Journal of Petroleum & Environmental Biotechnology

Abstrait

Mise en œuvre réussie de l'intelligence artificielle et de l'apprentissage automatique dans la modélisation par proxy intelligent des écoulements multiphasiques : deux études de cas de modèles CFD gaz-liquide et gaz-solide

Amir Ansari, S. Sina Hosseini Boosari, Shahab D. Mohaghegh

Il est presque impossible de résoudre les problèmes d'écoulement des fluides modernes sans l'utilisation de la dynamique des fluides numérique (CFD). Dans l'industrie pétrolière, les simulations d'écoulement aident les ingénieurs à développer la conception de puits la plus efficace et il est essentiel de comprendre les détails de l'écoulement multiphasique. Cependant, malgré la grande précision, la réalisation de la simulation numérique ne permet pas de fournir les résultats requis en temps opportun. Cet article présente deux études de cas de modèles proxy intelligents (SPM) utilisant des techniques d'intelligence artificielle (IA) et d'apprentissage automatique (ML) pour évaluer le comportement du système chaotique et prédire les caractéristiques dynamiques, notamment la pression, la vitesse et l'évolution de la fraction de phase au sein du processus à chaque pas de temps à un temps d'exécution beaucoup plus court. Les cas proposés se concentrent sur les problèmes de rupture de barrage 2D et de lit fluidisé 3D, en utilisant respectivement les applications logicielles OpenFOAM et MFiX, CFD. Cet article se concentre sur la construction et l'amélioration des modèles de réseaux neuronaux artificiels (ANN) caractérisés par la méthode de propagation rétroactive et l'algorithme de Levenberg-Marquardt (LMA). Chaque étude de cas contient plusieurs scénarios pour améliorer progressivement les capacités du modèle à prévoir les paramètres dynamiques. Les résultats des deux cas indiquent que 8 à 10 heures de temps de calcul pour exécuter la simulation CFD se réduisent à quelques minutes lorsqu'elles sont effectuées par des modèles développés basés sur l'IA, avec moins de 10 % d'erreur pour l'ensemble du processus.