کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6591875 | 456881 | 2013 | 16 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Multiphase flow pattern recognition in pipeline-riser system by statistical feature clustering of pressure fluctuations
ترجمه فارسی عنوان
تشخیص الگوی جریان چند مرحلهای در سیستم خط لوله با استفاده از خوشه بندی آماری از نوسانات فشار
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
جریان چند مرحلهای، الگوی جریان، تشخیص الگو، لجن سخت خط لوله ایستر نفت،
ترجمه چکیده
در صنعت نفت خاورمیانه، مهم است که لجبازی شدید در الگوهای جریان چند مرحلهای در حمل و نقل نفت و گاز را از طریق یک سیستم خط لوله روباز تشخیص دهیم. پس از تجزیه و تحلیل ناپذیری روش های موجود، ما یک روش ساده و عملی برای اندازه گیری الگوهای جریان چند مرحلهای براساس نوسانات فشار پیشنهاد کردیم. شناخت ما در سه مرحله انجام شد. اول، سیگنال های فشار خروجی انتخاب شده و پردازش شدند زیرا دسترسی به عملیات عملی در زمینه های نفتی. دوم، تجزیه و تحلیل جزء آماری و اصلی بر روی سیگنال های نمونه برداری شده برای به دست آوردن ارتباطات روشن بین سیگنال ها و الگوهای جریان و استخراج ویژگی های مفید برای تشکیل خوشه های الگوی جریان برای طبقه بندی در فضای ویژگی انجام شد. در نهایت، یادگیری ماشین به خوشه ها برای ساخت طبقه بندی ها برای پیش بینی الگوی جریان به صورت خودکار اعمال شد. نتایج تجربی از یک حلقه جریان مقیاس کوچک و یک میدان نفتی دریایی نشان می دهد که روش پیشنهادی امکان پذیر است و به رسمیت شناختن الگوهای جریان چند مرحلهای در سیستم خط لوله روباز امکان پذیر است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی شیمی
مهندسی شیمی (عمومی)
چکیده انگلیسی
In the offshore petroleum industry, it is important to recognize the severe slugging in multiphase flow patterns in oil and gas transportation through a pipeline-riser system. After analyzing the inadaptability of the existing methods, we proposed a simple and practical method of measuring the multiphase flow patterns based on pressure fluctuations. Our recognition was carried out in three steps. First, the outlet pressure signals were selected and processed because of their accessibility to practical applications in oil fields. Second, statistical and principal component analysis were performed on the sampled signals to obtain the clear interrelations between the signals and flow patterns and to extract useful features for forming flow pattern clusters for classification in the feature space. Finally, machine learning was applied to the clusters for constructing classifiers to predict the flow patterns automatically. The experimental results from a small-scale flow loop and an offshore petroleum field show that the proposed method is feasible and effective for recognizing the multiphase flow patterns in the pipeline-riser system.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Chemical Engineering Science - Volume 102, 11 October 2013, Pages 486-501
Journal: Chemical Engineering Science - Volume 102, 11 October 2013, Pages 486-501
نویسندگان
Jing Ye, Liejin Guo,