WO2004063983A2 - Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones - Google Patents

Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones Download PDF

Info

Publication number
WO2004063983A2
WO2004063983A2 PCT/FR2003/003583 FR0303583W WO2004063983A2 WO 2004063983 A2 WO2004063983 A2 WO 2004063983A2 FR 0303583 W FR0303583 W FR 0303583W WO 2004063983 A2 WO2004063983 A2 WO 2004063983A2
Authority
WO
WIPO (PCT)
Prior art keywords
flow
regimes
different
neural networks
probabilities
Prior art date
Application number
PCT/FR2003/003583
Other languages
English (en)
Other versions
WO2004063983A3 (fr
Inventor
Isabelle Rey-Fabret
Véronique Henriot
Quang-Huy Tran
Original Assignee
Institut Francais Du Petrole
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institut Francais Du Petrole filed Critical Institut Francais Du Petrole
Priority to GB0513744A priority Critical patent/GB2412466B/en
Priority to US10/538,089 priority patent/US7177787B2/en
Priority to BR0317152-3A priority patent/BR0317152A/pt
Publication of WO2004063983A2 publication Critical patent/WO2004063983A2/fr
Publication of WO2004063983A3 publication Critical patent/WO2004063983A3/fr
Priority to NO20052731A priority patent/NO20052731L/no

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the present invention relates to a method for modeling in real time, by neural networks, hydrodynamic characteristics of multiphase flows in transient phase in conduits.
  • the method finds applications in particular for the modeling of the flows of hydrocarbons in oil pipes.
  • the transportation of hydrocarbons from production sites to processing units is an important link in the oil chain. It is a delicate link because of the complexity of the interactions between the phases constituting the effluents transported.
  • the primary objective of operators is to achieve optimum productivity under the best possible safety conditions. They must therefore manage speed and temperature as well as possible, to avoid unnecessary pressure losses, unwanted deposits and irregularities in flow.
  • the generally used method consists in best modeling the transport of complex multiphase flows so as to provide at all times a picture of the flows in the different parts of the production chain, taking into account the precise constitution of the effluent, the flows and pressures and flow regimes.
  • the complexity of the simulation tools is like that of the modeled phenomena. Accuracy and performance can only be obtained after a relatively long modeling time, which is hardly compatible with real-time management.
  • Another approach allowing, alone or in parallel with the above modeling methods, to manage parameters of a circulation of fluids in real time uses neural networks.
  • Neural networks as we recall, define a data processing mode simulating the functioning of biological neuron systems.
  • an element performs a relatively simple calculation such as a weighted sum of the signals present at its inputs applied to a non-linear function, which determines the state of its output.
  • a large number of such elements are interconnected in series and in parallel.
  • a suitable choice of weighting factors allows the network to perform complex functions.
  • So-called backpropagation networks for example use multiple layers of elements defined above. The adaptation of such a network to a specific task is done by "training" the network on a certain number of examples and by adjusting the weighting factors for each element to the appropriate values.
  • a neural network proceeds according to a non-linear regression method, which is all the more efficient compared to conventional methods.
  • MLP Multi Layer Perceptron
  • Kohonen networks well known to specialists.
  • we perform a modeling of the flow regime by forming a non-linear neural network with an input layer with as many inputs as structure parameters and physical quantities, an output layer with as many outputs as quantities necessary for the estimation of the flow regime and at least one intermediate layer, constituting a learning base with predefined tables connecting different values obtained for the output data to the corresponding values of the input data, and determining by iterations the weighting factors of the activation function making it possible to correctly relate the values in the tables of the input and output data.
  • neuron output data is analyzed so as to sort, from the values of the neural network output data, the only relevant data to be taken into account in the iterative determination of the weighting coefficients of the activation function. .
  • the module must be integrated into a general hydrodynamic and thermodynamic model of simulation of multiphase flows
  • flows are considered globally, without making a distinction according to the different possible flow regimes of fluids in the pipe: stratified flows, dispersed flows, intermittent flows, whose behaviors are different. This can generate modeling errors which are sometimes too large with regard to the quality of estimation required for production monitoring. In addition, they do not take into account the existence of simple models (for example analytical models) translating in mathematical form the characteristics of one (or more) flow regime (s).
  • the object of the method according to the invention is to construct a model for simulating in real time the hydrodynamic behavior of a flow of multiphase fluids in a transient phase in a pipe, taking account of fixed operating conditions relating to a certain number of parameters. defined structural relating to driving, and a set of defined physical quantities, with ranges of variation fixed for said parameters and said physical quantities.
  • Specialized neural networks are used, each dedicated to a defined task, the outputs of which are combined with weightings under the control of an evaluation neural network to produce results necessary for the estimation of hydrodynamic behavior, these networks receiving on their inputs of the parameters of structure and physical quantities, the neural networks being formed iteratively to adjust to the values of basic learning.
  • the method essentially includes the following steps:
  • a modeling tool is used to form specific learning bases corresponding respectively to different flow regimes of fluids in the pipe, each of them grouping together parameter values specifically characterizing a flow regime and a base d specific learning gathering probability values from the different regimes, by analyzing data from the learning bases;
  • the neural evaluation network is formed to make it capable of evaluating at all times the probabilities that the flow in the pipe corresponds respectively to the different flow regimes by reference to the probability values obtained for each of the flow regimes;
  • the method comprises the construction of at least three neural networks dedicated respectively to the stratified flow regime, to the dispersed flow regime and to the intermittent flow regime, the probabilities are evaluated that the flow of fluids in the pipe corresponds respectively to the three flow regimes and the results are linearly combined with the outputs of the three dedicated neural networks by weighting them by said probabilities.
  • the method retains the capacity of the above-mentioned methods to perform the simulation of flows in real time, and the results obtained take advantage of the regularity of the estimation function obtained.
  • the input data come from:
  • Each model produces, for example at the output, the hydrodynamic behavior of the effluents, and, in particular, the flow regime.
  • D evaluates and delivers on two main outputs, hydrodynamic data in the pipe part for which it is desired to determine the flow regime, the difference dN of speed between gas and liquid for example, or the fraction ⁇ ( ⁇ e [ ⁇ ; l ]) flow of the regime treated by him.
  • Other quantities qualifying the flow regime can be calculated from these two outputs.
  • the outputs provided by the experts are essentially the speed differences between the phases, under the assumption of a certain flow regime (for example, the Laminated expert delivers the estimate of the speed difference between the phases in the 'hypothesis of a stratified flow).
  • the outputs provided by the probability network is the probability of belonging to each of the flow regimes processed by expert networks, knowing the inputs.
  • the different neural networks or experts dedicated to the different flow regimes are preferably Multi Layer Perceptron (MLP) networks.
  • MLP Multi Layer Perceptron
  • the number of hidden layers and the number of neurons that compose them are determined from the learning and validation results of the networks.
  • the network is fully connected.
  • the non-linearity of this network is obtained either by a sigmoid activation function governing the behavior of neurons in the hidden layer, or the identity function or the softmax functions for the output layer.
  • Neural networks have an input layer, one or two hidden layers, and an output layer.
  • the activation functions of the various neurons are either the sigmoid function (for the hidden layers), the identity function or the softmax function (for the output layers).
  • the weights of each of the networks or experts are determined at the end of a learning phase; during this phase, we feed them with a set of data constituting their learning base, and we optimize the configuration and the weights of the network by minimizing the errors observed for all the samples in the database, between the data output from the network calculation and the data expected at the output, given by the base.
  • the errors can be the absolute errors between the input and output quantities or the relative errors, depending on the desired performance for the network.
  • the generalization capabilities of the network are then tested on its ability to properly calculate the two outputs for inputs that are unknown to it.
  • the databases used are of different types:
  • each base contains pairs of input / output values, each output value being the desired value of the quantity estimated in the case of the flow regime processed by the dedicated network;
  • the desired output is a vector of magnitude equal to the number N ⁇ om of flow regimes considered (in the example of FIG. 1, the vector is of dimension 3); this vector contains (N flmvs -1) zero values, and a value equal to 1, which corresponds to the probability that the flow regime of fluids in the pipe corresponds to that of which the dedicated neural network deals.
  • the initial learning base includes the data defined above: geometric data, data describing the fluid, the mixture, etc. From this basis, by forcing the simulation tool to interpret the results it gives respectively in terms of specific flow, for example in terms of stratified flow, then dispersed flow then intermittent flow, we constitute as many dedicated bases as there are flow regimes in the pipe, each of them grouping together parameter values specifically characterizing a flow regime.
  • the simulation tool is also used to form a specific learning base gathering probability values from the different regimes, by analyzing data from the initial learning base.
  • the different dedicated neural networks E Stm , E Dlip , E lni for example
  • the neural evaluation network R ProJfl
  • the neural evaluation network is also formed to make it capable of evaluating at all times the probabilities that the flow in the pipe corresponds respectively to the different regimes d 'flow by reference to the probability values obtained for each of the flow regimes.
  • the results provided by the different neural networks weighted by said probabilities are combined, in accordance with equation (1).
  • the probability estimation function makes it possible to create a global hydrodynamic law from the different flow laws modeled by the different dedicated neural models.
  • the transition between two flow laws is more or less steep (more or less strong derivative) according to the precision given to the estimation of the probabilities, but it is continuous, which eliminates the possible uncertainties in the results of the model related to l existence of discontinuities.
  • the global model is suitable either for use independent of any other module, or for integration into a complete model.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Measuring Volume Flow (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

Méthode pour modéliser en temps réel par des réseaux de neurones, des caractéristiques hydrodynamiques d’écoulements polyphasiques en phase transitoire dans des conduites. Pour tenir compte spécifiquement des régimes d’écoulement possibles des fluides dans les conduites, des fluides, on forme différent modèles neuronaux ou « experts » pour plusieurs régimes d’écoulement dans l’ensemble du domaine de variation des caractéristiques hydrodynamiques des écoulements (de préférence pour chacun d’eux), et aussi un modèle neuronal estimant la probabilité d’appartenance des écoulements à chaque régime d’écoulement connasissant certaines de ses caractéristique. Les probabilités obtenues servent à pondérer les estimations délivrées par chacun des modèles neuronaux ci-après désignés par « experts », le résultat de la somme pondérée étant alors l’estimation finalement retenue. Applications dans différentes industries et notamment à la modélisation d’écoulements d’hydrocarbures dans des conduites pétrolières.

Description

METHODE POUR MODELISER DES CARACTERISTIQUES
HYDRODYNAMIQUES D'ECOULEMENTS POLYPHASIQUES PAR RESEAUX DE NEURONES
Désignation du domaine technique
La présente invention concerne une méthode pour modéliser en temps réel par des réseaux de neurones, des caractéristiques hydrodynamiques d'écoulements polyphasiques en phase transitoire dans des conduites.
La méthode trouve des applications notamment pour la modélisation des écoulements d'hydrocarbures dans des conduites pétrolières. -
Etat de la technique
L'acheminement des hydrocarbures depuis les sites de production jusqu'aux unités de traitement constitue un maillon important de la chaîne pétrolière. C'est un maillon délicat en raison de la complexité des interactions entre les phases constituant les effluents transportés. Les opérateurs ont pour objectif premier d'atteindre une productivité optimale dans les meilleures conditions de sécurité. Ils doivent donc gérer au mieux la vitesse et la température, pour éviter des pertes de charges superflues, des dépôts indésirables et des irrégularités d'écoulement. La méthode généralement utilisée consiste à modéliser au mieux le transport de flux polyphasiques complexes de façon à fournir à chaque instant une image des écoulements dans les différentes parties de la chaîne de production, tenant compte de la constitution précise de l'effluent, les débits et pressions et les régimes d'écoulement. Il existe actuellement différents outils logiciels de simulation du transport de flux polyphasiques complexes, permettant à une stade précoce de concevoir des équipements de production adaptés.
Par les brevets US 5 550 761, FR 2.756.044 (US 6 028 992) et FR 2 756 045 (US 5 960 187) du demandeur, notamment, on connaît des méthodes et outils de modélisation permettant de simuler le transport de flux polyphasiques complexes en régime permanent ou transitoire et capables de prendre en compte des phénomènes d'instabilité qui se produisent du fait de la géométrie irrégulière du terrain où passe la conduite ou de la topographie de celle-ci, que les spécialistes désignent par « terrain slugging » ou « severe slugging ».
La complexité des outils de simulation est à l'image de celle des phénomènes modélisés. Précision et performances ne peuvent être obtenues qu'après un temps de modélisation relativement important qui s'avère difficilement compatible avec une gestion en temps réel.
Une autre approche permettant seule ou en parallèle avec les méthodes de modélisation ci-dessus, de gérer en temps réel des paramètres d'une circulation de fluides met en œuvre des réseaux neuronaux.
Les réseaux neuronaux définissent on le rappelle un mode de traitement de données simulant le fonctionnement des systèmes de neurones biologiques. Dans de tels réseaux, un élément réalise un calcul relativement simple tel qu'une somme pondérée des signaux présents à ses entrées appliquée à une fonction non-linéaire, qui détermine l'état de sa sortie. On utilise un nombre important de tels éléments interconnectés en série et en parallèle. Un choix convenable des facteurs de pondération permet au réseau de réaliser des fonctions complexes. Les réseaux dits à rétropropagation par exemple utilisent des couches multiples d'éléments définis ci-dessus. L'adaptation d'un tel réseau à une tâche précise est faite en « entraînant » le réseau sur un certain nombre d'exemples et en ajustant les facteurs de pondération pour chaque élément aux valeurs, qui conviennent. On présente des valeurs d'entrée au réseau, on analyse la valeur de sortie produite par le réseau et on modifie les facteurs de pondération pour minimiser au mieux l'écart entre la valeur effective à la sortie et la valeur attendue dans l'exemple choisi. Après un entraînement suffisant, le réseau est adapté à répondre à de nouvelles valeurs d'entrée pour lesquelles la valeur de sortie n'est pas connue a priori et à produire une valeur de sortie adaptée. Dans son principe, un réseau de neurones procède selon une méthode de régression non linéaire, d'autant plus performante par rapport aux méthodes classiques. Deux types de réseaux peuvent être mis en œuvre, les réseaux MLP (Multi Layer Perceptron) principalement ou les réseaux de Kohonen, bien connus des spécialistes.
Par le brevet EPI 176 481 du demandeur, on connaît une méthode pour estimer en temps réel le régime d'écoulement en tout point d'une conduite de structure définie par un certain nombre de paramètres structurels et physiques, d'une veine de fluide polyphasique définie par plusieurs grandeurs physiques et comprenant des phases liquides et gazeuses. Suivant cette méthode, on réalise une modélisation du régime d'écoulement en formant un réseau neuronal non linéaire avec une couche d'entrée avec autant d'entrées que de paramètres de structure et de grandeurs physiques, une couche de sortie avec autant de sorties que de grandeurs nécessaires à l'estimation du régime d'écoulement et au moins une couche intermédiaire, en constituant une base d'apprentissage avec des tables prédéfinies reliant différentes valeurs obtenues pour les données de sortie aux valeurs correspondantes des données d'entrée, et en déterminant par itérations des facteurs de pondération de la fonction d'activation permettant de relier correctement les valeurs dans les tables des données d'entrée et de sortie.
De préférence, on analyse des données de sortie des neurones de façon à trier, parmi les valeurs des données de sortie du réseau de neurones, les seules données pertinentes à prendre en compte dans la détermination itérative des coefficients de pondération de la fonction d'activation.
Par le brevet EP 1 217 474 également du demandeur, on connaît une méthode permettant de construire un module (hydrodynamique ou thermodynamique par exemple) le mieux adapté à des conditions opératoires fixées dépendant de la structure de la conduite, et sur un ensemble de grandeurs physiques définies (grandeurs hydrodynamiques ou thermodynamiques par exemple), avec des gammes de variation fixées pour les paramètres et les grandeurs physiques. On adapte la base d'apprentissage aux conditions opératoires imposées et on génère des réseaux neuronaux optimisés s 'ajustant au mieux aux conditions opératoires imposées. Dans le cas, par exemple, où le module doit être intégré à un modèle général à la fois hydrodynamique et thermodynamique de simulation d'écoulements polyphasiques, on utilise le modèle pour former la base d'apprentissage, de manière à sélectionner l'ensemble de grandeurs physiques le mieux adapté au fonctionnement du modèle, ainsi que les gammes de variation fixées pour les dits paramètres et les dites grandeurs physiques, et l'on génère les réseaux neuronaux optimisés s' ajustant au mieux à la base d'apprentissage formée.
Dans les méthodes antérieures citées, on considère les écoulements de façon globale, sans faire de distinction selon les différents régimes possibles d'écoulement des fluides dans la conduite : écoulements stratifiés, écoulements dispersés, écoulements intermittents, dont les comportements sont différents. Ceci peut générer des erreurs de modélisation parfois trop importantes vis-à-vis de la qualité d'estimation requise pour le suivi de production. De plus, elles ne tiennent pas compte de l'existence de modèles simples (par exemple des modèles analytiques) traduisant sous forme mathématique des caractéristiques d'un (ou plusieurs) régime(s) d'écoulement.
La méthode selon l'invention
La méthode selon l'invention a pour objet la construction d'un modèle pour simuler en temps réel le comportement hydrodynamique d'un écoulement de fluides polyphasiques en phase transitoire dans une conduite, compte tenu de conditions opératoires fixées portant sur un certain nombre de paramètres structurels définis relatifs à la conduite, et d'un ensemble de grandeurs physiques définies, avec des gammes de variation fixées pour les dits paramètres et les dites grandeurs physiques. Des réseaux de neurones spécialisés sont utilisés dédiés chacun à une tâche définie, dont les sorties sont combinées avec des pondérations sous contrôle d'un réseau de neurones d'évaluation pour produire des résultats nécessaires à l'estimation du comportement hydrodynamique, ces réseaux recevant sur leurs entrées des paramètres de structure et des grandeurs physiques, les réseaux de neurones étant formés itérativement pour s'ajuster aux valeurs de bases d'apprentissage.
La méthode compOrte essentiellement les étapes suivantes :
- on utilise un outil de modélisation pour former des bases d'apprentissage spécifiques correspondant respectivement à des régimes différents d'écoulement des fluides dans la conduite, chacune d'elles regroupant des valeurs de paramètres caractérisant spécifiquement un régime d'écoulement et une base d'apprentissage spécifiques regroupant des valeurs de probabilité des différents régimes, par analyse de données des bases d'apprentissage ;
on forme différents réseaux neuronaux dédiés pour les rendre spécifiquement aptes à modéliser respectivement les régimes différents d'écoulement des fluides, par référence aux valeurs de paramètres correspondant à chacun des régimes d'écoulement ;
on forme le réseau neuronal d'évaluation pour le rendre apte à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents régimes d'écoulement par référence aux valeurs de probabilité obtenus pour chacun des régimes d'écoulement ; et
- on combine les résultats fournis par les différents réseaux neuronaux pondérés par les dites probabilités.
Suivant un exemple de mise en œuvre, la méthode comporte la construction d'au moins trois réseaux neuronaux dédiés respectivement au régime d'écoulement stratifié, au régime d'écoulement dispersé et au régime d'écoulement intermittent, on évalue les probabilités que l'écoulement des fluides dans la conduite corresponde respectivement aux trois régimes d'écoulement et on combine linéairement les résultats aux sorties des trois réseaux neuronaux dédiés en les pondérant par les dites probabilités.
Quand les connaissances physiques le permettent, on peut détailler plus finement les régimes d'écoulement en distinguant des sous-familles d'écoulements ; le nombre d'experts contenus dans le modèle global augmente d'autant.
A partir d'une base de données suffisamment détaillée pour distinguer des sous- régimes à l'intérieur d'un même régime d'écoulement, on utilise l'outil de modélisation pour former des bases d'apprentissage spécifiques correspondant à ces sous-régimes, on forme différents réseaux neuronaux dédiés pour les rendre spécifiquement aptes à modéliser respectivement les sous-régimes, on construit un réseau neuronal d'évaluation (RNγ[oba ) adapté à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents sous-régimes d'écoulement distingués dans les différents régimes d'écoulement, et, on combine les résultats fournis par les différents réseaux neuronaux en les pondérant par les dites probabilités. Les résultats d'estimation obtenus sont d'autant plus précis :
qu'on développe un modèle neuronal par régime d'écoulement, ce qui permet de prendre en compte les particularités de la physique contenu dans chacune des lois représentées0; et
- que le lien continu et dérivable (au sens mathématique) qui permet la transition entre les différentes lois, est créé par un réseau de neurones ou expert spécifique.
Par ailleurs, la méthode conserve la capacité des méthodes précédentes citées à effectuer la simulation des écoulements en temps réel, et les résultats obtenus tirent profit de la régularité de la fonction d'estimation obtenue.
DESCRIPTION DÉTAILLÉE DE LA MÉTHODE
On considère une circulation de fluides polyphasiques dans une conduite avec au moins une phase liquide et au moins une phase gazeuse, et l'on cherche à construire un modèle permettant, à partir d'un certain nombre de données d'entrées géométriques et physiques relatives à la conduite et de données physiques sur les fluides, de donner à chaque instant et pour chaque section de la veine fluide une estimation du régime d'écoulement. A cet effet, comme on l'a vu, on utilise (Fig.l) différents réseaux neuronaux dédiés adaptés spécifiquement à différents régimes d'écoulement Nβows au sein de la conduite. On construit par exemple un réseau expert EStm , modélisant spécifiquement les écoulements stratifiés, un autre, EIm , modélisant spécifiquement les écoulements intermittents et un troisième, EDi , modélisant spécifiquement les écoulements dispersés.
On construit également un modèle neuronal RNΑoba chargé spécifiquement d'évaluer à chaque instant la probabilité pSlm , pInl , et pDisp . Si SStra , SInt et SD sont respectivement
les valeurs en sortie des trois experts, on construit alors une fonction d'évaluation S telle que :
Figure imgf000008_0001
Entrées et sorties des différents modèles neuronaux ou experts composant le modèle hydrodynamique
Quel que soit le modèle neuronal considéré, les données d'entrée sont issues :
- de données géométriques : diamètre de la conduite, rugosité, inclinaison, etc.,
- de données décrivant les caractéristiques du fluide : masses volumiques des phases, viscosités des phases, etc.,
de données caractérisant le mélange : fraction de gaz, tension superficielle gaz/liquide, etc.,
de combinaisons linéaires ou non linéaires de ces entrées,
- mais aussi de modèles simplifiés, continus ou non, contenant une information sur la physique du mélange.
Chaque modèle produit par exemple en sortie le comportement hydrodynamique des effluents, et, notamment, le régime d'écoulement. D évalue et délivre sur deux sorties principales, des données hydrodynamiques dans la partie de conduite dont on souhaite déterminer le régime d'écoulement, la différence dN de vitesse entre gaz et liquide par exemple, ou la fraction β (β e [θ ; l]) d'écoulement du régime traité par lui. D'autres grandeurs qualifiant le régime d'écoulement peuvent être calculées à partir de ces deux sorties.
Les sorties fournies par les experts sont essentiellement les différences de vitesse entre les phases, sous l'hypothèse d'un certain régime d'écoulement (par exemple, l'expert Stratifié délivre l'estimation de la différence de vitesse entre les phases dans l'hypothèse d'un écoulement stratifié).
Les sorties fournies par le réseau de probabilités est la probabilité d'appartenance à chacun des régimes d'écoulement traités par les réseaux experts, connaissant les entrées.
Structure des réseaux
Les différents réseaux de neurones ou experts dédiés aux différents régimes d'écoulement sont de préférence des réseaux de type Multi Layer Perceptron (MLP) bien connus des gens de l'art. Ils comportent chacun (Fig-2) une couche d'entrée composée d'un certain nombre Nt de neurones correspondant à Nt données d'entrée du modèle physique complet, une couche de sortie de deux neurones par exemple correspondant à deux paramètres recherchés dN et β, et au moins une couche intermédiaire, dite couche cachée, dont le nombre de neurones Νc est optimisé. Le nombre de couches cachées et le nombre de neurones qui les composent, sont déterminés à partir des résultats d'apprentissage et de validation des réseaux. Le réseau est totalement connecté. La non linéarité de ce réseau est obtenue soit par une fonction d'activation sigmoïde régissant le comportement des neurones de la couche cachée, soit la fonction identité ou la fonctions softmax pour la couche de sortie.
Les réseaux de neurones comportent une couche d'entrée, une ou deux couches cachées, et une couche de sortie. Les fonctions d'activation des différents neurones, bien connues des gens de l'art, sont soit la fonction sigmoïde (pour les couches cachées), soit la fonction identité ou la fonction softmax (pour les couches de sortie).
Apprentissage
Les poids de chacun des réseaux ou experts sont déterminés à l'issue d'une phase d'apprentissage ; au cours de cette phase, on les nourrit d'un ensemble de données constituant leur base d' apprentissage, et on optimise la configuration et les poids du réseau en minimisant des erreurs constatées pour l'ensemble des échantillons de la base, entre les données de sortie issues du calcul du réseau et les données attendues à la sortie, données par la base. Les erreurs peuvent être les erreurs absolues entre les grandeurs d'entrée et de sortie ou les erreurs relatives, selon la performance désirée pour le réseau. Les facultés de généralisation du réseau sont ensuite testées sur sa capacité à bien calculer les deux sorties pour des entrées qui lui sont inconnues.
Les bases de données utilisées sont de différentes natures :
pour l'estimation de la différence de vitesse dN ou de la perte de charge, chaque base contient des couples de valeurs d'entrées/sorties, chaque valeur de sortie étant la valeur désirée de la grandeur estimée dans le cas du régime d'écoulement traité par le réseau dédié ; - pour l'estimation des probabilités, la sortie souhaîtée est un vecteur de grandeur égale au nombre Nβom de régimes d'écoulements considérés (dans l'exemple de la figure 1, le vecteur est de dimension 3) ; ce vecteur contient (Nflmvs -1) valeurs nulles, et une valeur égale à 1, qui correspond à la probabilité que le régime d'écoulements des fluides dans la conduite corresponde à celui dont s'occupe le réseau de neurones dédié.
Pour l'apprentissage des différents réseaux neuronaux dédiés aux différents régimes d'écoulement, on forme dans un premier temps des bases de données spécialisées. A cette fin, on utilise un outil logiciel connu de modélisation des écoulements dans des conduites, tel que TACITE par exemple qui fait l'objet des brevets US 5 550 761, FR 2.756.044 (US 6 028 992) et FR 2 756 045 (US 5 960 187) précités. La base d'apprentissage initiale comporte les données définies plus haut : données géométriques, données descriptives du fluide, du mélange, etc. A partir de cette base, en forçant l'outil de simulation à interpréter les résultats qu'il donne respectivement en termes d'écoulement particuliers par exemple en termes d'écoulement stratifié, puis d'écoulement dispersé puis d'écoulement intermittent, on constitue autant de bases dédiées qu'il y a de régimes d'écoulement dans la conduite, chacune d'elles regroupant des valeurs de paramètres caractérisant spécifiquement un régime d'écoulement.
L'outil de simulation est également mis en œuvre pour former une base d'apprentissage spécifique regroupant des valeurs de probabilité des différents régimes, par analyse de données de la base initiale d'apprentissage.
A partir de ces bases d'apprentissage dédiées, on forme les différents réseaux neuronaux dédiés ( EStm , EDlip , Elni par exemple) pour les rendre spécifiquement aptes à modéliser respectivement les régimes différents d'écoulement des fluides, par référence aux valeurs de paramètres correspondant à chacun des régimes d'écoulement. A partir de la base d'évaluation de probabilité également constituée, on forme également le réseau neuronal d'évaluation (RNProJfl ) pour le rendre apte à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents régimes d'écoulement par référence aux valeurs de probabilité obtenus pour chacun des régimes d'écoulement. On combine les résultats fournis par les différents réseaux neuronaux pondérés par les dites probabilités, en accord avec la relation (1).
Dans l'exemple que l'on a décrit, on a considéré trois régimes d'écoulement différents : stratifié, intermittent et dispersé. Ceci n'est nullement limitatif. Dans le cas où l'on possède des données plus détaillées permettant de faire des distinctions à l'intérieur d'un même régime d'écoulement, comme par exemple de séparer ce qui relève dans le régime stratifié, du « stratifié à vagues » ou du « stratifié lisse », il est préférable de créer des bases de données spécifiques à partir desquelles on forme des experts spécifiques modélisant chacun de ces sous-régimes et le réseau d'estimation de la probabilité adapté à cette nouvelle configuration.
Résultats
Avec la mise en œuvre d'une telle modélisation, on obtient un modèle hydrodynamique transitoire continu et infiniment dérivable qui calcule en temps réel les principales grandeurs hydrodynamiques caractérisant l'écoulement. La fonction d'estimation des probabilités permet de créer une loi hydrodynamique globale à partir des différentes lois d'écoulement modélisée par les différents modèles neuronaux dédiés. La transition entre deux lois d'écoulement est plus ou moins raide (dérivée plus ou moins forte) selon la précision donnée à l'estimation des probabilités, mais elle est continue, ce qui élimine les possibles incertitudes dans les résultats du modèle liées à l'existence des discontinuités. Le modèle global est adapté soit à une utilisation indépendante de tout autre module, soit à une intégration dans un modèle complet.

Claims

REVENDICATIONS
1) Méthode pour modéliser en temps réel le comportement hydrodynamique d'un écoulement de fluides polyphasiques en phase transitoire dans une conduite, compte tenu de conditions opératoires fixées portant sur un certain nombre de paramètres structurels définis relatifs à la conduite, et d'un ensemble de grandeurs physiques définies, avec des gammes de variation fixées pour les dits paramètres et les dites grandeurs physiques, par des réseaux de neurones spécialisés dédiés chacun à une tâche définie, dont les sorties sont combinées avec des pondérations sous contrôle d'un réseau de neurones d'évaluation pour produire des résultats nécessaires à l'estimation du comportement hydrodynamique, ces réseaux recevant sur leurs entrées des paramètres de structure et des grandeurs physiques, les réseaux de neurones étant formés itérativement pour s'ajuster aux valeurs de bases d'apprentissage, caractérisée en ce que :
on utilise un outil de modélisation pour former des bases d'apprentissage spécifiques correspondant respectivement à des régimes différents d'écoulement des fluides dans la conduite, chacune d'elles regroupant des valeurs de paramètres caractérisant spécifiquement un régime d'écoulement et une base d'apprentissage spécifiques regroupant des valeurs de probabilité des différents régimes, par analyse de données des bases d'apprentissage ;
- on forme différents réseaux neuronaux dédiés (EStra , EDisp , Elnt ) pour les rendre spécifiquement aptes à modéliser respectivement les régimes différents d'écoulement des fluides, par référence aux valeurs de paramètres correspondant à chacun des régimes d'écoulement ;
on forme le réseau neuronal d'évaluation (RNPcoba ) pour le rendre apte à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents régimes d'écoulement par référence aux valeurs de probabilité obtenus pour chacun des régimes d'écoulement ; et
on combine les résultats fournis par les différents réseaux neuronaux pondérés par les dites probabilités.
2) Méthode selon la revendication 1, dans laquelle on construit trois réseaux neuronaux dédiés respectivement aux régimes d'écoulement stratifié, d'écoulement dispersé et d'écoulement intermittent, on évalue les probabilités que l'écoulement des fluides dans la conduite corresponde respectivement aux trois régimes d'écoulement et on combine linéairement les résultats aux sorties des trois réseaux neuronaux dédiés en les pondérant par les dites probabilités.
3) Méthode selon la revendication 1 ou 2, caractérisée en ce que, quand la base de données disponible est suffisamment détaillée pour distinguer des sous-régimes à l'intérieur d'un même régime d'écoulement, on utilise l'outil de modélisation pour former des bases d'apprentissage spécifiques correspondant à ces sous-régimes, on forme différents réseaux neuronaux dédiés pour les rendre spécifiquement aptes à modéliser respectivement les sous-régimes, on construit un réseau neuronal d'évaluation
Figure imgf000014_0001
) adapté à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents sous-régimes d'écoulement distingués dans les différents régimes d'écoulement, et, on combine les résultats fournis par les différents réseaux neuronaux en les pondérant par les dites probabilités.
PCT/FR2003/003583 2002-12-10 2003-12-03 Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones WO2004063983A2 (fr)

Priority Applications (4)

Application Number Priority Date Filing Date Title
GB0513744A GB2412466B (en) 2002-12-10 2003-12-03 Method of modelling the hydrodynamic characteristics of multiphase flows using neuronal networks
US10/538,089 US7177787B2 (en) 2002-12-10 2003-12-03 Method for modelling hydrodynamic characteristics of multiphase flows using neuronal networks
BR0317152-3A BR0317152A (pt) 2002-12-10 2003-12-03 Método para modelar as caracterìsticas hidrodinâmicas de fluxos multifásicos utilizando redes neurais
NO20052731A NO20052731L (no) 2002-12-10 2005-06-07 Fremgangsmate for modellering av hydrodynamiske karakteristikker til flerfasestrommer ved bruk av neurale nettverk

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0215570A FR2848320B1 (fr) 2002-12-10 2002-12-10 Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones
FR02/15570 2002-12-10

Publications (2)

Publication Number Publication Date
WO2004063983A2 true WO2004063983A2 (fr) 2004-07-29
WO2004063983A3 WO2004063983A3 (fr) 2005-05-12

Family

ID=32320135

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2003/003583 WO2004063983A2 (fr) 2002-12-10 2003-12-03 Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones

Country Status (6)

Country Link
US (1) US7177787B2 (fr)
BR (1) BR0317152A (fr)
FR (1) FR2848320B1 (fr)
GB (1) GB2412466B (fr)
NO (1) NO20052731L (fr)
WO (1) WO2004063983A2 (fr)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8197700B2 (en) * 2005-12-30 2012-06-12 Saudi Arabian Oil Company Computational method for sizing three-phase separators
US20080270328A1 (en) * 2006-10-18 2008-10-30 Chad Lafferty Building and Using Intelligent Software Agents For Optimizing Oil And Gas Wells
US20080202763A1 (en) * 2007-02-23 2008-08-28 Intelligent Agent Corporation Method to Optimize Production from a Gas-lifted Oil Well
US8386221B2 (en) * 2009-12-07 2013-02-26 Nuovo Pignone S.P.A. Method for subsea equipment subject to hydrogen induced stress cracking
US9134454B2 (en) 2010-04-30 2015-09-15 Exxonmobil Upstream Research Company Method and system for finite volume simulation of flow
CA2803066A1 (fr) 2010-07-29 2012-02-02 Exxonmobil Upstream Research Company Procedes et systemes pour une simulation de flux par apprentissage automatique
EP2599032A4 (fr) 2010-07-29 2018-01-17 Exxonmobil Upstream Research Company Procédé et système de modélisation d'un réservoir
WO2012015518A2 (fr) 2010-07-29 2012-02-02 Exxonmobil Upstream Research Company Procédés et systèmes de simulation d'écoulement basée sur un apprentissage machine
CA2807300C (fr) 2010-09-20 2017-01-03 Exxonmobil Upstream Research Company Formulations souples et adaptatives pour des simulations de gisements complexes
US9015093B1 (en) 2010-10-26 2015-04-21 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
US8775341B1 (en) 2010-10-26 2014-07-08 Michael Lamport Commons Intelligent control with hierarchical stacked neural networks
WO2013039606A1 (fr) 2011-09-15 2013-03-21 Exxonmobil Upstream Research Company Opérations matricielles et vectorielles optimisées dans des algorithmes à instructions limitées qui effectuent des calculs eos
EP2901363A4 (fr) 2012-09-28 2016-06-01 Exxonmobil Upstream Res Co Suppression des failles dans des modèles géologiques
WO2014200669A2 (fr) 2013-06-10 2014-12-18 Exxonmobil Upstream Research Company Détermination de paramètres de puits pour une optimisation de rendement de puits
EP3175265A1 (fr) 2014-07-30 2017-06-07 ExxonMobil Upstream Research Company Procédé de génération de maillage volumétrique dans un domaine ayant des propriétés de matériau hétérogènes
AU2015339883B2 (en) 2014-10-31 2018-03-29 Exxonmobil Upstream Research Company Methods to handle discontinuity in constructing design space for faulted subsurface model using moving least squares
EP3213126A1 (fr) 2014-10-31 2017-09-06 Exxonmobil Upstream Research Company Gestion de discontinuité de domaine dans un modèle de grille de sous-surface à l'aide de techniques d'optimisation de grille
CA3043231C (fr) 2016-12-23 2022-06-14 Exxonmobil Upstream Research Company Procede et systeme de simulation de reservoir stable et efficace a l'aide d'indicateurs de stabilite
CN111344710A (zh) 2017-09-26 2020-06-26 沙特阿拉伯石油公司 使用基于机器学习的模型进行成本有效的热力学流体特性预测的方法
WO2019132864A1 (fr) * 2017-12-26 2019-07-04 Landmark Graphics Corporation Représentation efficace de résultats de simulation tridimensionnelle complexe pour opérations en temps réel

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208983B1 (en) * 1998-01-30 2001-03-27 Sarnoff Corporation Method and apparatus for training and operating a neural network for detecting breast cancer
EP1217474A1 (fr) * 2000-12-22 2002-06-26 Institut Francais Du Petrole Méthode pour former un module à réseaux neuronaux optimisé, destiné à simuler le mode d'écoulement d'une veine de fluides polyphasiques

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5550761A (en) * 1994-02-08 1996-08-27 Institut Francais Du Petrole Method for modelling multiphase flows in pipelines
FR2756044B1 (fr) * 1996-11-18 1998-12-24 Inst Francais Du Petrole Methode pour constituer un modele representatif d'ecoulements polyphasiques dans des conduites de production petroliere
FR2812389B1 (fr) * 2000-07-27 2002-09-13 Inst Francais Du Petrole Methode et systeme pour estimer en temps reel le mode d'ecoulement d'une veine fluide polyphasique, en tous points d'une conduite

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6208983B1 (en) * 1998-01-30 2001-03-27 Sarnoff Corporation Method and apparatus for training and operating a neural network for detecting breast cancer
EP1217474A1 (fr) * 2000-12-22 2002-06-26 Institut Francais Du Petrole Méthode pour former un module à réseaux neuronaux optimisé, destiné à simuler le mode d'écoulement d'une veine de fluides polyphasiques

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN-CHENG WANG ET AL: "A modular neural network vector predictor for predictive VQ" PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP) LAUSANNE, SEPT. 16 - 19, 1996, NEW YORK, IEEE, US, vol. VOL. 1, 16 septembre 1996 (1996-09-16), pages 431-434, XP010202423 ISBN: 0-7803-3259-8 *
TABUSE M ET AL: "Recurrent neural network using mixture of experts for time series processing" SYSTEMS, MAN, AND CYBERNETICS, 1997. COMPUTATIONAL CYBERNETICS AND SIMULATION., 1997 IEEE INTERNATIONAL CONFERENCE ON ORLANDO, FL, USA 12-15 OCT. 1997, NEW YORK, NY, USA,IEEE, US, 12 octobre 1997 (1997-10-12), pages 536-541, XP010248978 ISBN: 0-7803-4053-1 *
WALTER P ET AL: "3D object recognition with a specialized mixtures of experts architecture" NEURAL NETWORKS, 1999. IJCNN '99. INTERNATIONAL JOINT CONFERENCE ON WASHINGTON, DC, USA 10-16 JULY 1999, PISCATAWAY, NJ, USA,IEEE, US, 10 juillet 1999 (1999-07-10), pages 3563-3568, XP010373074 ISBN: 0-7803-5529-6 *

Also Published As

Publication number Publication date
US7177787B2 (en) 2007-02-13
FR2848320B1 (fr) 2005-01-28
BR0317152A (pt) 2005-11-01
FR2848320A1 (fr) 2004-06-11
GB0513744D0 (en) 2005-08-10
GB2412466B (en) 2006-12-20
GB2412466A (en) 2005-09-28
NO20052731L (no) 2005-07-05
US20060025975A1 (en) 2006-02-02
WO2004063983A3 (fr) 2005-05-12
NO20052731D0 (no) 2005-06-07

Similar Documents

Publication Publication Date Title
EP1176481B1 (fr) Methode et système pour estimer en temps réel le mode d'écoulement d'une veine fluide polyphasique, en tous points d'une conduite
EP1217474B1 (fr) Méthode pour former un module à réseaux neuronaux optimisé, destiné à simuler le mode d'écoulement d'une veine de fluides polyphasiques
WO2004063983A2 (fr) Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones
Ahmadi et al. Evolving predictive model to determine condensate-to-gas ratio in retrograded condensate gas reservoirs
CN107087161B (zh) 视频业务中基于多层神经网络的用户体验质量的预测方法
EP3877912A1 (fr) Procédé de construction de réseau de neurones pour la simulation de systèmes physiques
Fruhwirth et al. Hybrid simulation using neural networks to predict drilling hydraulics in real time
EP3953662B1 (fr) Procede de definition d'un chemin
CN110796306A (zh) 一种外汇时间序列预测的构建方法
CN109001211A (zh) 基于卷积神经网络的长输管道焊缝检测系统及方法
CA2519184C (fr) Methode pour former rapidement un modele stochastique representatif de la distribution d`une grandeur physique dans un milieu heterogene par une selection appropriee de realisations geostatistiques
EP2650471A1 (fr) Procédé de sélection des positions de puits a forer pour l'exploitation d'un gisement pétrolier
US20050092161A1 (en) Song search system and song search method
WO2020094995A1 (fr) Procédé de construction de réseau de neurones pour la simulation de systèmes physiques
Hegeman et al. Application of artificial neural networks to downhole fluid analysis
Yang et al. Machine Learning Based Predictive Models for CO2 Corrosion in Pipelines With Various Bending Angles
Akbari et al. Dewpoint pressure estimation of gas condensate reservoirs, using artificial neural network (ANN)
FR2881857A1 (fr) Outil informatique de prevision
WO2019211367A1 (fr) Procede de generation automatique de reseaux de neurones artificiels et procede d'evaluation d'un risque associe
EP1473627A2 (fr) Procédé pour la modélisation de données référentielles et son utilisation pour la localisation de données référentielles dans un système d'informations
EP0401926B1 (fr) Procédé de traitement, stucture de réseau de neurones mettant en oeuvre le procédé et ordinateur pour simuler ladite structure de réseau de neurones
Rey-Fabret et al. Neural networks tools for improving tacite hydrodynamic simulation of multiphase flow behavior in pipelines
Mukhanbet et al. Parallel Implementation of Neural Networks for Solving the Problem of Oil Production.
FR2735568A1 (fr) Procede de reconstruction d'un champ dense de caracteristiques associees a un phenomene physique
WO1999001825A1 (fr) Procede de construction d'un reseau de neurones pour la modelisation d'un phenomene

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A2

Designated state(s): BR GB NO US

ENP Entry into the national phase

Ref document number: 2006025975

Country of ref document: US

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 10538089

Country of ref document: US

ENP Entry into the national phase

Ref document number: 0513744

Country of ref document: GB

Kind code of ref document: A

Free format text: PCT FILING DATE = 20031203

ENP Entry into the national phase

Ref document number: PI0317152

Country of ref document: BR

WWP Wipo information: published in national office

Ref document number: 10538089

Country of ref document: US