• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
10.11606/T.18.2016.tde-16022016-134131
Documento
Autor
Nome completo
Kelen Cristina Oliveira Crivelaro
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 2004
Orientador
Banca examinadora
Seleghim Júnior, Paulo (Presidente)
Carvalho, André Carlos Ponce de Leon Ferreira de
Maciel, Carlos Dias
Marques, Flavio Donizeti
Reis, Emerson dos
Título em português
Utilização de redes neurais auto-organizativas para identificação de regimes de escoamento bifásico horizontal ar-água
Palavras-chave em português
Diagnóstico
Escoamentos bifásicos
Mapas auto-organizativos
Redes neurais
Regimes de escoamento
Resumo em português
Um dos principais problemas relacionados ao transporte e manipulação de fluidos multifásicos refere-se a existência de regimes de escoamento e sua forte influência sobre importantes parâmetros de operação. Um bom exemplo disto ocorre em reatores químicos gás-líquido no qual máximos coeficientes de reação podem ser alcançados mantendo-se um escoamento a bolhas disperso, maximizando a área interfacial total. Assim, a habilidade de identificar automaticamente regimes de escoamento é de importância crucial, especialmente para operação adequada de sistemas multifásicos. Este trabalho se constituirá no desenvolvimento e implementação de uma rede neural auto-organizativa especializada ao problema de identificação de regimes de escoamento bifásico ar-água em tubo horizontal. Os regimes reconhecidos em tubo horizontal são seis: estratificado liso, estratificado ondulado, estratificado rugoso, intermitente, bolhas e anular. Para tanto, pretende-se tomar como ponto de partida as medidas capacitivas, variação de pressão da tubulação e medida de pressão "flutuante" como padrões associativos a serem armazenados na rede neural. Posteriormente, a fase de treinamento da rede neural consistirá em identificar os coeficientes sinápticos apropriados, a partir de um conjunto representativo de ensaios. Nesse trabalho optou-se por uma arquitetura com 10 neurônios na camada de entrada, portanto uma quantidade maior do que o número de regimes que se deseja identificar. O objetivo é ver se a rede neural consegue encontrar de forma autônoma os seis regimes já conhecidos, mesmo tendo 10 neurônios na grade. Isso demonstra a habilidade da rede neural auto-organizativa em identificar regimes de escoamento mesmo em situações onde não há conhecimento prévio dos mesmos. Serão feitas simulações para verificar o desempenho da rede neural a partir de dados experimentais coletados no oleoduto piloto do Núcleo de Engenharia Térmica e Fluidos da Escola de Engenharia de São Carlos.
Título em inglês
Self-organizing neural networks for the identification of air-water horizontal two-phase flow regimes
Palavras-chave em inglês
Diagnosis
Flow regimes
Neural networks
Self-organizing maps
Two phase flow
Resumo em inglês
One of the main problems related to the transport and manipulation of multiphase flow is the existence of flow regimes and its strong influence on important parameters of operation. As an example of it occurs in gas-liquid chemical reactor in which maximum coefficients of reaction can be reached by keeping a maximal flow bubbly dispersed into a total interfacial area. Thus, the ability to identify flow regimes automatically is very important, specially in order to obtain a properly operation of multiphase systems. This work consists in the development and implementation of a self-organizing neural networks specially for the problem of identification of regimes of two-phase flow air-water in horizontal pipe. The regimes recognized in horizontal pipe are six: estratified smooth, estratified wavy, estratified rugged, intermittent, bubbly and annular. The capacitive measures, variation of pressure of the piping and measure of flutuante pressure were considered as a starting point to be stored as associative standards in the neural networks. After, the phase of training of the neural networks consisted of an appropriate identification for the sinaptic coefficients from a representative set of tests. An architectural input-layer of 10 neurons was opted. Therefore a bigger amount of regimes than the ones usually required. The objective is to see if the neural network is able to find independently the six regimes already known, even having 10 neurons in the grid. This demonstrates the ability of the self-organizing maps neural network in identifying flow regimes in situations where one does not have previous knowledge of them. Simulations will be made to verify the performance of the neural network from experimental data collected in the pilot pipe-line of the Nucleus of Thermal Engineering and Fluids of the School of Engineering of São Carlos.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2016-02-17
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2019. Todos os direitos reservados.