Two-phase flow rate prediction and pattern classification from differential pressure signal through machine learning models with feature engineering and physics-guided neural networks

Abstract

Este estudo apresenta o desenvolvimento de um modelo para a determinação de padrão de escoamento local e vazões mássicas de fases em escoamento bifásico gás-líquido, utilizando redes neurais baseadas em dados do sinal transiente de pressão diferencial em placa de orifício. As interações entre fases em escoamento gás-líquido através de uma constrição resultam em características distintas do sinal de pressão diferencial DP que dependerão das vazões da fases e propriedades dos fluidos. Estes sinais de flutuação de pressão são transformados em representações utilizando ferramentas de processamento de sinais e, em seguida, utilizados como atributos de entrada em redes neurais multicamadas. Os medidores de vazão de pressão diferencial em linha típicos relacionam a pressão diferencial média DP à vazão e requerem informações adicionais como frações de volume de fase, para determinar as vazões de fase. No entanto, os sinais transitórios de DP através de dispositivos de aceleração carregam uma riqueza de informações que podem ser sistematizadas e utilizadas para determinar a vazão mássica e o padrão de escoamento. Para além destas assinaturas de sinais, o modelo integra parâmetros físicos baseados em correlações da literatura e estimadores simplificados de frações de fase como atributos de entrada. Estas características são incorporadas numa rede neural híbrida com suporte físico, que é treinada a partir de dados, integrando simultaneamente fenômenos físicos e restrições no processo de aprendizagem. Os testes de bancada foram realizados para velocidades superficiais de líquido (j_l) variando de 0,03 a 1,10 m/s e velocidades superficiais de gás (j_g) de 0,03 a 19 m/s em um tubo de 25,4 mm de diâmetro interno, e considerando duas relações entre orifício e diâmetro do tubo, d/D. O envelope operacional gerado cobre a maioria dos padrões de escoamento observados em tubulações horizontais. Os resultados do treinamento de redes neurais não híbridas com dados de bancada produziram um erro percentual médio de 7,2% para a vazão de água e 18,1% para a vazão de ar, enquanto as redes neurais guiadas pela física (PgNN) alcançaram 6,6% e 14,4%, respectivamente. Embora as melhorias não sejam significativas, este trabalho procura lançar algumas bases para a incorporação de suporte físico em sensores de vazão de escoamentos multifásicos virtuais. Além disso, este trabalho apresenta uma extensa caraterização do sinal de pressão diferencial através da engenharia de características, tentando relacioná-lo com o escoamento a montante do orifício. Esta abordagem foi concebida para extrair uma assinatura do escoamento bifásico, buscando contornar os desafios da mudança de geometria através da utilização de um novo método de seleção de características. Este método melhora a generalização e a robustez das extrapolações de modelos de aprendizagem automática.

Abstract: This study presents the development of a model based on neural networks for the determination of local flow patterns and phase mass flow rates in gas-liquid two-phase flow using data from the transient differential pressure signal in an orifice plate. Phase interactions of gas-liquid flow through a constriction result in distinctive differential pressure DP signal characteristics that will depend on the phase flow rates and fluid properties. These pressure fluctuation data are transformed using signal processing tools and then used as features in multilayer neural networks. Typical inline differential pressure flowmeters relate the average differential pressure DP to the flow rate and require additional information, as phase volume fractions, to determine phase flow rates. However, transient DP signals from throttle devices carries a wealth of information that can be systematized and used to determine flow rate and flow pattern. In addition to these signal signatures, the model integrates physical parameters based on literature correlations and simplified phase fraction estimators as input attributes. This is incorporated into a physics-driven hybrid neural network, which is trained from data while embedding physical phenomena and constraints into the learning process. Bench tests were conducted for liquid superficial velocities (j_l) ranging from 0.03 m/s to 1.10 m/s and gas superficial velocities (j_g) from 0.03 m/s to 19 m/s in a 25.4 mm internal diameter tube, and considering two orifice to pipe diameter relations, d/D. The operating envelope generated covers most flow patterns observed in horizontal pipelines. Results from training non-hybrid neural networks with bench data yielded an average percentage error of 7.2% for water flow and 18.1% for airflow while physics-guided neural networks achieved 6.6% and 14.4%, respectively. Although the improvements are not significant, this work seeks to lay some foundations for incorporating physical support into virtual multiphase flow sensors. Furthermore, this work presents an extensive characterization of the differential pressure signal via feature engineering, trying to relate them to the aspects of the flow upstream of the orifice. This approach is designed to extract a signature of two-phase flow, overcoming geometry change challenges by employing a novel feature selection method. This method enhances the generalization and robustness of machine learning model extrapolations.