Ключевые слова: численное моделирование, OpenFOAM, двухфазный поток, водонефтяная смесь, нейронные сети, многоклассновая классификация, python, карта течения.
Многофазные потоки в нефтегазовой отрасли представляют собой сложный объект моделирования. Классические подходы на основе численного моделирования обеспечивают высокую точность, но требуют значительных вычислительных ресурсов. В последние годы активно развиваются методы искусственного интеллекта, позволяющие ускорять расчёты за счёт использования обученных моделей. Целью настоящей работы является разработка гибридной методологии, объединяющей моделирование и нейронные сети для прогнозирования параметров многофазного потока.
Обзор литературы
Вопросы моделирования многофазных потоков традиционно решаются при помощи эмпирических корреляций (Beggs & Brill, Taitel & Dukler и др.). Однако эти подходы ограничены узким диапазоном применимости. CFD-модели дают более точные результаты, но остаются вычислительно затратными (Issa, 1986; OpenFOAM Foundation, 2022). В последние годы активно исследуются методы машинного обучения для классификации режимов течения (Zhang et al., 2021; Li et al., 2022). Использование MLP в качестве ускорителя расчётов представляет собой перспективное направление исследований.
Объект и методы исследования
Многослойный перцептрон
Многослойный перцептрон (MLP) представляет собой классическую архитектуру искусственной нейронной сети, в которой нейроны расположены слоями и соединены между собой полносвязными связями. Каждый нейрон скрытых слоёв выполняет линейное преобразование входных данных с последующим применением функции активации, что позволяет сети аппроксимировать сложные нелинейные зависимости. В данной работе использованы два скрытых слоя по 128 нейронов с функцией ReLU, обеспечивающей устойчивость градиентного спуска. Для обучения сети использовался оптимизатор Adam, а процесс обучения включал минимизацию функции потерь: среднеквадратичной ошибки (MSE) для прогноза перепада давления и кросс-энтропии для классификации режимов течения. Такой подход позволил объединить регрессионные и классификационные задачи в единой модели, сохранив простоту и высокую скорость работы MLP.
Описание особенностей потока
На первом этапе исследования было проведено CFD-моделирование. Для этого использовался программный пакет OpenFOAM, который позволил воспроизвести поведение газо-жидкостного потока в вертикальном трубопроводе диаметром 50 мм и длиной 10 м. В расчетах учитывались различные соотношения газовой и жидкой фаз, включая диапазон обводненности от 0 до 90%, а также различные скорости потока (от 0,1 до 5 м/с). В результате были получены распределения давления и скорости, а также визуализированы режимы течения, что позволило сформировать исходный массив данных для дальнейшего анализа.
На втором этапе из результатов CFD-моделирования были извлечены ключевые параметры, среди которых перепад давления, распределение фаз, скорости движения жидкости и газа, а также тип режима течения. На основе этих данных была сформирована обучающая выборка, включающая около 20 000 случаев. Такая база позволила обеспечить разнообразие примеров и охват широкого диапазона условий течения.
Обучение модели проводилось на 80% выборки, тогда как оставшиеся 20% использовались для тестирования. В качестве оптимизатора применялся алгоритм Adam, обеспечивающий быстрое и устойчивое сходимое решение. Для регрессионной части функции потерь использовалась среднеквадратичная ошибка (MSE), а для классификации — кросс-энтропия. Обучение велось в течение 200 эпох с размером батча 64.
Результаты и обсуждения
Матрица ошибок классификации режимов течения
Ниже в таблице показаны результаты работы нейронной сети. Представлены истинные и предсказанные значения для четырех режимов: пузырьковый, пробковый, эмульсионный и кольцевой. Модель корректно определяет большинство режимов, общая точность достигает 95.1 %.
Таблица 1. Матрица ошибок классификации режимов течения.
Рисунок 1. График зависимости доли верных ответов от количества эпох в процессе обучения для данных численного моделирования. Для 200 эпох.
Выводы
Использование MLP позволило существенно ускорить прогнозирование при высокой точности результатов. В отличие от сверточных и рекуррентных сетей, MLP обеспечивает простоту реализации и устойчивость при небольшом количестве входных параметров. Основным ограничением метода является необходимость предварительного проведения CFD-моделирования для формирования обучающей выборки.
Предлагаемый подход имеет значительный потенциал для применения в будущем в промышленных и инженерных системах. При этом может обеспечить более точные прогнозы и предоставить операторам систем более надежные инструменты для контроля и оптимизации двухфазных потоков в вертикальных трубопроводах.
Литература
1. Beggs, H.D., Brill, J.P. (1973). A study of two-phase flow in inclined pipes. Journal of Petroleum Technology.
2. Taitel, Y., Dukler, A.E. (1976). A model for predicting flow regime transitions in horizontal and near horizontal gas-liquid flow. AIChE Journal.
3. Issa, R.I. (1986). Solution of the implicitly discretized fluid flow equations by operator-splitting. Journal of Computational Physics.
4. OpenFOAM Foundation (2022). OpenFOAM User Guide.
5. Zhang, X., Wang, Y., Chen, H. (2021). Machine learning approaches for flow regime classification. Chemical Engineering Science.
6. Li, J., Zhao, P., Xu, Q. (2022). Deep learning in multiphase flow regime identification. Journal of Petroleum Science and Engineering.
