利用物理信息神经网络学习多相流下离心泵的特性参数与动力学
机器学习
2024-10-03 v2
摘要
电潜泵（ESPs）在石油与天然气工业中作为人工举升系统被普遍使用。这些泵频繁遭遇由碳氢化合物、水和沉积物的复杂混合物组成的多相流。此类混合物导致乳液形成，其有效粘度区别于各单独相的粘度。用于评估这些状况的传统多相流量计具有高运行成本且易退化。为此，本研究引入一种物理信息神经网络（PINN）模型，旨在间接估计 ESP 系统的流体性质、动态状态及关键参数。我们进行了全面的结构与实用可辨识性分析，以界定可通过使用泵入口与出口压力测量可靠估计的参数子集。PINN 模型的效能通过使用这些压力测量作为输入数据来估计未知状态与参数得到验证。此外，PINN 模型的性能在模拟与实验数据上跨不同含水率场景与粒子滤波方法进行了基准比较。对比分析表明，PINN 模型作为传统多相流量计的可行替代方案具有显著潜力，为提升 ESP 应用中的运行效率与降低成本提供了有前景的途径。
引用
@article{arxiv.2310.03001,
title = {Learning characteristic parameters and dynamics of centrifugal pumps under multiphase flow using physics-informed neural networks},
author = {Felipe de Castro Teixeira Carvalho and Kamaljyoti Nath and Alberto Luiz Serpa and George Em Karniadakis},
journal= {arXiv preprint arXiv:2310.03001},
year = {2024}
}