Non-intrusive multiphase flow analysis using machine learning

Abstract

As misturas gás-líquido são escoamentos bifásicos. Elas podem ser de componente único, como o R-134a em um condensador, ou de dois componentes, como óleo e gás em um tubo de produção. Em ambos os casos, os padrões de escoamento são essencialmente os mesmos, pois as velocidades mudam ao longo do tubo. Em geral, uma previsão não intrusiva do padrão de escoamento é feita com sinais de instrumentação complexos. Este estudo propõe uma previsão não intrusiva de padrões de escoamento e parâmetros do escoamento com base apenas na visualização. Para isso, um conjunto de dados com imagens de R-134a fluindo em tubos verticais e inclinados e um conjunto de dados com imagens de bolhas de ar-água fluindo em tubos verticais são usados para treinar modelos de aprendizado de máquina. Especialmente, os classificadores de árvore de decisão e as redes neurais convolucionais são avaliados para a tarefa de classificação. A análise de componentes principais seguida do teste de Kolmogorov-Smirnov é empregada para descrever a influência da partição do conjunto de dados nas acurácias de classificação obtidas. Além do padrão de escoamento, outros parâmetros são previstos usando redes neurais convolucionais. De fato, a taxa de transferência de calor é quantificada por meio de visualização com baixo erro de teste e analisada por meio de mapas de ativação de regressão. O título e a fração de vazio também são quantificados com R2 ligeiramente acima de 0, 95 e a vazão mássica é prevista com acurácia acima de 90%, mesmo para uma janela de visualização extremamente reduzida. O diâmetro equivalente das bolhas de ar no escoamento ar-água é previsto com erro médio inferior a 1%. A vazão pode ser interpolada ou extrapolada por redes neurais convolucionais com um erro máximo de 25%. Além disso, os pontos experimentais do escoamento de R-134a são usados para construir mapas de padrão de escoamento com o auxílio de modelos de aprendizado de máquina e também para ajustar as constantes de Wallis e Kutateladze para os limites de transição de padrão de escoamento.

Abstract: Gas-liquid mixtures are two-phase flow. They can be single-component as R-134a in a condenser or two-component as oil and gas in a tubing. In both cases, the flow patterns are essentially the same as velocities change along the tube. In general, a non-intrusive prediction of flow patterns is done with complex instrumentation signals. This study proposes a non-intrusive prediction of flow patterns and flow parameters based only on visualization. For that, a dataset with images of R-134a flowing on vertical and inclined tubes and a dataset with images of air-water bubbly flowing in vertical tubes are used to train machine learning models. In particular, decision tree classifiers and convolutional neural networks are evaluated for classification task. Principal Component Analysis followed by Kolmogorov-Smirnov test is employed in order to describe the dataset partition influence in the obtained classification accuracies. Besides the flow pattern, other parameters are predicted using convolutional neural networks. Indeed, heat transfer rate is quantified through visualization with low test error and analysed through regression activation maps. Quality and void fraction are also quantified with R2 slightly above 0.95 and the mass flow rate level is predicted with accuracies above 90% even for extremely reduced visualization window. Equivalent diameter of air bubbles in air-water flow are predicted with average error less than 1%. Flow rate can be interpolated or extrapolated by convolutional neural networks a maximum error of 25%. Furthermore, the experimental points of R-134a flow are used to build flow pattern maps with the aid of machine learning models and also to adjust Wallis and Kutateladze constants for flow pattern transition boundaries.