تحلیل مشخصه های سیگنال در حوزه زمان به منظور تشخیص نوع رژیم و تعیین درصد حجمی در سیالات دو فازی

جریان های چند فازی به ویژه دو فازی در صنایع مختلف از جمله صنایع نفت و گاز به وقوع می پیوندد. به دلیل رفتار فازی ویژه سیستم های هیدروکربنی علاوه بر مراحل برداشت از مخازن، در خطوط انتقال فرآورده های هیدروکربن؛ هم قبل و هم بعد از مراحل جداسازی؛ امکان روبروش دن با چنین جریان هایی وجود دارد. در این مطالعه سعی بر آن شد؛ که برای تشخیص نوع رژیم و تعیین درصد حجمی؛ با استفاده از شبکه عصبی مصنوعی؛ بهترین مشخصه در حوزه زمان استخراج شود. در این تحقیق با استفاده از شبیه ساز کد مونت کارلو سه رژیم حلقوی، لایه ای و همگن، در بازه ی گسر خالی (90%-5%) شبیه سازی شد. در این شبیه سازی از یک چشمه سزیم 137 و دو آشکار ساز Nal برای ثبت فتون های عبوری استفاده شد. داده های به دست آمده از شبیه سازی دارای نویز فرکانس بالا بود. برای حذف نویز فرکانس بالا از فیلتر ساویتزکی گولای استفاده شد. سپس از داده های به دست آماده هشت مشخصه مختلفغ در حوزه زمان استخراج، و با یکدیگر مقایسه شد. سرانجام با توجه به عدم توانایی هر یک از مشخصه ها به صورت جداگانه برای جداسازی رژیم ها و درصدهای حجمی تصمیم بر آن شد از تمامی مشخصه های استخراج شده از هر دو آشکارساز به عنوان ورودی، برای آموزش، اعتبارسنجی و تست در شبکه عصبی مصنوعی پرسپترون چند لایه، در فضای نرم افزار متلب، مورد استفاده قرار گیرد. در این پژوهش دو شبکه عصبی مصنوعی برای تشخیص نوع رژیم و پیشبینی درصد حجمی طراحی شد. تشخیص 100% نوع رژیم جریانی و میانگین مربع خطا کمتر از 0/56 برای پیشبینی درصد حجمی، نشان دهنده اهمیت استخراج مشخص در بالا بردن دقت شبکه های عصبی می باشد.

کلیدواژه ها:

استخراج مشخصه ، سیالات دوفازی ، شبکه عصبی ، شبیه ساز کد مونت کارلو ، فیلتر ساویتزکی گولای