論文の概要: Learning characteristic parameters and dynamics of centrifugal pumps under multiphase flow using physics-informed neural networks
- arxiv url: http://arxiv.org/abs/2310.03001v2
- Date: Mon, 23 Sep 2024 15:08:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-09 10:12:15.547646
- Title: Learning characteristic parameters and dynamics of centrifugal pumps under multiphase 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: 本研究では,ESPシステムの流体特性,動的状態,重要なパラメータを間接的に推定する物理インフォームドニューラルネットワーク(PINN)モデルを提案する。
PINNモデルの有効性は,これらの圧力測定を入力データとして,未知の状態とパラメータを推定することによって検証した。
- 参考スコア（独自算出の注目度）: 1.6874375111244329
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Electrical submersible pumps (ESPs) are prevalently utilized as artificial lift systems in the oil and gas industry. These pumps frequently encounter multiphase flows comprising a complex mixture of hydrocarbons, water, and sediments. Such mixtures lead to the formation of emulsions, characterized by an effective viscosity distinct from that of the individual phases. Traditional multiphase flow meters, employed to assess these conditions, are burdened by high operational costs and susceptibility to degradation. To this end, this study introduces a physics-informed neural network (PINN) model designed to indirectly estimate the fluid properties, dynamic states, and crucial parameters of an ESP system. A comprehensive structural and practical identifiability analysis was performed to delineate the subset of parameters that can be reliably estimated through the use of intake and discharge pressure measurements from the pump. The efficacy of the PINN model was validated by estimating the unknown states and parameters using these pressure measurements as input data. Furthermore, the performance of the PINN model was benchmarked against the particle filter method utilizing both simulated and experimental data across varying water content scenarios. The comparative analysis suggests that the PINN model holds significant potential as a viable alternative to conventional multiphase flow meters, offering a promising avenue for enhancing operational efficiency and reducing costs in ESP applications.
- Abstract（参考訳）: 電気式潜水ポンプ(ESP)は、石油・ガス産業において人工揚力システムとして広く利用されている。
これらのポンプは、炭化水素、水、堆積物の複雑な混合物からなる多相流に頻繁に遭遇する。
このような混合物はエマルションの形成につながり、個々の相とは異なる有効粘性によって特徴づけられる。
これらの条件を評価するために使用される従来の多相流量計は、高い運用コストと劣化に対する感受性によって負担される。
そこで本研究では,ESPシステムの流体特性,動的状態,重要なパラメータを間接的に推定する物理インフォームドニューラルネットワーク(PINN)モデルを提案する。
ポンプからの吸気・吐出圧力測定を用いて, 確実に推定できるパラメータのサブセットについて, 包括的構造的, 実用的識別可能性分析を行った。
PINNモデルの有効性は,これらの圧力測定を入力データとして,未知の状態とパラメータを推定することによって検証した。
さらに, 各種含水シナリオのシミュレーションデータと実験データを用いて, PINNモデルの性能を粒子フィルタ法と比較した。
比較分析の結果, PINNモデルは従来の多相流速計の代替として有望な可能性を秘めており, 運用効率の向上とESPアプリケーションのコスト削減に期待できる道筋となっている。
関連論文リスト
- Efficiency of Dynamical Decoupling for (Almost) Any Spin-Boson Model [44.99833362998488]
構造ボソニック環境と結合した2レベル系の動的疎結合を解析的に検討した。
このようなシステムに対して動的疎結合が機能する十分な条件を見つける。
私たちの境界は、様々な関連するシステムパラメータで正しいスケーリングを再現します。
論文 参考訳（メタデータ） (2024-09-24T04:58:28Z) - Predictive Modeling of Flexible EHD Pumps using Kolmogorov-Arnold Networks [18.934826281169805]
我々は,コルモゴロフ・アルノルドネットワークを用いて,フレキシブル電気流体ポンプの圧力と流量を予測する新しい手法を提案する。
コルモゴロフ・アルノルドの表現定理に着想を得たカンは、固定活性化関数を学習可能なスプラインベースの活性化関数に置き換える。
カンは予測精度が優れ、平均正方形誤差は12.186、圧力と流量の予測は0.001である。
論文 参考訳（メタデータ） (2024-05-13T06:04:26Z) - Spatio-Temporal Fluid Dynamics Modeling via Physical-Awareness and Parameter Diffusion Guidance [18.861739607401322]
本稿では,時空間流体力学モデリングのための2段階フレームワークST-PADを提案する。
上流では時間特性を持つベクトル再構成モジュールを設計する。
下流では、パラメータを含む拡散確率ネットワークを用いて、流体の高品質な将来状態を生成する。
論文 参考訳（メタデータ） (2024-03-18T14:57:47Z) - Data-driven local operator finding for reduced-order modelling of plasma
systems: II. Application to parametric dynamics [3.203036813451742]
データ駆動型ローカル演算子探索アルゴリズムであるPhi Methodの2つの適応法を提案する。
パラメトリックPhi法とアンサンブルPhi法は, 2次元流体流-パスト-a-シリンダーと1次元ホール-スラスター-プラズマ放電問題によって実証される。
パラメトリックとアンサンブルの両方のテストケースにおいて、PhiメソッドはパラメトリックPDEの管理を確実に回復し、テストパラメータを正確に予測する。
論文 参考訳（メタデータ） (2024-03-03T15:09:49Z) - Characterization of partial wetting by CMAS droplets using multiphase
many-body dissipative particle dynamics and data-driven discovery based on
PINNs [1.1762713843017176]
カルシア、マグネシア、アルミナ、ケイ酸塩の混合物であるCMASは、高い粘度、密度、表面張力によって特徴付けられる。
ここでは, 多相多体散逸粒子動力学(mDPD)シミュレーションを用いて, 高融点CMAS液滴の動力学を研究する。
論文 参考訳（メタデータ） (2023-07-18T10:52:08Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Deep learning extraction of band structure parameters from density of
states: a case study on trilayer graphene [45.61296767255256]
包括的定量的理論の鍵となる要件は、材料のバンド構造パラメータの正確な決定である。
本稿では、ディープニューラルネットワークを用いた実験データからバンド構造パラメータを導出する一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-12T15:24:42Z) - Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。
局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
論文 参考訳（メタデータ） (2022-07-01T09:06:25Z) - 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) - 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)
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。