https://repositorioinstitucional.ufpso.edu.co:443/xmlui/handle/20.500.14167/4509 2026-10-26T19:05:19Z 2026-10-26T19:05:19Z Ruiz Diaz, Carlos Mauricio Perilla Plata, Erwing Eduardo González Estrada, Octavio Andrés https://repositorioinstitucional.ufpso.edu.co:443/xmlui/handle/20.500.14167/6237 2026-05-16T06:01:30Z 2024-01-18T00:00:00Z

Identificación de patrones de flujo bifásico en tuberías verticales mediante redes neuronales transformadoras Ruiz Diaz, Carlos Mauricio; Perilla Plata, Erwing Eduardo; González Estrada, Octavio Andrés El sector del petróleo y el gas adopta constantemente tecnologías innovadoras debido a los elevados costes asociados al transporte de hidrocarburos, a los problemas de corrosión de los oleoductos y a la necesidad de comprender mejor las características del flujo bifásico. Estas soluciones implican la implementación de modelos predictivos que utilizan redes neuronales. En este trabajo de investigación, se ha recopilado meticulosamente una base de datos exhaustiva que comprende 4864 puntos de datos, con información relativa a las propiedades del flujo bifásico de petróleo y agua en oleoductos verticales. Posteriormente, se empleó una red neuronal transformadora (TNN) de tipo «solo codificador» para identificar los patrones de flujo bifásico. Se propusieron diversas configuraciones para el modelo TNN, que implicaban ajustes de parámetros como el número de cabezales de atención, la función de activación, la tasa de abandono y la tasa de aprendizaje, con el objetivo de seleccionar la configuración que ofreciera resultados óptimos. Tras el entrenamiento de la red, se generaron predicciones utilizando un conjunto de datos reservado, lo que facilitó la creación de mapas de flujo que representaban los patrones previstos por el modelo. El modelo TNN desarrollado predijo con éxito 9 de los 10 patrones de flujo presentes en la base de datos, alcanzando una precisión máxima del 53,07 %. Además, los diversos patrones de flujo predichos mostraron una precisión media del 63,21 % y una exactitud media del 86,51 %.

2024-01-18T00:00:00Z Ruiz Diaz, Carlos Mauricio Quispe Suarez, Brayan González Estrada, Octavio Andrés https://repositorioinstitucional.ufpso.edu.co:443/xmlui/handle/20.500.14167/6235 2026-05-01T06:01:38Z 2024-02-12T00:00:00Z

Identificación de patrones de flujo bifásico de petróleo y agua en tuberías verticales mediante redes de memoria a corto y largo plazo Ruiz Diaz, Carlos Mauricio; Quispe Suarez, Brayan; González Estrada, Octavio Andrés Accurate biphasic flow pattern recognition is essential in the design of coatings for the oil and gas sector because it enables engineers to create materials that are tailored to specific flow conditions. This results in enhanced corrosion protection, erosion resistance, flow efficiency, and overall performance of equipment and infrastructure in the challenging environments of the oil and gas industry. The development of flow maps has been based on empirical correlations that incorpórate characteristics such as superficial velocities, volume fractions, and physical properties such as the density and viscosity of the analyzed substances. In addition, geometric parameters such as the inclination and the internal diameter of the pipes are considered. However, due to the difficult working conditions on offshore platforms and the limitations in monitoring internal flow patterns, technological advances have been implemented to improve this process using artificial intelligence techniques. In this context, this study proposes using a long-term memory (LSTM) recurrent neural network to predict the flow patterns generated in vertical pipes. Esta red LSTM se entrenó y validó utilizando datos obtenidos de una base de datos bibliográfica. Los resultados obtenidos mostraron que el modelo presenta un error de predicción inferior al 1 %. Estos avances tecnológicos suponen un paso importante hacia la optimización del proceso de identificación de patrones de flujo en la industria de los hidrocarburos. Al aprovechar las capacidades de la inteligencia artificial, se pueden obtener previsiones más precisas y fiables, lo que permite tomar decisiones fundamentadas y mejorar la eficiencia y la seguridad de las operaciones.

2024-02-12T00:00:00Z Quintero Arias, Leider Ruiz Diaz, Carlos Mauricio Gómez Camperos, July Hernandez Rodriguez, Oscar Mauricio Pardo Garcia, Aldo https://repositorioinstitucional.ufpso.edu.co:443/xmlui/handle/20.500.14167/6234 2026-05-01T06:01:36Z 2026-01-07T00:00:00Z

Aplicación de redes neuronales Transformer para la clasificación de patrones de flujo bifásico de petróleo y agua en tuberías horizontales Quintero Arias, Leider; Ruiz Diaz, Carlos Mauricio; Gómez Camperos, July; Hernandez Rodriguez, Oscar Mauricio; Pardo Garcia, Aldo La identificación de los patrones de flujo en sistemas multifásicos es fundamental en la ingeniería de producción de hidrocarburos, ya que determinan el comportamiento del transporte de petróleo crudo a través de oleoductos y tuberías de flujo en los yacimientos petrolíferos. La clasificación adecuada de estos patrones contribuye a mejorar el diseño hidráulico, a la selección óptima de los equipos de separación y a estrategias de operación de campo eficaces. Este estudio propone un modelo basado en una red neuronal Transformer para identificar patrones de flujo en sistemas bifásicos líquido-líquido (agua-petróleo) en tuberías horizontales. Se utilizó una base de datos que contenía 2146 puntos de datos, incluyendo variables como el diámetro de la tubería, la velocidad de la mezcla, las velocidades superficiales de cada fase y la viscosidad del petróleo. Los resultados muestran un excelente rendimiento del modelo, con precisiones del 95,55 % durante el entrenamiento, del 91,28 % en la validación y del 90 % en la prueba final. Estos hallazgos demuestran la capacidad del modelo para captar relaciones complejas entre variables hidrodinámicas y topologías de flujo, lo que lo convierte en una herramienta alternativa prometedora para el análisis, la monitorización y la optimización del transporte multifásico en la industria petrolera.

2026-01-07T00:00:00Z Uribe Tarazona, Daniel Yesid Ruiz Diaz, Carlos Mauricio González Estrada, Octavio Andrés https://repositorioinstitucional.ufpso.edu.co:443/xmlui/handle/20.500.14167/6233 2026-05-01T06:02:02Z 2025-07-09T00:00:00Z

Técnica de aprendizaje automático para la identificación de patrones de flujo bifásico (aceite-agua) en tuberías Uribe Tarazona, Daniel Yesid; Ruiz Diaz, Carlos Mauricio; González Estrada, Octavio Andrés Este estudio desarrolla un modelo robusto de aprendizaje automático basado en redes neuronales artificiales para clasificar seis patrones de flujo en el flujo bifásico de petróleo y agua dentro de tuberías horizontales, un aspecto clave para garantizar la eficiencia operativa, la integridad y un diseño rentable en la industria del petróleo y el gas. Se recopiló una base de datos compuesta por 1.846 puntos de datos experimentales a partir de la bibliografía, que abarcaba diversas condiciones de funcionamiento, incluidas las propiedades de los fluidos, las velocidades superficiales y los diámetros de las tuberías. Tras evaluar 104 configuraciones de red, se seleccionó el modelo óptimo, que alcanzó una precisión global del 95,4 %, con precisiones de entrenamiento, validación y prueba del 97,1 %, 92,8 % y 90,3 %, respectivamente, y un error de entropía cruzada de 0,024. El modelo demostró una rápida convergencia con un tiempo de entrenamiento de solo 2 s, lo que lo convierte en una herramienta fiable y computacionalmente eficiente para el reconocimiento de patrones de flujo. Los resultados de este estudio aportan un valor significativo para mejorar el diseño de tuberías, optimizar las estrategias de garantía de flujo, mejorar el control de la corrosión y respaldar la toma de decisiones operativas en tiempo real en sistemas de transporte multifásico en la industria del petróleo y el gas.

2025-07-09T00:00:00Z