使用玛辐射和深度神经网络在多相系统中预测流体体积分和硫酸尺度
Roos Sophia de Freitas Dam1, Marcelo Carvalho Dos Santos2, William Luna Salgado3
1Programa de Engenharia Nuclear, Universidade Federal do Rio de Janeiro, Avenida Horácio de Macedo 2030, Bloco G - Sala 206, Zip Code 21941-914, Cidade Universitária, RJ, Brazil; Instituto de Engenharia Nuclear, Rua Hélio de Almeida 75, Zip Code 21941-906, Cidade Universitária, RJ, Brazil.
概括
这项研究引入了一种使用玛射线检测和深度学习来测量流体体积分和石油管道中的硫酸尺度厚度的新方法. 该技术在海上石油行业提高准确性方面显示出前景.
科学领域:
- 石油工程是石油工程中的一个.
- 核工程 核工程是指核工程.
- 数据科学数据科学数据科学
背景情况:
- 硫酸 (BaSO4) 在石油和天然气管道中的形减少了内部直径,阻碍了流体流量和体积分数的计算.
- 精确测量流体体积分和尺度厚度对于高效和安全的石油生产至关重要.
研究的目的:
- 开发和验证一种用于预测流体体积分 (气体,盐水,油) 和硫酸尺度厚度的方法.
- 为了利用马射线密度计和深度学习进行非侵入性管道监测.
主要方法:
- 利用MCNP6代码开发多相环流的理论模型 (气-盐水-石油尺度).
- 使用模拟的马射线光谱数据 (来自NaI(Tl探测器的传输和散射束) 训练了一个深度神经网络 (DNN).
- 使用Optuna Python库进行超参数优化来设计DNN架构.
主要成果:
- 该方法在预测硫酸盐尺度厚度方面表现出很高的准确性.
- 流体体积分的预测,特别是盐水,实现了大约70%的模式识别,相对误差高达10%.
- 玛密度计和DNN的结合方法显示了工业应用的巨大潜力.
结论:
- 开发的方法为在海上石油生产中计算流体体积分和同心尺度厚度提供了可行的解决方案.
- 这种方法通过集成先进的深度学习模型来增强马密度计的能力.
- 进一步细化可以提高流体体积分预测的准确性,特别是在复杂的混合物中.
