Aplicación de redes neuronales Transformer para la clasificación de patrones de flujo bifásico de petróleo y agua en tuberías horizontales

Abstract

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.