論文の概要: Learning characteristic parameters and dynamics of centrifugal pumps
under multi-phase flow using physics-informed neural networks
- arxiv url: http://arxiv.org/abs/2310.03001v1
- Date: Wed, 4 Oct 2023 17:40:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 13:41:53.483709
- Title: Learning characteristic parameters and dynamics of centrifugal pumps
under multi-phase flow using physics-informed neural networks
- Title(参考訳): 物理インフォームドニューラルネットワークを用いた多相流中遠心ポンプの学習特性パラメータとダイナミクス
- Authors: Felipe de Castro Teixeira Carvalho, Kamaljyoti Nath, Alberto Luiz
Serpa, George Em Karniadakis
- Abstract要約: 電気式潜水ポンプ(Electric Submersible pumps、ESP)は、石油・ガス産業において2番目に使われている人工揚水装置である。
我々は,物理情報ニューラルネットワーク(PINN)に基づく機械学習モデルを定式化し,重要なシステムパラメータを推定する。
- 参考スコア(独自算出の注目度): 1.8434042562191815
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electrical submersible pumps (ESP) are the second most used artificial
lifting equipment in the oil and gas industry due to their high flow rates and
boost pressures. They often have to handle multiphase flows, which usually
contain a mixture of hydrocarbons, water, and/or sediments. Given these
circumstances, emulsions are commonly formed. It is a liquid-liquid flow
composed of two immiscible fluids whose effective viscosity and density differ
from the single phase separately. In this context, accurate modeling of ESP
systems is crucial for optimizing oil production and implementing control
strategies. However, real-time and direct measurement of fluid and system
characteristics is often impractical due to time constraints and economy.
Hence, indirect methods are generally considered to estimate the system
parameters. In this paper, we formulate a machine learning model based on
Physics-Informed Neural Networks (PINNs) to estimate crucial system parameters.
In order to study the efficacy of the proposed PINN model, we conduct
computational studies using not only simulated but also experimental data for
different water-oil ratios. We evaluate the state variable's dynamics and
unknown parameters for various combinations when only intake and discharge
pressure measurements are available. We also study structural and practical
identifiability analyses based on commonly available pressure measurements. The
PINN model could reduce the requirement of expensive field laboratory tests
used to estimate fluid properties.
- Abstract(参考訳): 電気潜水ポンプ(esp)は、高流量と上昇圧力のため、石油・ガス業界で2番目に使われている人工揚降装置である。
通常、炭化水素、水および/または堆積物の混合物を含む多相流を扱う必要がある。
このような状況から、エマルションは一般的に形成される。
粘度と密度が単相とは別々に異なる2つの非混和性流体からなる液液流である。
この文脈では、espシステムの正確なモデリングは石油生産の最適化と制御戦略の実装に不可欠である。
しかし, 流体特性とシステム特性のリアルタイム・直接測定は, 時間的制約や経済性により現実的ではないことが多い。
したがって、間接的手法は一般にシステムパラメータを推定すると考えられる。
本稿では,物理情報ニューラルネットワーク(PINN)に基づく機械学習モデルを定式化し,重要なシステムパラメータを推定する。
提案したPINNモデルの有効性を検討するために,シミュレーションデータだけでなく,異なる水-油比に関する実験データを用いて計算研究を行う。
吸気圧と放電圧の測定のみが可能な状態変数のダイナミクスと未知パラメータを様々な組み合わせで評価する。
また,一般的な圧力測定に基づく構造的および実用的識別可能性分析についても検討した。
PINNモデルは、流体特性を推定するために使われる高価な実験室試験の要求を減らすことができる。
関連論文リスト
- Multiple Case Physics-Informed Neural Network for Biomedical Tube Flows [0.0]
管状地形の流体力学計算は, 血管および気道の流体力学のバイオメディカル評価に重要である。
物理インフォームドニューラルネットワーク(PINN)は、従来の計算流体力学法に取って代わるものとして登場した。
論文 参考訳(メタデータ) (2023-09-26T22:15:49Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - FluidLab: A Differentiable Environment for Benchmarking Complex Fluid
Manipulation [80.63838153351804]
複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。
私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。
微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
論文 参考訳(メタデータ) (2023-03-04T07:24:22Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2023-01-19T20:04:36Z) - Data-driven, multi-moment fluid modeling of Landau damping [6.456946924438425]
プラズマ系の流体偏微分方程式(PDE)を学習するために,ディープラーニングアーキテクチャを適用した。
学習した多モーメント流体PDEはランダウ減衰などの運動効果を取り入れることを示した。
論文 参考訳(メタデータ) (2022-09-10T19:06:12Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳(メタデータ) (2021-10-18T14:43:50Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳(メタデータ) (2021-06-10T13:07:33Z) - A Gradient-based Deep Neural Network Model for Simulating Multiphase
Flow in Porous Media [1.5791732557395552]
多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。
GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
論文 参考訳(メタデータ) (2021-04-30T02:14:00Z) - Learning Unknown Physics of non-Newtonian Fluids [56.9557910899739]
我々は,2つの非ニュートン系の粘度モデルを学ぶために,物理インフォームドニューラルネットワーク(PINN)法を拡張した。
PINNで推論された粘度モデルは、絶対値が大きいが、せん断速度が0に近い場合の実験的モデルと一致する。
PINN法を用いて,境界条件のみを用いて非ニュートン流体の運動量保存方程式を解く。
論文 参考訳(メタデータ) (2020-08-26T20:41:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。