Detection of Horizontal Two-Phase Flow Patterns Through a Neural Network Model

Abstract

One of the main problems related to the transport and manipulation of multiphase fluids concerns the existence of characteristic flow patterns and its strong influence on important operation parameters. A good example of this occurs in gas-liquid chemical reactors in which maximum efficiencies can be achieved by maintaining a finely dispersed bubbly flow to maximize the total interfacial area. Thus, the ability to automatically detect flow patterns is of crucial importance, especially for the adequate operation of multiphase systems. This work describes the application of a neural model to process the signals delivered by a direct imaging probe to produce a diagnostic of the corresponding flow pattern. The neural model is constituted of six independent neural modules, each of which trained to detect one of the main horizontal flow patterns, and a last winner-take-all layer responsible for resolving when two or more patterns are simultaneously detected. Experimental signals representing different bubbly, intermittent, annular and stratified flow patterns were used to validate the neural model

On the application of self-organizing neural networks in gas-liquid and gas-solid flow regime identification

“…Sekoguchi et al (1987) applied a statistical method and the mean void fraction to identify flow patterns. Regarding non-classical techniques of signal analysis, Giona et al (1994) and Seleghim & Hervieu (1998) used, respectively, fractal techniques and joint time-frequency analysis in the characterization of transitions between horizontal two-phase flow regimes. In this field, the use of neural network techniques to analyze signals from two-phase flows shows great potential (Monji & Matsui, 1998) and many articles have adopted this approach.…”

“…In this field, the use of neural network techniques to analyze signals from two-phase flows shows great potential (Monji & Matsui, 1998) and many articles have adopted this approach. Crivelaro et al (2002) used a neural network to process signals emitted by a direct imaging probe in order to diagnose the corresponding flow regime. Smith et al (2001) utilized selforganizing maps to compare flow regime classifications based on traditional analysis.…”

Aplicação de mapas auto-organizáveis na classificação de padrões de escoamento bifásico

“…A análise de componentes principais tem como principal aplicação a mensuração do grau de inter-relações existentes entre as variáveis envolvidas no processo, e isso é observado nas repetições de certas características em uma série temporal demonstrando que talvez essa informação derive de fatores subjacentes que causem a variabilidade. Astel (Astel et.al., 2007) (Crivelaro, 2002;Mesquita, 2012;Mesquita, 2009;Sunde et al, 2005).…”

“…A maioria dos grupos de estudos nessa área buscam a detecção (on-line) e a classificação dos padrões de escoamento usando os recursos do processamento digital (Crivelaro et al, 2002). Como a queda de pressão de cada uma das fases é fundamentalmente dependente dos valores da fração de vazios, estimativas dos parâmetros de escoamento e as características transições das fases existe interesse na obtenção do parametro de fração de vazio, assim como o reconhecimento do padrão de escoamento.…”

“…As estimativas destas características tem sido obtidas com o uso de diferentes técnicas de inteligência artificial. A relação entre os tipos de transições de escoamento e covariâncias tempo-frequência de sinais de fração de vazio foi proposta por Seleghim e Hervieu (1998) e as redes neurais foram utilizadas para detectar transições de fase com base nas alterações de sinal por Crivelaro (Crivelaro et al, 2002). Anemômetro de fio-quente (Yeoh, et al, 2002), sonda de condutividade (Dong et al, 2006), eletrodo de múltipla impedância (Fujiwara et al, 2004), velocimetria de partículas e tratamentos ópticos (Ursenbacher et al, 2004) são algumas dessas outras técnicas associadas.…”