerden ilkleri fazların hızlarının eşit kabul edilmesi vasıtasıyla denklemler sadeleştirilerek yapılmıştır. Hızlar eşit kabul edildiğinde, sürtünme sadece sıvılar ile profil arasında olduğundan akış rejimi değişiklikleri de sıvı akışı esnasında çok sınırlı kalmıştır. Akış rejimi haritaları uygulansa dahi, hız değişimleri paralel olduğundan haritanın farklı bölgeleri denklemlere dahil edilememiştir. Bu sebeplerden dolayı simülatörlerde varsayımlar çok sayıda yapılmak zorunda kalınmıştır ve sonuç olarak simülatörlerin kullanım aralığı sınırlı kalmıştır. Sonrasında oluşturulan akış rejimi haritaları ve yazılan simülatörler değişken hızlardaki deney sonuçlarıyla zenginleşmiştir. Hızların değişmesi, kayma hızı tanımını zorunlu kılmış ve profil ile sıvılar arasındaki sürtünmeden farklı olarak, sıvılar arasındaki sürtünme modelleri oluşturulmaya başlanmıştır. Eş zamanlı iki hareketli yüzeyin (sıvı yüzeyler) sürtünmesi ve basınç dağılımlarının modellenmesi daha fazla işlem kapasitesi gerektirmiştir. Teknolojinin de gelişimi ile yazılan modeller daha karmaşıklaştırılabilmiş ve tutarlılıkları ve kullanım aralıkları artırılmıştır. Kullanılan matematiksel simülatörlerden bazıları da yapay sinir ağlarından oluşmaktadır. Yapay sinir ağları, isminden de anlaşılacağı üzere, canlı organizmaların nöronlarının çalışması esnasında büyük rolü olan biyolojik sinir sisteminin çalışmasından esinlenilerek tasarlanmıştır. Sinir sistemi içerisindeki nöronlar birbirleri ile belirli bir düzende ve ağda birleşerek kendi aralarında bir nevi haberleşirler. Herhangi bir anda ya da karşılaşılan bir problemin tanımlanmasında, belirli yerel alanlarda problem ile ilişkili olan nöronlar bu sinir ağını kurabilirler. Bu ağlar görsel veya işitsel olarak alınan girdiyi anlayıp yorumlayarak çıkarım yapılmasını sağlarlar. Ağ arasında belirli sayıda ve belirli haberleşme algoritmasına sahip nöron sayısı ve ilişkisi dinamik olarak ayarlanıp karşılaşılan problem çözülür. İnsan gözlemlemesi ve düşünmesi esnasında bu durum sıkça tekrarlanır. Zamanla sahip olunan mekanizma görerek, işiterek ve hissederek gelişmeyi sürdürür. Zaman içerisinde daha önce çıkarım yapmış olduğu sonuçları belirli bölgelerde (yani o probleme atanmış bellek görevi gören nöronlar) tutup, yeni girdi olarak kullanarak çözümü kolaylaştırmış yani öğrenerek çıkarım yapmış olur. Bu çıkarımlar günümüzde karşılaşmış olduğumuz farklı disiplinlere ait mühendislik problemlerinin çözümünde rahatlıkla kullanılabilir. Nöronların aldığı değerler herhangi bir matematiksel denklem ile yönlendirilebilir. Problem bir sınıflandırma problemi ise 1 ve 0 arasında istatistiksel bir dağılım fonksiyonu kullanılabilirken, problem herhangi bir sayısal çıktı gerektirdiğinde ilgili değerlerin standart sapması ve ortalaması ile belirli aralığa indirgenerek devamlı bir fonksiyon yardımıyla çıktı temsil edilebilir. Ağ içerisinde bilgi akışının haberleşme ile olmasından kasıt, nöronların birbirlerini, parçacıkların birbirlerini kuvvet ile etkilemesi gibi değiştirmesidir. Belirli bir optimum hızda gerçekleşmeyen haberleşme yanlış veya kısmi optimum bir sonuç verebilir. Yapay sinir ağlarının farklı farklı çeşitleri mevcuttur. Bu çeşitlenme, ağ yapısı, ağ haberleşme yolu, deneme yanılma yoluyla veya istatistiksel olarak dağılımı algılama yoluyla çözümü bulmaya çalışma gibi alanlarda kendisini gösterir. En temel yapay sinir ağı, ileri doğru bilginin aktığı ve doğrusal fonksiyon ile bir çıktı elde edilen, doğrusal regresyon çözümlemesi yapan ağdır. Gerçek hayatta problemlerin çok büyük çoğunlukla doğrusal olmaması dolayısıyla doğrusal olmayan ağların geliştirilmesi zorunlu olmuştur. Doğrusal olmayan ağlarda deneme yanılma yoluyla sonuçlar arası fark azaltılmaya çalışılmıştır, fakat bunların en başlarında geliştirilen ağ hareketi içindeki optimizasyon algoritmaları yavaş ve verimsiz olmuştur. 80lerde hesaplama kapasitesi daha hızlı artarken aynı zamanda şuanda da kullanılan ve daha hızlı çalışan optimizasyon algoritmaları geliştirilmiştir. Günümüzde grafik işlemcilerinin ve çok çekirdekli işlemcilerin yardımıyla milyonlarca parametreli ağ hareketi optimizasyon algoritmaları kısa sürede global optimum sonuç verebilmektedir. Yapay sinir ağlarının daha hızlı çalışmasının yanında, kullandığı bağımsız parametrelerin doğru yerde kullanılması da çok önemlidir. Bunun düzgün belirlenmesi ağa problemi tanımlama alanının görevidir ve 'nitelik mühendisliği' adıyla anılır. Probleme has niteliklerin alan ile ilgili uzman kişiler tarafından belirlenmesi ve yapının o doğrultuda kurulması ağın doğru çalışması için olmazsa olmazlardandır. Bu işlevi de yapmak için bazı bağımsız (çıktıya bağlı olmayan) ağlar mevcuttur. Bu ağlar 'denetimsiz öğrenme' alanı içinde geliştirilmiş ağlardır ve herhangi bir bağıntıyı problemin içeriğine ve karmaşıklığına bağlı olarak tespit edebilirler. Bu yapay sinir ağlarının genel haliyle ve farklı çeşitleriyle kullanım alanlarından biri de iki fazlı akışta sıvı oranının, onu etkileyen bağımsız değişkenler göz önünde bulundurularak hesaplanmasıdır. Bu çalışmada, iki fazlı akışta sıvı oranının tespit edilmesi için yapay zekâ algoritması kullanılmıştır. Deneysel sonuçlardan elde edilen matematiksel modeller ile bilinen, yaygın algoritmalar, geliştirilen algoritmayı kıyaslamak için kullanılmıştır. Geliştirilen kNN-GRNN algoritmasında kNN algoritması GRNN algoritmasının çalışması için sınıflandırma işlevi görmüştür. Yerel bölgelerde, daha etken parametreler daha az etkili olanlardan ayrılarak, tutarlılık artırılmaya çalışılmıştır. Simülasyonlar sonucunda, akış esnasında sıvının yoğunluğu, profilin eğimi, profilin çapı ve fazların hızları, sıvı oranlarını en çok etkileyen parametreler olarak tespit edilmiştir. Vizkozite ve yüzey gerilimi parametreleri daha önceki deneysel çalışmalarda ve matematiksel modellerde kullanılmış olup, daha sonraları geliştirilen modellerde buradaki gibi daha az etkileyici role bürünmüştür. Algoritmaların ve korelasyonların başarılarını kıyaslamak için korelasyon katsayısı (R) ve ortalama mutlak yüzdelik hata (AAPE) formülleri kullanılmıştır. Sonuçta geliştirilen algoritma, bazı noktalarda nispeten daha az başarılı olsa da genel performansta, 0.9573 korelasyon katsayısı ve %18.02 ortalama mutlak yüzdelik hata ile en başarılı model olmuştur. Geliştirilen yapay sinir ağı algoritması, kuyu içerisinde ve yüzeyde boru hatlarında ticari olarak kullanılan akış modellemesi yapan simülatörlerde kullanılabilir. Petrol ve doğal gaz kuyuları içerisinde birçok zondan akışın gerçekleştiği ve bu zonlardan ne kadar akışın olduğunu ayırt etmede kullanılan mekanik cihazların da çıktısı olarak bu algoritmalar kullanılabilir.

Özet (Çeviri)

In some industries, such as chemical industry, nuclear power plants, geothermal energy, petroleum industry, etc. two-phase flow dynamics arise. Especially in oil and gas industry while producing hydrocarbons (oil and gas), starting with production string in the well through pipelines in the surface two-phase flow is transpired. Two phase flow is defined as two distinct phases are flowing simultaneously in the pipe. The dynamics affects the interphase between involved phases thus influences the distribution of both phases through the flowing pipeline. Relative distribution between phases is defined as holdup, generally defined as liquid phase holdup, or more precisely liquid holdup. This holdup is important for flow dynamics. The estimation of liquid holdup in pipelines is very substantial in the oil and gas industry. It affects seperation design equipment and slug catching. For both horizontal, inclined and vertical conditions various models are proposed to find this term in flowing conditions. Most of the proposed studies are for specific conditions and could not be generalized to other conditions. The start of the procedure in those models are identifying the flow pattern first (each flow pattern have its own solution procedure for finding liquid holdup) then finding the liquid holdup for each case. Liquid holdup is used in friction factor calculation and as a result for finding the pressure distribution along the pipeline. Flow pattern dependent models have the difficulty for finding the accurate liquid holdup value across the flow pattern transition boundaries. Those blurred transition region phenomena may result inconsistency as flow conditions differ. Neural Networks are designed by the inspiration of neurons in living organism nervous system. Neural networks are processors for understanding the data and diagnose the relations within them thus consequently find out and solve chaotic patterns related to data. Those systems foster themselves by getting every new data in time and do not need specific problem related programming. Neural networks evolve pertinent specifications and use them as the solution process. In recent years, they are used as solution process in many industries and in many engineering problems. Compared to conventional methods (empirical or mechanistic methods) Neural networks achieve promising results in various engineering applications such as multiphase flow modeling. Flow pattern identification, liquid holdup calculation and pressure distribution calculation can be conducted in multiphase flow modeling. In this study, machine learning algorithms were applied for liquid holdup determination. We tried to find the most important parameters that affect the two phase flow by trying all combinations of parameters used in the experiments. Mathematical correlations and Neural network algorithms were applied to the problem to compare K-nearest neighbours and GRNN combined (kNN-GRNN) algorithm. K-nearest neighbours was used as clustering for GRNN algorithm. Coefficient of determination (R) and average absolute percent relative error (AAPE) are used to compare the performance of all models. Hybrid kNN-GRNN algorithm performed the best with a 0.9573 R value and 18.02% AAPE.

Benzer Tezler

  1. Tez No

    632712

    Gsm sinyal bazlı konum belirleme

    Gsm signal based localization

    ERCAN DEMİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Elektrik ve Elektronik MühendisliğiBatman Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ABDULKERİM ÖZTEKİN

  2. Tez No

    377205

    Kumaş hatalarının ısıl görüntüleme ve görüntü işleme teknikleri ile tespit edilmesi

    Defect detection of fabrics by using thermal imaging and image processing techniques

    KAZIM YILDIZ

    Doktora

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    DOÇ. DR. ALİ BULDU

    DOÇ. DR. MUSTAFA DEMETGÜL

  3. Tez No

    265953

    Veri dağılımının en yakın bulanık gösterimine dayalı zaman serisi etiketlendirmesi

    Time series labeling based on nearest fuzzy representation of data distribution

    SİNEM PEKER

    Doktora

    Türkçe

    Türkçe

    2010

    EkonometriDokuz Eylül Üniversitesi

    Ekonometri Ana Bilim Dalı

    PROF. DR. EFENDİ NASİBOĞLU

  4. Tez No

    290169

    Kurşun esaslı ve kurşunsuz piezoelektrik seramik fiberlerin üretilmesi ve karakterizasyonu

    Fabrication and characterization of lead based and lead free piezoelectric ceramic fibers

    AHMET SERKAN TEKDAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Metalurji MühendisliğiGebze Yüksek Teknoloji Enstitüsü

    Malzeme Bilimi ve Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. EBRU MENŞUR ALKOY

    DOÇ. DR. SEDAT ALKOY

  5. Tez No

    363654

    Implementation of KNN, MLP, PCA algorithms on cortex-M4 based embedded system for enose application

    Elektronik burun uygulaması için MLP, PCA ve KNN algoritmalarının cortex M4 tabanlı bir gömülü sistem üzerinde gerçeklemeleri

    LEILA GHORBANI CHONGHORALOUY YEKAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Mekatronik Mühendisliğiİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MÜŞTAK ERHAN YALÇIN

Geri Dön