ON USING MACHINE-LEARNING TECHNIQUES TO PREDICT TWO-PHASE FLOW CHARACTERISTICS IN INCLINED PIPES. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF (PhD dissertation) PhD_Dissertation_g201802180_ePrint.pdf Restricted to Repository staff only until 18 May 2026. Download (13MB)

Arabic Abstract

تقدم هذه الأطروحة نهجًا في مجال توقع التدفق الثنائي الطور باستخدام شبكة الأعصاب الاصطناعية ونماذج الانجراف-التدفق لتجاوز دقة التنبؤات للمنهجيات الموجودة. تستخدم هذه الدراسة الشاملة مجموعة واسعة من البيانات التجريبية، وتستخدم تقنيات مدفوعة بالبيانات الحديثة لتحسين والتحقق من صحة نماذج التعلم الآلي مقابل النهج التقليدية لنمذجة التدفق الثنائي الطور. تبدأ الأبحاث بتوضيح استخدام شبكة الأعصاب الاصطناعية للتنبؤ بأنماط التدفق عبر مجموعة من ميلان الأنابيب - من الأفقي إلى العمودي. يقارن هذا النهج بين المدخلات البعدية التقليدية والنظيرات اللابعدية مثل أعداد رينولدز السائلة والغازية السطحية، وعدد فرود المخلوط، وعدد ويبر، مما يعزز من تطبيق النموذج ودقته. حققت الشبكة العصبية، المدربة على مجموعة بيانات كبيرة تضم 8766 ملاحظة تجريبية، دقة تنبؤ مثالية بنسبة 97.3% لأنماط التدفق، وخفضت بشكل كبير معدل التصنيف الخاطئ إلى 1.7% مقارنة بالنماذج القائمة مثل نموذج بارنيا. تقدم هذه الأطروحة أداة بواجهة مستخدم سهلة الاستخدام للتنبؤ بخصائص التدفق ثنائي الطور، متكاملة مع ثلاث منهجيات: طريقة تايتل وداكلر للميلان الأفقي وشبه الأفقي، نموذج بارنيا لزوايا الميلان المتنوعة، والنهج المقترح المبني على الشبكات العصبية باستخدام تطورات التعلم الآلي. صُممت الأداة لتكون سهلة الاستخدام، حيث تُنتج خرائط مفصلة لأنماط التدفق وتبسط التحليل المعقد للتدفق ثنائي الطور، مما يجعلها متاحة للأشخاص ذوي الخبرة التقنية المحدودة. ثم تتقدم الأطروحة في تطبيق شبكة الأعصاب الاصطناعية للتنبؤ بمعلمتين حرجتين: الاحتفاظ بالسائل وفقدان الضغط داخل أنظمة التدفق الثنائي الطور. استخدمت هذه الجزء من الدراسة 2651 مجموعة بيانات تجريبية لتدريب نموذج شبكة عصبية متخصص يتضمن تسع متنبئات حرجة، تغطي مجموعة واسعة من ظروف التدفق. تم إظهار فعالية النموذج من خلال دقته التنبؤية العالية - 94.38% للاحتفاظ بالسائل و98.07% لفقدان الضغط - مما يظهر تحسنا كبيرا عن الجهود السابقة ويبرز فائدته للتطبيقات العملية في مجال الهندسة وديناميكيات السوائل. بعد ذلك، يتحول التركيز نحو تطوير والتحقق من صحة نموذج الانجراف-التدفق المصمم خصيصًا لتدفقات الماء والغاز في أنابيب ذات ميلانات مختلفة. تم اختبار هذا النموذج بدقة ضد 4367 نقطة بيانات من 22 مصدرًا مختلفًا، مما يلتقط بفعالية معدلات التدفق الحجمية لكل طور بدقة 94.7% ضمن هامش خطأ ±20%. كان أداء النموذج أعلى بشكل ملحوظ من عدة نماذج انجراف-تدفق قائمة، خاصة في التدفقات العمودية، مما يشير إلى إمكاناته لتطبيق أوسع وأبحاث مستقبلية. وأخيرًا، تتناول الأبحاث فجوة كبيرة في نمذجة الانجراف-التدفق التقليدية - التقاط ديناميكيات التدفق الحلقي بدقة من خلال إعادة تعريف سرعة الانجراف لتعتمد على سرعة الغاز الحرجة، يتماشى النموذج المعدل بشكل أوثق مع الظواهر الفيزيائية الملاحظة في التدفقات الحلقية. تم التحقق من صحة هذا التكيف ضد بيانات تجريبية متنوعة ومجموعات بيانات اصطناعية تم توليدها من النموذج الموحد، حققت معدلات دقة تقريبًا مثالية بنسبة 100% ضمن نافذة خطأ ±5%. تقدم هذه الأطروحة الأطر النظرية والتطبيقات العملية للتعلم الآلي والنمذجة التقليدية في التنبؤ بالتدفقات الثنائية الطور وتضع أيضًا معيارًا أساسيًا للتجارب المستقبلية في هذا المجال الحيوي من ميكانيكا السوائل. يقدم دمج نماذج التعلم الآلي القوية مع الطرق التقليدية المحسنة ممرًا واعدًا لمعالجة ديناميكيات التدفق المعقدة في التطبيقات الصناعية والبيئية.

English Abstract

This dissertation presents an approach in the field of two-phase flow prediction by utilizing artificial neural network (ANN) and drift-flux models to surpass the predictive accuracies of existing methodologies. This comprehensive study harnesses a vast array of experimental data, utilizing modern data-driven techniques to optimize and validate machine learning models against classical two-phase flow modeling approaches. The research starts by elaborating on employing an ANN to predict flow patterns across a spectrum of pipe inclinations—from horizontal to vertical. This approach compares between traditional dimensional inputs with dimensionless counterparts such as superficial liquid and gas Reynolds numbers, mixture Froude number, and Weber number, thereby enhancing the model's applicability and accuracy. The ANN, trained on a substantial dataset of 8766 experimental observations, achieved an exemplary prediction accuracy of 97.3% for flow patterns, significantly reducing the misclassification rate to 1.7% when compared to established models like Barnea's. This dissertation presents a tool with a user-friendly interface for predicting two-phase flow characteristics, integrating three methodologies: the Taitel and Duckler method for horizontal and near-horizontal inclinations, the Barnea et al. model for varied inclination angles, and the proposed neural network-based approach utilizing machine learning advancements. Designed for user-friendliness, the tool generates detailed flow pattern maps and simplifies complex flow analysis, making it accessible to those with limited technical expertise. Then, the dissertation advances the application of ANN in predicting two critical parameters: liquid holdup and pressure drop within two-phase flow systems. This part of the study utilized 2,651 experimental datasets to train a specialized ANN model that incorporates nine critical predictors, covering a broad range of flow conditions. The model's efficacy was demonstrated through its high predictive accuracies—94.38% for liquid holdup and 98.07% for pressure drop—showcasing substantial improvements over previous efforts and highlighting its utility for real-world applications in engineering and fluid dynamics. Following that, the focus is shifted towards the development and validation of a drift-flux model specifically designed for water-gas flows in pipes of varying inclinations. This model was rigorously tested against 4367 data points from 22 different sources, effectively capturing the volumetric flow rates of each phase with an accuracy of 94.7% within a ±20% error margin. The model's performance was notably superior to several existing drift-flux models, especially in vertical flows, indicating its potential for broader application and research. Finally, the research addresses a significant gap in traditional drift-flux modeling—accurately capturing annular flow dynamics. By redefining the drift velocity to depend on gas critical velocity, the modified model aligns more closely with the physical phenomena observed in annular flows. This adaptation was validated against diverse experimental data and synthetic datasets generated from unified models, achieving near-perfect accuracy rates of 100% within a ±5% error window. This dissertation advances the theoretical frameworks and practical applications of machine learning and traditional modeling in predicting two-phase flows and also sets a foundational benchmark for future explorations in this critical area of fluid mechanics. The integration of robust machine learning models with enhanced traditional methods offers a promising avenue for tackling complex flow dynamics in industrial and environmental applications.

Item Type:	Thesis (PhD)
Subjects:	Chemical Engineering Physics Mechanical Petroleum
Department:	College of Engineering and Physics > Mechanical Engineering
Committee Advisor:	Alsarkhi, Abdelsalam
Committee Members:	Antar, Mohamed and Alhems, Luai and Bahaidarah, Haitham and Qureshi, Bilal
Depositing User:	ABDULAZIZ ALSAIF (g201802180)
Date Deposited:	20 May 2025 05:19
Last Modified:	20 May 2025 05:19
URI:	http://eprints.kfupm.edu.sa/id/eprint/143385