Predicción de los Parámetros Dinámicos del Flujo Multifásico en CFD (Simulación de Ruptura de Presas) Usando Inteligencia Artificial-(Despliegue en Cascada)
Autores: Hosseini Boosari, S. Sina
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Predicción de los Parámetros Dinámicos del Flujo Multifásico en CFD (Simulación de Ruptura de Presas) Usando Inteligencia Artificial-(Despliegue en Cascada)
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Mecánica
Palabras clave
Reservorio
Flujo multifásico
Simulaciones por computadora
Inteligencia artificial
Método basado en datos
Industria del petróleo y gas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El flujo multifásico de petróleo, gas y agua ocurre en la formación subterránea de un reservorio y también dentro de la tubería y estructuras asociadas aguas abajo. Las simulaciones por computadora de tales fenómenos son esenciales para lograr el comportamiento de parámetros que incluyen, entre otros, la evolución de las fracciones de fase, temperatura, velocidad, presión y regímenes de flujo. Sin embargo, dentro de la industria del petróleo y el gas, debido a la naturaleza altamente compleja de tales fenómenos observados en activos no convencionales, no se ha logrado un cálculo preciso y rápido de los parámetros mencionados utilizando técnicas de simulación numérica, es decir, dinámica de fluidos computacional (CFD). En este estudio, se diseñó, aplicó e investigó un método acelerado basado en datos impulsado por inteligencia artificial (IA) en uno de los problemas de flujo multifásico más conocidos. Este problema es un rompimiento de presa bidimensional que consiste en un tanque rectangular con la columna de fluido en el lado izquierdo del tanque detrás de la compuerta. Inicialmente, se abre la compuerta, lo que lleva al colapso de la columna de fluido y genera una estructura de flujo compleja, que incluye agua y burbujas atrapadas. Los datos necesarios se obtuvieron de la experiencia y se utilizaron parcialmente en nuestro modelo acelerado basado en datos. Construimos nuestros modelos utilizando el algoritmo de Levenberg-Marquardt en una técnica de retropropagación hacia adelante. Combinamos nuestro modelo con optimización estocástica de manera que se redujera el error absoluto acumulado en los pasos de tiempo siguientes en comparación con el cálculo numérico. Primero, observamos que nuestros modelos predecían el comportamiento dinámico del flujo multifásico en cada paso de tiempo con mayor rapidez, y por lo tanto, redujeron el tiempo de ejecución en comparación con la simulación numérica CFD. Para ser exactos, los cálculos de nuestros modelos fueron más de cien veces más rápidos que el modelo CFD, de un orden de 8 horas a minutos utilizando nuestros modelos. En segundo lugar, la precisión de nuestras predicciones estaba dentro del límite del 10% en condiciones de cascada en comparación con la simulación numérica. Esto fue aceptable considerando su aplicación en formaciones subterráneas con fenómenos de flujo de fluidos altamente complejos. Nuestros modelos ayudan a todos los aspectos de ingeniería de la industria del petróleo y el gas, desde la perforación y el diseño de pozos hasta la predicción futura de una producción eficiente.
Descripción
El flujo multifásico de petróleo, gas y agua ocurre en la formación subterránea de un reservorio y también dentro de la tubería y estructuras asociadas aguas abajo. Las simulaciones por computadora de tales fenómenos son esenciales para lograr el comportamiento de parámetros que incluyen, entre otros, la evolución de las fracciones de fase, temperatura, velocidad, presión y regímenes de flujo. Sin embargo, dentro de la industria del petróleo y el gas, debido a la naturaleza altamente compleja de tales fenómenos observados en activos no convencionales, no se ha logrado un cálculo preciso y rápido de los parámetros mencionados utilizando técnicas de simulación numérica, es decir, dinámica de fluidos computacional (CFD). En este estudio, se diseñó, aplicó e investigó un método acelerado basado en datos impulsado por inteligencia artificial (IA) en uno de los problemas de flujo multifásico más conocidos. Este problema es un rompimiento de presa bidimensional que consiste en un tanque rectangular con la columna de fluido en el lado izquierdo del tanque detrás de la compuerta. Inicialmente, se abre la compuerta, lo que lleva al colapso de la columna de fluido y genera una estructura de flujo compleja, que incluye agua y burbujas atrapadas. Los datos necesarios se obtuvieron de la experiencia y se utilizaron parcialmente en nuestro modelo acelerado basado en datos. Construimos nuestros modelos utilizando el algoritmo de Levenberg-Marquardt en una técnica de retropropagación hacia adelante. Combinamos nuestro modelo con optimización estocástica de manera que se redujera el error absoluto acumulado en los pasos de tiempo siguientes en comparación con el cálculo numérico. Primero, observamos que nuestros modelos predecían el comportamiento dinámico del flujo multifásico en cada paso de tiempo con mayor rapidez, y por lo tanto, redujeron el tiempo de ejecución en comparación con la simulación numérica CFD. Para ser exactos, los cálculos de nuestros modelos fueron más de cien veces más rápidos que el modelo CFD, de un orden de 8 horas a minutos utilizando nuestros modelos. En segundo lugar, la precisión de nuestras predicciones estaba dentro del límite del 10% en condiciones de cascada en comparación con la simulación numérica. Esto fue aceptable considerando su aplicación en formaciones subterráneas con fenómenos de flujo de fluidos altamente complejos. Nuestros modelos ayudan a todos los aspectos de ingeniería de la industria del petróleo y el gas, desde la perforación y el diseño de pozos hasta la predicción futura de una producción eficiente.