基于数据的预测：不同倾斜角度下两相流管道中的压力降与液体持留量

《Geoenergy Science and Engineering》：Data-Driven Predictions of Pressure Drop and Liquid Holdup in Two-Phase Flow Pipes with Different Inclination Angles

两相流液滴持液率和压力降的人工神经网络预测模型研究，基于2651组实验数据构建了融合管道几何参数、流体物性及流动特性的先进ANN框架，实现94.38%和98.07%的高精度预测，突破传统方法分步建模的局限，支持全倾斜角度和所有流动模式。

　　

阿卜杜勒阿齐兹·阿尔赛夫（Abdulaziz AlSaif）| 阿卜杜勒萨拉姆·阿尔萨尔基（Abdelsalam Al-Sarkhi）

机械工程系

摘要

尽管之前已经尝试使用人工神经网络对多相流进行建模，但仍有很大的改进空间。本研究介绍了一个先进的人工神经网络框架，该框架分析了2,651个实验数据集。在训练ANN模型时，使用了70%的数据，剩余的30%数据平均分配用于验证和测试。所提出的网络能够利用九个关键预测因子，高精度地预测两相流的两个关键特性——液相体积分数（liquid holdup）和压降（pressure drop）。这种方法与传统方法不同，传统方法通常分别处理这些参数，从而提高了预测的准确性和效率。这些关键预测因子包括液体的表面张力、管道的倾斜角度、两相的密度和粘度、气相和液相的表观流速以及管道的直径。值得注意的是，该模型可以处理从-90度（向下）到+90度（向上）的所有倾斜角度，并涵盖了所有流动模式。这种能力，加上高质量且具有代表性的数据集，显著提高了模型的准确性和实际应用价值，使其成为两相流领域科学家和工程师的重要工具。性能评估显示，ANN模型在液相体积分数方面的预测准确率为94.38%，在压降方面的预测准确率为98.07%，表明其具有很高的预测效果。

章节摘录

引言

同时流动涉及多个相，每个流体相的流量和性质都会影响界面动力学，从而定义了多相流现象。这种现象在各种与能源相关的设备和行业中普遍存在，例如石油和天然气、核能、化工以及发电行业，如图1所示。气液两相流是最常见的多相流形式[1]。准确预测两相流中的流体动力学参数至关重要。

文献综述

多相流的复杂性使得准确确定压降和液相体积分数变得困难。为了解决气液流动中的这些问题，许多学者提出了使用各种机器学习模型[18],[19],[20],[21],[22],[23]。其中，人工神经网络因其强大的计算能力而在传统数学模型无法描述系统复杂性的情况下取得了优异的结果。

使用人工神经网络的一个主要优势是……

实验数据

本研究主要关注两个输出参数：压降和液相体积分数。通过使用相关的实验数据对人工神经网络模型进行训练来测量这些变量。关键变量及其相应的范围在表2中列出。

这些变量被输入到人工神经网络模型中，并分为三个主要组：管道配置（包括直径和倾斜角度）、流体性质等。

网络隐藏层中的神经元数量

确定隐藏层中最佳神经元数量至关重要，这取决于所解决问题的复杂性。通过试错方法最小化验证数据的均方误差（MSE）来实现这一目标。如果神经元数量太少，可能会导致欠拟合，即模型无法捕捉到数据的真实趋势；而如果神经元数量太多，则可能导致过拟合，即模型会将训练数据中的噪声误认为是重要信息。

结论性评论

本研究开发的人工神经网络模型经过精心调整，能够在从向下到向上的各种倾斜角度下，非常准确地预测管道内两相流的液相体积分数和压降。利用包含2,651个实验数据点的全面数据集，该模型采用了复杂的输入架构，将数据分为三个主要类别。

作者贡献声明

阿卜杜勒萨拉姆·阿尔萨尔基（Abdelsalam Al-Sarkhi）：撰写——审稿与编辑、验证、方法论、形式分析。阿卜杜勒阿齐兹·阿尔赛夫（Abdulaziz AlSaif）：撰写——初稿、软件开发、形式分析、数据整理、概念构思

利益冲突声明

作者声明他们没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

作者感谢沙特阿拉伯达兰的法赫德国王石油与矿业大学（King Fahd University of Petroleum & Minerals, KFUPM）的持续支持。