Halkasal eksantrik borularda akış özelliklerinin dijital görüntü işleme ve yapay zeka teknikleri kullanarak tespiti

Abstract

Sondaj işleminde akış örüntüsü, sıvı hacimsel oranı, basınç farkı ve kesinti yoğunluğu gibi akış özelliklerinin önceden tespit edilmesi açılacak sondaj kuyusu için maliyet, zaman ve kaynakların verimli kullanımı açısından büyük yarar sağlayacaktır. Literatürde, halkasal borularda iki fazlı akışkanların gerek hidrolik davranışları gerekse kesinti taşıma mekanizması ile ilgili araştırma eksikliği bulunmaktadır. Bu çalışmanın amaçlarından biri, halkasal eksantrik borularda iki fazlı ve çok fazlı akışlarda basınç kayıplarını ve akış örüntülerini deneysel olarak gözlemlemektir. İkinci amaç ise dijital görüntü işleme teknikleri ile bu akışlardaki sıvı hacimsel oranını ve kesinti yoğunluğunu tespit etmektir. Çalışmanın son amacı da yatay halkasal ortamda iki fazlı (su ve hava) akış için geleneksel mekanistik modeller yerine yapay zeka teknikleri kullanarak akış örüntüsü, sıvı hacimsel oranı ve basınç kaybı için tahmin modelleri geliştirmektir. Bu çalışmada yapay zeka tekniklerinden en yakın komşu algoritması, yapay sinir ağları ve karar ağaçları kullanılmıştır. Yapay zeka modellerinde akışın genelleştirilmesi için sıvı ve gaz fazları için yüzeysel Reynolds sayıları kullanılmıştır. Sonuçlar, geri yayılımlı sinir ağının akış özellikleri modellerinde en iyi sonucu verdiğini göstermektedir. Su ve hava akışında, 7 adet akış örüntüsü 10% hassasiyetle, sıvı hacimsel oranı ve basınç kaybı ise sırasıyla 14.4% ve 3.8% (0.0274 psi) ortalama hata payı ile tespit edilmiştir.

In drilling operations estimation of flow properties such as flow pattern, liquid holdup, pressure drop and cutting concentration is beneficial in terms of cost, time and efficient usage of resources for well to be opened. There is a lack of research both for hydraulic behavior and for cutting transportation mechanism of two phase fluids in annular geometries. One of the aims of this study is to observe the pressure drop and flow patterns experimentally in two phase and multiphase flows in eccentric annulus. The second aim is to detect the liquid holdup and cutting concentration of these flows using digital image processing techniques. The last aim is to estimate the flow pattern, liquid holdup and pressure drop for two phase (air and water) flow in horizontal eccentric annulus. This is conducted by using artificial intelligence techniques rather than conventional mechanistic models. In this study nearest neighbor algorithm, artificial neural networks, and decision trees are used as artificial intelligence technique. Flow is generalized by representing it as superficial Reynolds numbers for both liquid and gas phase. The results showed that the back propagation neural network gives the best results for estimation models. In air and water flow, 7 flow patterns are estimated with an accuracy of 10%; and liquid holdup and pressure drop are estimated with an average error of 14.4% and 3.8% (0.0274 psi), respectively.