اندازه گیری دقیق درصد کسر حجمی در جریان های سه فازی با استفاده از فناوری پرتو گاما و شبکه عصبی مصنوعی

نوع مقاله: علمی-پژوهشی

نویسندگان

1 گروه فیزیک، دانشکده علوم پایه، دانشگاه قم، قم، ایران

2 دانشکده فیزیک و مهندسی هسته ای، دانشگاه صنعتی شاهرود، شاهرود، ایران

چکیده

پیش بینی دقیق درصد کسر حجمی در جریان ­های سه فازی آب ـ گازوییل ـ هوا در شرایط عملیاتی ناپایدار، پارامتر مهمی در صنایع نفت و پتروشیمی می باشد. در این پژوهش، اندازه گیری دقیق درصد کسر حجمی در سه فاز  آب-گازوئیل-هو ا با استفاده از فناوری تضعیف پرتو گامای تک انرژی و شبکه عصبی برای اولین بار انجام شد. تعیین درصد کسر حجمی کمینه به دو چشمه رادیواکتیو با انرژی­ های متفاوت نیاز دارد. درحالی که در این مطالعه، تنها یک چشمه رادیواکتیو Cs137 (با تک انرژی keV 662) و یک آشکارساز سدیم یدید NaI(Tl) برای تعیین درصد کسر حجمی در سه فاز مورد استفاده قرار گرفت. همچنین، مدل پرسپترون چند لایه شبکه عصبی برای پیش بینی درصد کسر حجمی اعمال شد. نتیجه­ های به دست آمده از آزمایش­ های تجربی، داده­ های مورد نیاز برای آموزش و آزمون شبکه را  فراهم می ­کند. ورودی­ های شبکه، طیف­ های ثبت شده در آشکارساز هستند، به­ طوری که ماتریس مجموعه داده ­ها برای شبکه عصبی Y(118×42) می­ باشد. در این شبکه تعداد نورون ­ها در لایه درونی، پنهان و خروجی به ترتیب 118، 10 و 3 است. با استفاده از این روش پیشنهادی، درصد کسر حجمی در سه فاز آب ـ گازوئیل ـ هوا با درصد خطای نسبی میانگین(MRE%)کم­تر از 95/6 % و خطای جذر میانگین مربع(RMSE)60/2 پیش بینی شد. ترکیب بندی استفاده شده در این روش ساده تر از روش ­های پیشنهادی دیگر است. بنابراین قیمت، ایمنی تابش و حفاظ ­سازی به کم ­ترین مقدار ممکن خواهد رسید.

کلیدواژه‌ها

موضوعات


[1] Tjugum SA., Frieling J., Johansen G.A., A Compact Low Energy Multibeam Gamma-Ray Densitometer for Pipe-Flow Measurements, Nucl. Inst. Meth B, 197: 301-309 (2002).

[2] Johansen GA., Jackson P., Salinity Independent Measurement of Gas Volume Fraction in Oil/Gas/Water Pipe Flows, Appl. Radiat. Isot, 53: 595-601(2000).

[3] Abro E., Johansen GA., Improved Void Fraction Determination by Means of Multibeam Gamma-Ray Attenuation Measurements, Flow Meas. Instrum, 10: 99-108 (1999).

[4] Chu IC., Song CH., Development and Performance Evaluation of 32-Channel Gamma Densitometer for the Measurement of Flow Pattern and Void Fraction in the Downcomer of MIDAS Test Facility, KAERI/TR-2045/2002, KAERI (2002).

[5] Chang SK., Park HS., Chung CH., Analysis of the Test Results for the Two-Phase Critical Flow with Non-Condensable Gas. KAERI/TR-2242/2002, KAERI (2002).

[6] Salgado CM., Brandao LEB., Pereira CMNA., Salgado WL., Salinity Independent Volume Fraction Prediction in Annular and Stratified (Water-Gas-Oil) Multiphase Flows Using Artificial Neural Networks, Prog. Nucl. Energy, 76: 17-23 (2014).

[7] Salgado CM., Brandao LB., Pereira CMNA., Xavier da Silva A., Ramos R., Prediction of Volume Fractions in Three-Phase Flows Using Nuclear Technique and Artificial Neural Network, Appl.Radiat. Isot, 67: 1812–1818 (2009).

[8] Abro E., Khoryakov VA., Johansen GA., Determination of Void Fraction and Flow Regime Using a Neural Network Trained on Simulated Data Based on Gamma-Ray Densitometry, Meas. Sci. Tech, 10: 619-630 (1999).

[9] Roshani GH., Feghhi SAH., Mahmoudi-Aznaveh A., Nazemi E., Adineh vand A., Precise Volume Fraction Prediction in Oil-Water-Gas Multiphase Flows by Means of Gamma-Ray Attenuation and Artificial Neural Networks Using one Detector, Measurement, 51: 34-41 (2014).

[10] IAEA-TECDOC 1459., Technical Data on Nucleonic Gauges”, IAEA., Vienna (2005).

[11] Taylor JG., “Neural Networks and Their Applications”, John Wiley & Sons, Inc., Brighton (1996).

[12] Gallant A.R., White H., On Learning the Derivatives of an Unknown Mapping with Multilayer Feed Forward Networks, Neural Networks, 5: 129-138 (1992).

[13] Hagan MT., Menhaj M., Training Feed Forward Networks with the Marquardt Algorithm, IEEE Trans. Neural Networks, 5: 989-993 (1994).

[14] Demuth H., Beale M., Hagan M., “Neural Network Toolbox TM 6, User’s Guide, The Math Works”, Massachusetts (2008).

[15] Zaknich A., “Neural Networks for Intelligent Signal Processing”, World Scientific Pub Co. Inc., Toh Tuck Link (2003).

[16] Bisht DCS., Jangid A., Discharge Modeling Using Adaptive Neuro-Fuzzy Inference System. Int. J. Adv.Sci. Tech, 31: 99-114 (2011).