Cálculo de la fracción volumétrica de las sustancias aceite y agua en flujo bifásico al interior de tuberías horizontales aplicando Long Short Term Memory (LSTM)
Este artículo presenta la implementación de una red neuronal Long Short Term Mémory con el fin de calcular la fracción volumétrica del aceite y agua en un fluido bifásico que se transporta por una tubería horizontal. Se implementa una base de datos de la literatura que contiene pruebas de 13 autores...
- Autores:
-
Carreño Verdugo, Alejandro
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- spa
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/14352
- Palabra clave:
- LSTM
Flujo bifásico líquido - líquido
Tubería horizontal
Redes neuronales recurrentes
Industria 4.0
LSTM
Biphasic liquid-liquid flow
Horizontal tubery
Recurrent neural network
Industry 4.0
- Rights
- openAccess
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
| Summary: | Este artículo presenta la implementación de una red neuronal Long Short Term Mémory con el fin de calcular la fracción volumétrica del aceite y agua en un fluido bifásico que se transporta por una tubería horizontal. Se implementa una base de datos de la literatura que contiene pruebas de 13 autores para el entrenamiento del modelo, las entradas del modelo están dadas por un vector que contiene las velocidades superficiales de aceite y agua, la mezcla del fluido, el diámetro interno de la tubería y la viscosidad; teniendo como parámetro de salida el vector que contiene la fracción volumétrica del aceite. El proceso de entrenamiento y validación se realizan con una base de datos que contiene 2156 datos, los cuales se segmentan en 80% y 20% respectivamente, con el fin de obtener resultados concluyentes y poder realizar la validación del sistema. Se presentó un diseño de experimentos el cual permitía realizar todas las pruebas posibles al modelo según parámetros especificados anteriormente, habiendo realizado para el presente estudio 216 pruebas de rendimiento del modelo. Los resultados que presentó el modelo predictivo con mejor rendimiento evidencia tener un MSE de 3,5651E-05, un MAE de 0.0045 y un MAPE de 3.0250%, este resultado se obtiene ingresando una función de transferencia ReLu, unas épocas de 20, una learnin rate de 0.1, función de transferencia sigmoid, un batch size de 1, optimizador ADAM y 150 neuronas en la capa oculta. |
|---|