Técnica de aprendizaje automático para la identificación de patrones de flujo bifásico (aceite-agua) en tuberías

Abstract

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.