Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Calculo de Patrones de Flujo
Calculo de Patrones de Flujo
Director:
ING. JUAN CARLOS REYES FIGUEROA
Profesor Escuela de Ingeniera de Sistemas, UIS
Codirector:
M.E. FERNANDO RUIZ DAZ
Profesor Escuela de Ingeniera de Sistemas, UIS
AGRADECIMIENTOS
TABLA DE CONTENIDO
PG.
INTRODUCCIN
21
OBJETIVOS
22
OBJETIVO GENERAL
22
OBJETIVOS ESPECFICOS
22
23
JUSTIFICACIN
24
1.
25
1.1.
GENERALIDADES
25
1.2.
TIPOS DE RED
28
1.2.1.
29
1.2.2.
31
1.3.
APLICACIONES
1.3.1.
2.
FLUJO MULTIFSICO
34
35
39
2.1.
FLUJO MULTIFSICO
39
2.2.
39
2.2.1.
2.3.
39
2.3.1.
Correlacin De Baker
42
2.3.2.
43
2.3.3.
Correlacin De Mandhane
44
2.3.4.
45
2.3.5.
2.4.
HOLDUP O COLGAMIENTO
45
46
2.4.1.
Velocidades Superficiales
46
2.4.2.
Velocidad De La Mezcla
47
2.4.3.
47
2.4.4.
47
2.4.5.
Velocidades Reales
48
2.4.6.
Velocidad De Deslizamiento
48
2.4.7.
48
2.4.8.
49
2.4.9.
50
2.5.
GRADIENTES DE PRESIN
51
2.5.1.
51
2.5.2.
53
2.5.3.
54
3.
58
3.1.
ORIGEN DE LA IDEA
58
3.2.
ANLISIS
59
3.3.
DISEO
59
3.4.
DESARROLLO
60
3.4.1.
4.
METODOLOGA
4.1.
PLANTEAMIENTO DE LA METODOLOGA
60
66
66
4.1.1.
68
4.1.2.
69
4.1.3.
70
4.1.4.
71
4.1.5.
72
4.2.
APLICACIN DE LA METODOLOGA
72
4.2.1.
Adquisicin De Datos
72
4.2.2.
Definicin De Entradas/Salidas
74
4.2.3.
74
5.
COMPARACIN Y GRFICOS
77
5.1.
POZO 1
78
5.2.
POZO2
80
5.3.
POZO3
82
5.4.
POZO4
84
5.5.
POZO5
86
5.6.
POZO6
88
5.7.
POZO7
90
5.8.
POZO8
92
5.9.
POZO9
94
5.10.
POZO10
96
6.
CONCLUSIONES
7.
RECOMENDACIONES
100
8.
101
8.1.
INTRODUCCIN
99
101
8.1.1.
Qu Puede Hacer?
101
8.1.2.
Recomendaciones
102
8.2.
DESDE CERO
102
8.2.1.
Cmo Crear?
103
8.2.2.
Cmo Salvar?
104
8.2.3.
Cmo Cargar?
105
8.2.4.
Entrenamiento
106
8.2.5.
Simulacin
107
8.3.
AVANZADAS
108
8.3.1.
Normalizacin
108
8.3.2.
Edicin
110
8.3.3.
Entradas/Salidas
112
8.3.4.
Convertir Caudales
114
8.3.5.
Datos De La Facilidad
114
8.3.6.
115
8.3.7.
Reportes
116
8.3.8.
Grficas En 2D
117
8.3.9.
Separador Decimal
118
BIBLIOGRAFA
132
LISTA DE FIGURAS
PG.
26
28
29
32
40
41
41
42
43
44
45
46
Figura 13. Correlacion de Lockhart & Martinelli y las observaciones de Baker [4]
50
51
52
54
Figura 17. Evolucin del nmero de referencias (miles) a las redes neuronales en la
literatura
Figura 18. Diagrama de casos de uso
58
65
67
69
Figura 21. Proceso de los datos para la entrada/salida en una red neuronal.
70
75
Figura 23. Arquitectura final Base Radial para determinar el patrn de flujo
76
77
78
78
79
79
80
80
81
81
82
82
83
83
84
84
85
85
86
86
87
87
88
88
89
89
90
90
91
91
92
92
93
93
94
94
95
95
96
96
97
97
103
104
104
105
106
107
107
108
109
109
110
110
111
111
112
113
113
114
114
115
115
116
116
117
118
119
LISTA DE TABLAS
PG.
Tabla 2.
27
47
Tabla 3. Correlaciones para el clculo del holdup, segn Beggs & Brill
49
52
Tabla 5. Lmites para los patrones de flujo segn Beggs & Brill
55
71
73
73
74
Tabla 10. Propiedades de los pozos, segn los parametros requeridos en la Tabla 7 77
Tabla 11. Comparacin de resultados de Hysys Vs PMC
98
ARTIFICIALES,
FLUJO
DESCRIPCIN
La efectividad de los procesos de bsqueda, perforacin, extraccin, transporte y
tratamiento tanto del crudo como del gas, ha sido importante dentro de la industria
petrolera, es por ello que distintas ramas del conocimiento colaboran en la
optimizacin de dichos procesos. Las redes neuronales artificiales (RNA) han
demostrado su competencia en este tipo de procesos, con la generacin de modelos
que permiten mayor exactitud en los resultados, actualmente producidos por
complejos modelos matemticos que en su mayora no alcanzan la suficiente
exactitud, dada la fuerte naturaleza no lineal de los problemas abordados, como lo es
en el caso de; la determinacin del patrn de flujo, el holdup o colgamiento y el
posterior clculo de la cada de presin. Todos estos relacionados estrechamente con
el flujo multifsico que ocurre en las tuberas de transporte de gas y crudo. Estos
clculos son necesarios para la construccin/remodelacin adecuada de las
facilidades de superficie, porque en mayor parte se debe al mal diseo los problemas
de depositacin, rotura de lneas, represamiento, y sobrepresionamiento entre
cabezales entre otros.
El desarrollo de una aplicacin basada en RNA ayudar a establecer con mayor
eficacia estos parmetros. Aunque la idea de utilizar las RNA para la determinacin de
estos datos no es nueva, si es naciente en el mbito local, dados los altos costos de
las herramientas existentes en el mercado y/o la complejidad del manejo de stas.
Proyecto de grado
Facultad de Ciencias Fsico-Mecnicas, Ingeniera de Sistemas e Informtica, Ing. Juan
Carlos Reyes Figueroa
**
DESCRIPTION
Effectiveness in processes such as searching, drilling, extraction, transportation,
treatment, for oil and gas, have been important in oil industry. Thats why several
knowledge fields are collaborating in the optimization of these processes. Artificial
Neural Networks (ANN) have proved competence in this kind of processes, with the
generation of models that allow at greater accuracy in results, unlike complex
mathematical models that, most of cases, dont reach enough accuracy, considering
the strong non-linear nature of problems like flow pattern and holdup determination and
further pressure drop calculation. These calculations are necessary for adequate
construction/remodeling of surface facilities since wrong design generally produce
deposit problems, line breaking, halting and overpressure between bolsters among
others.
The development of an ANN based application will help to establish with better
accuracy these parameters. Although the idea of applying ANN in determination of
these data is not new, it is budding in local ambit, because of the expensive and
difficult to handle nature of available tools
Work of degree
Faculty of Physical-Mechanics Engineerings, Systems and Informatic Engineering, Ing. Juan
Carlos Reyes Figueroa
**
INTRODUCCIN
21
OBJETIVOS
OBJETIVO GENERAL
Desarrollar un software basado en redes neuronales artificiales para determinar el
patrn de flujo multifsico promedio presente en una tubera a partir de los datos
histricos de produccin, con el fin de calcular la cada de presin.
OBJETIVOS ESPECFICOS
i.
ii.
iii.
iv.
22
Segn la Teora del pico de Hubbert, actualizada con datos recientes por la Asociacin para el
estudio del pico del petrleo.
23
JUSTIFICACIN
24
1.
1.1.
GENERALIDADES
3
Frank Rosenblatt. The Preceptron: A probabilistic model for information storage and
organization in the brain. Psycological Review, 65:386-408, 1958
4
Marvin Minsky, Seymour Papert. Perceptrons. MIT Press. Cambridge. 1969
5
Warren S. McCulloch y Walter Pitts. A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics, 5:115-113. 1943
6
Donald O. Hebb. The organization of Behavior. Wiley. New York. 1949
25
P1
P2
W1j
W2j
W3j
Pn
Wnj
FT
.....
P3
26
Sj
P W
i =1
ij
FT = Funcin de transferencia.
Sj = Salida de la neurona j.
Las funciones de activacin ms comunes son la funcin identidad, escaln, lineal,
sigmoidal y gaussiana (Tabla 1).
Funcin
Grafica
Identidad
f (x ) = x
Escaln
f (x ) = H (x )
Lineal a tramos
1 si x < 1
f ( x ) = x si + 1 x 1
+ 1 si x > +1
Sigmoidal
Gaussiana
f (ui ) =
1
1+ e
f (ui ) = ce
ui
ui2
27
1.2.
TIPOS DE RED
Entrada Binaria
Supervisada
Hopfield Hamming
Entrada Contina
Supervisada
No Supervisada
Carpenter/Grossberg
Perceptrn
No Supervisada
Perceptrn
Multicapa
Kohonen
(1)
Por otro lado, en las redes no supervisadas los datos de entrenamiento consisten en
patrones de entrada, en ellos la red trata de descubrir caractersticas comunes entre
los datos presentados, formndose como identificadores de patrones. Si en un
conjunto nuevo de datos la red decide que pertenecen a una clase reconocida
previamente, entonces la inclusin de este nuevo patrn a esta clase recompondr la
representacin de la misma. Si por el conjunto de datos se determin que no
pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura
y los pesos de La RNA sern reajustados para reconocer la nueva clase.
28
Taxonomas
Aprendizaje
Estrategia
Tipologa
Supervisado
Estocstico
No
Supervisado
Por correccin
de error
Reforzado
Hebbiano
Arquitecturas
Aplicaciones
Single Layer
Feedfoward
Memoria
Asociativa
Multilayer
Feedfoward
Optimizacin
Recurrentes
Reconocimiento
de patrones
Mapeo de
caractersticas
Prediccin
Competitivo y
cooperativo
Clasificacin
1.2.1.
29
30
1.2.2.
i (n ) = e
X ( n ) Ci
2 d i2
(2)
La RBF (Radial Basis Function) tiene como ventaja sobre la backpropagation que su
aprendizaje se favorece entre ms ejemplos de entrenamiento halla en el conjunto, no
sufriendo el problema del overfitting. Por otro lado, como una de sus principales
31
neuronas
que
la
Entre los centros establecidos se reparten los puntos de entrada del conjunto
de entrenamiento, teniendo como criterio que se asigna el punto al centro
ms cercano a el.
Se calcula el centroide de todos los puntos pertenecientes al mismo nodo, se
ajusta el valor del centro por el hallado.
Se repiten los pasos anteriores hasta que el cambio de los centros con
respecto a los centros anteriores sea casi nulos.
Una vez se han establecido los centros finales, se procede a calcular los
pesos sinpticos de conexin entre la capa oculta y la de salida, para lo cual
se puede utilizar, como en nuestro caso, la regla delta generalizada tal como
se hara con un PMC con algoritmo backpropagation.
32
Clustering Probabilstica
Densidad Density-Based
Clustering Subespacial
Tcnicas de Co-Clustering
33
likelihood, para modelos mixtos que utilicen distribuciones normales. Por lo tanto,
el mtodo de las k-medias se puede derivar a partir del marco probabilstica (ver
subseccin Clustering Probabilstico del libro de Mitchell8).
1.3.
APLICACIONES
Deteccin de fraudes.
Asignacin de crditos.
34
Reconocimiento de patrones.
Limpieza de ruido.
Estimacin de probabilidades.
El sentido comn indica que si un problema puede ser resuelto con mtodos
convencionales, las redes neuronales (o cualquier otra tcnica de inteligencia artificial)
no deben ser usadas para resolverlo. Por ejemplo, balancear una chequera con una
red neuronal no es recomendable. Aunque hay valor acadmico en resolver
problemas simples, como las ecuaciones polinomicas y diferenciales, con las redes
neuronales para mostrar sus capacidades, estas deben usarse principalmente para
resolver problemas que de otra manera consumen mucho tiempo o simplemente es
imposible de resolver por mtodos convencionales.
Las redes neuronales han mostrado gran potencial para generar anlisis y resultados
precisos de grandes bases de datos histricas, el tipo de datos que los ingenieros
pueden considerar sin valor o irrelevantes en el modelamiento convencional y en
procesos de anlisis.
1.3.1.
Mohaghegh S. and Ameri S. Artificial Neural Network as a Valuable Tool for Petroleum
Engineers, paper SPE 29220. 1995.
35
Ali J.K termina su artculo resumiendo las aplicaciones directas de las RNA a la
industria petrolera de la siguiente manera:
i)
Geologa y geofsica:
Estimacin de reservas.
10
Kumoluyi A.O. and Daltaban T.S. High-Order Neural Networks in Petroleum Enginnering,
paper SPE 27905. 1994.
11
Ali J.K. Neural Networks: A New Tool for the Petroleum Industry?, paper SPE 27561. 1994.
36
ii)
Prediccin de la porosidad
Prediccin de la permeabilidad
Presiones de pozo
Diagnstico y mantenimiento
v) Ingeniera de yacimientos
37
Anlisis de riesgo
12
En un estudio posterior Toomarian y colaboradores (1997) han profundizado en la
utilizacin de Las RNA en el campo de caracterizacin de propiedades del yacimiento,
creando algoritmos para analizar los registros o perfiles elctricos de pozo para
estimar con una mayor exactitud las propiedades de los fluidos en la litologa y
columna estratigrfica del pozo.
En conclusin, Las RNA son usadas en la industria del petrleo para realizar clculos
de niveles de bomba, gradientes de presin en pozos y redes de tuberas, anlisis
nodal, patrones de flujo, holdup, etc. A lo largo de los aos se ha verificado que las
redes neuronales producen los mejores resultados donde se las aplica. Esto se
confirma en el paper Identificacin del patrn de flujo y holdup del lquido usando
redes neuronales artificiales del doctor Osman Elsayed [3] donde l sostiene que,
usando redes neuronales, se podra predecir los regmenes de flujo anular,
estratificado, bache y ondulado con una exactitud de 100%, 98.6%, 98.5% y 94.7%
respectivamente.
12
Toomarian N.B., Barhen. J., Glove C.W. and Aminzadeh. Oil Reservoir Properties
Estimulation Using Neural Networks. JPL Report. Nasa Research Press. 1999.
38
2.
2.1.
FLUJO MULTIFSICO
FLUJO MULTIFSICO
El flujo multifsico se define como el flujo simultneo de dos o ms fases (en estado
lquido, slido o gaseoso) en una tubera de conduccin. En la industria del petrleo, el
flujo multifsico se presenta en tuberas de superficie y en los pozos de produccin de
gas y aceite (la mayora de pozos que producen lquidos producen algo de gas y
viceversa).
Todos los intentos realizados para obtener una solucin general para el problema del
flujo multifsico han cado en el vaco, aun as se ha observado una asociacin
natural, es decir, para cada patrn hay un comportamiento similar, Esto hace que el
problema sea algo ms fcil, se analiza cada patrn por separado. De esta manera, el
mtodo lgico indica primero que hay que predecir el patrn de flujo en la tubera, y
una vez determinado se desarrolla un modelo por separado el cual prediga las
caractersticas del flujo, como cada de presin, colgamiento del lquido y el coeficiente
de transferencia de calor.
2.2.
2.2.1.
Se considera flujo en tubera horizontal, el flujo que fluye por una tubera cuya
elevacin no supera los 5 grados.
Los patrones de flujo no afectan la presin significativamente en flujo horizontal como
s sucede en el vertical. En el flujo horizontal la energa potencial no influye. De todos
39
modos esto no indica que estos patrones de flujo horizontal no se tengan en cuenta.
Pueden afectar las operaciones de produccin y algunas correlaciones para cadas de
presin los consideran.
Aunque se han realizado muchas descripciones y tipificaciones de los patrones de
flujo (Alves defini ocho regmenes, Degance y Aterton definieron tres categoras),
actualmente se usan las categoras definidas por Beggs y Brill las cuales son definidas
a continuacin.
2.2.1.1
2.2.1.2
40
y flujo tapn. El flujo bache consiste en grandes baches de lquido alternado con
burbujas de gas a alta velocidad llenando la mayor parte de la tubera. El flujo tapn
se distingue por el flujo de grandes burbujas de gas a lo largo de toda la tubera.
2.2.1.3
Este flujo se caracteriza por una fase que se encuentra dispersa en la otra y se divide
en dos regmenes: flujo tipo burbuja y flujo tipo niebla o disperso. El flujo tipo burbuja.
El flujo tipo niebla se presenta a altas tasas de gas y bajas tasas de lquido y consiste
en gas con gotas dispersas de lquido. Este rgimen de flujo es considerado
semejante al flujo anular, por lo que muchos mapas de patrones de flujo usan el
nombre niebla-anular para denotar estos regmenes.
41
Beggs y Brill definieron un nuevo patrn denominado Transicin debido a que, cuando
el patrn cambia de segregado a intermitente en determinada zona, observaron un
decrecimiento grande pero lento de la fraccin de lquido retenido que no era tan
rpido como lo indicaban las ecuaciones.
2.3.
2.3.1.
Correlacin De Baker
Los mapas de regmenes de flujo son usados para predecir los patrones de flujo en
una tubera horizontal. Uno de los primeros mapas que se disearon fue creado por
Baker en 1953, ms tarde modificado por Scoot mostrado en la siguiente figura, en la
cual los ejes son Gl/ y Gl/ Gg donde Gl y Gg son el flujo msico del lquido y del
gas respectivamente y el parmetro y son:
g l
0.075 62.4
(3)
2
73 62.4
= l
l l
(4)
42
2.3.2.
X =
0.0808
g 72.4
Y =
62.4
(5)
(6)
Estos parmetros son usados para multiplicar las velocidades superficiales de los
fluidos de la siguiente manera:
~
VSG = XVSG
(7)
~
VSL = YVSL
(8)
~
~
VSG y VSL son usados en forma normal con el mapa modificado de patrones de flujo.
43
2.3.3.
Correlacin De Mandhane
En 1964, Mandhane propone un mapa de patrones de flujo en el cual, con base en las
coordenadas de Log VSL vs Log VSG, se localizan los limites de transicin. El mapa
diseado por Mandhane usa como ejes de coordenadas las velocidades superficiales
del lquido y del gas (Vsl Vs Vsg), el cual se muestra en la figura 7.
G L 72.4
X '=
0.0808 62.4
0.2
Donde
0.25
0.018
0.2
72.4
Y'= L L
1.0 62.4
0.2
(9)
lbm/ft3, G y
y L estn expresadas en
0.25
(10)
estn expresados en
centripoises, y en dinas/cm. Hay que tener en cuenta que estos factores se aplican
a las transiciones individuales, antes que a los ejes del mapa.
44
2.3.4.
2.3.5.
45
2.4.
2.4.1.
HOLDUP O COLGAMIENTO
Velocidades Superficiales
VSL =
QL
QL
=
A
D 2 / 4
VSG =
(11)
QG
QG
=
A
D 2 / 4
(12)
46
velocidades superficiales de las fases son usadas para correlacionar muchos de los
fenmenos observados en el flujo multifsico.
2.4.2.
Velocidad De La Mezcla
VM = VSL + VSG
2.4.3.
(13)
Fase Liquida
L =
Fase Gaseosa
QL
QL + QG
G =
VSL
V
= SL
L =
VSL + VSG VM
Tabla 2.
2.4.4.
QG
QL + QG
VSG
V
= SG
G =
VSL + VSG VM
L + G = 1
47
2.4.5.
Velocidades Reales
La velocidad real de la fase lquida es aquella que considera el deslizamiento entre las
fases:
VL =
QL
A* HL
(14)
VG =
2.4.6.
QG
A* HG
(15)
Velocidad De Deslizamiento
Se define como la diferencia entre la velocidad real del gas y la velocidad real del
lquido:
VSLIP = VG VL =
QG
QL
A* HG A* H L
(16)
Los siguientes son modelos empricos desarrollados para la estimacin del holdup en
flujo horizontal:
2.4.7.
Patrn de
flujo
Correlacin
H L (0 ) =
Segregado
Transicin
H L (0 ) =
0.980.484
0.0868
N FR
48
(L3 N FR )
* 1
(L3 L2)
Intermitente
H L (0 ) =
0.8450.5351
0.0173
N FR
Distribuido
H L (0 ) =
1.0650.5824
0.0609
N FR
Tabla 3. Correlaciones para el clculo del holdup, segn Beggs & Brill
2.4.8.
(P L)
(P L)
X =
(17)
SL
SG
Donde P
SL
SG
tendra lugar si el gas estuviera fluyendo solo, a velocidad superficial. X puede ser
tambin notada de la forma:
V
X = SL
VSG
1
8
(18)
49
Figura 13. Correlacion de Lockhart & Martinelli y las observaciones de Baker [4]
2.4.9.
V
X ' = 6 *10 SL L
VSG G
4
0.9
G M0.435 L0.72
(19)
50
2.5.
GRADIENTES DE PRESIN
2.5.1.
Ellos basan su correlacin en la premisa de que la cada de presin debe ser igual
tanto para la fase liquida como para la fase gaseosa sin importar el patrn de flujo, con
la condicin que halla un delta de presin radial despreciable. Por medio de su trabajo,
expresan la cada de presin en la fase liquida como sigue:
LV L2
P
= 2 f L
L tp
DL g
(20)
51
GVG2
P
f
2
=
G
L tp
DG g
(21)
Patrn de Flujo
Correlacin
G =
Estratificado
G =
Burbujas Elongadas
27.315 X 0.855
0.17
G SL
Burbujas Dispersas
G =
Bache
G =
Niebla Anular
15400 X
0.8
G SL
14.2 X 0.75
0.1
G SL
1190 X 0.815
0.5
G SL
52
Donde G SL es la tasa de flujo msico superficial del lquido en lbm/ft2.hr. No existe una
ecuacin para el flujo ondulado. Por ltimo, hay que tener en cuenta que las
relaciones se aplican cuando el nmero de Reynolds superficial para cada fase supera
1000.
2.5.2.
2
P 2G M f tpM
=
L
g c D M
(22)
Donde:
f tpM = Ff
(23)
(24)
Re M =
F = 1+
DG M
(25)
(26)
4
= ln C L
(27)
G M = m m
(28)
53
2
L C L2 G (1 C L )
+
M EL
M EG
(29)
2.5.3.
El mtodo diseado por Beggs y Brill es el ms aplicado para el clculo del gradiente
de presin, ya sea para pozo vertical, direccional, tubera horizontal o inclinada. Para
este clculo es necesario conocer dos parmetros iniciales: el holdup y el patrn de
flujo. ste fue el primer modelo en proponer un procedimiento matemtico para
predecir de forma sistemtica los patrones de flujo.
Para determinar el patrn de flujo se requiere de algunos clculos con nmeros
adimensionales (como el nmero de Froude para dos fases) y adems establecer
lmites entre los patrones de flujo.
Se necesitan las siguientes variables para determinar cualquier patrn de flujo:
54
Vm
gd
N FR =
l =
Vsl
Vm
(30)
(31)
L1 = 3160L.302
(32)
L2 = 0.0009252L2.4684
(33)
L3 = 0.10L1.4516
6.738
L4 = 0.5L
(34)
(35)
Los lmites de patrones de flujo segn Beggs y Brill para flujo horizontal son:
Patrn de Flujo
Segregado
Transicin
Intermitente
Distribuido
Lmites
< L1 L > 0.02 y N FR < L2
L < 0.01 y N FR
L > 0.01 y L2 < N FR < L3
0.01 < L < 0.4 y L3 < N FR < L1 L > 0.4 y L3 < N FR < L4
L < 0.4 y N FR > L1 L > 0.4 y N FR > L4
Tabla 5. Lmites para los patrones de flujo segn Beggs & Brill
Cabe aclarar que el mtodo de Beggs y Brill permite determinar el patrn de flujo, pero
no el rgimen de flujo, para lo cual se debe relacionar con otros regmenes de flujo
como el de Mandhane, Taitel y Dukler o el de Baker.
Habiendo calculado el patrn de flujo, se utiliza la frmula correspondiente para el
clculo del holdup, tratada en la seccin 2.4.7. Despus se procede a determinar:
(36)
55
(P )T = (P )G + (P )F + (P ) A
Prdidas por friccin:
f m m2
2D
(P) F =
(37)
f
= es
fN
s=
(38)
Ln( y )
y=
L
H
(39)
(40)
2
L
s = ln(2.2 y 1.2)
(41)
(P )G = s g
(42)
s = l H l + g H g
(43)
(P ) A =
s m sg
P
56
(44)
(P )T
(P )F + (P )G
EK =
1 EK
s m sg
P
57
(45)
(46)
3.
3.1.
ORIGEN DE LA IDEA
La propuesta del proyecto naci en parte por el vaco existente en la literatura local
acerca del anlisis del flujo multifsico apoyado con mtodos de inteligencia artificial y
debido a la necesidad de encontrar un modelo ms adecuado para la determinacin
del patrn de flujo.
Dado el inicial desconocimiento del campo de accin que requera la realizacin de un
anlisis previo a la aplicacin, se comienza el estudio del mismo con dos papers
publicados por Beggs, Brill y Arirachakaran [6] que indicaron el camino a seguir para
ahondar, primero en la idea de lo que es un flujo multifsico y las variables asociadas
a l. Despus de realizar una revisin, incluyendo bases de datos, como la de la SPE,
de la literatura internacional y local acerca del tema se procede a revisar qu se ha
hecho en ste, apoyndose en la inteligencia artificial, concretamente en el de las
RNA. En este punto se encuentra a Mohaghegh como uno de los lderes actuales en
13
su estudio, por lo tanto son de valiosa ayuda los papers publicados por l en la SPE
14
[7], adems de otros artculos que aportaron tambin al estado del arte .
Result interesante encontrar que, a pesar de los buenos resultados que han tenido
las RNA y en general la inteligencia artificial en varios campos de la industria,
incluyendo la del petrleo, slo recientemente han surgido investigaciones que
intentan ampliar ms la experiencia en estas (Figura 17).
Figura 17. Evolucin del nmero de referencias (miles) a las redes neuronales en la
literatura15
13
58
3.2.
ANLISIS
3.3.
DISEO
59
3.4.
DESARROLLO
blanco para ser utilizada en Matlab , Excel (como Macro), Delphi y/o Kylix. As
mismo permite borrar redes, cargar datos de entrenamiento y para simulacin desde
archivos de texto externos.
3.4.1.
Crear RNA
Actor
Propsitos
Usuario
Crear una RNA.
17
60
Actor
Propsitos
Resumen
Flujo
principal
Ninguna
Cargar RNA
Actor
Propsitos
Resumen
Flujo
principal
Usuario
Cargar una RNA.
Por medio de este caso de uso el actor puede cargar una RNA desde
un archivo vlido
1. El actor selecciona la ubicacin y el nombre del archivo.
2. El sistema crea una RNA de acuerdo a los datos almacenados en
el archivo.
3. El sistema pone a disposicin del usuario la RNA cargada.
1a: El actor selecciona un archivo no vlido.
El sistema cancela la operacin y retorna al mdulo principal.
Actor
Propsitos
Resumen
Flujo
principal
Guardar RNA
Usuario
Almacenar una RNA en un archivo vlido.
Por medio de este caso de uso el actor puede guardar en un archivo
la red seleccionada en cualquiera de los formatos disponibles.
1. El actor selecciona la RNA a guardar.
2. El actor suministra el nombre y el tipo del archivo.
61
Entrenar RNA
Usuario
Entrenar una RNA de acuerdo a los datos de entrenamiento
suministrados.
Por medio de este caso de uso el actor puede entrenar la RNA
Resumen
seleccionada con los datos especificados.
1. El actor selecciona la RNA.
2. El actor carga o introduce los datos de entrenamiento.
Flujo
3. El actor configura los parmetros de entrenamiento.
principal
4. El sistema entrena la RNA de acuerdo a los datos y parmetros
suministrados.
Debe haber por lo menos una RNA creada, unos datos de
Precondicin
entrenamiento y unos parmetros vlidos.
Actor
Propsitos
Simular RNA
Usuario
Simular una RNA de acuerdo a los datos de simulacin
suministrados.
Por medio de este caso de uso el actor puede simular la RNA
Resumen
seleccionada con los datos especificados.
1. El actor selecciona la RNA.
2. El actor carga los datos de simulacin.
Flujo
3. El actor configura los parmetros de simulacin.
principal
4. El sistema simula la RNA de acuerdo a los datos y parmetros
suministrados.
Debe haber por lo menos una RNA creada, unos datos de simulacin,
Precondicin
y unos parmetros vlidos.
Actor
Propsitos
Actor
Propsitos
Resumen
Flujo
principal
Cambiar Nombre
Usuario
Cambiar el nombre a una RNA.
Por medio de este caso de uso el actor puede cambiar el nombre de
la RNA seleccionada.
1. El actor selecciona la RNA.
2. El actor suministra el nuevo nombre de la RNA.
3. El sistema cambia el nombre de la RNA seleccionada.
2a: El actor suministra el nombre de una RNA existente.
El sistema cancela la operacin y regresa al mdulo principal.
62
Clonar RNA
Actor
Propsitos
Resumen
Flujo
principal
Usuario
Clonar una RNA.
Por medio de este caso de uso el actor puede crear una RNA
exactamente igual a la seleccionada.
1. El actor selecciona la RNA.
2. El actor suministra el nombre de la nueva RNA.
3. El sistema crea una RNA exactamente igual a la seleccionada.
4. El sistema pone a disposicin del actor la RNA clonada.
2a: El actor suministra el nombre de una RNA existente.
El sistema cancela la operacin y regresa al mdulo principal.
Actor
Propsitos
Resumen
Flujo
principal
Inicializar RNA
Usuario
Inicializar una RNA.
Por medio de este caso de uso el actor puede inicializar los pesos y/o
centros de la RNA seleccionada.
1. El actor selecciona la RNA.
2. El sistema espera la confirmacin por parte del actor.
3. El sistema inicializa la RNA seleccionada.
Eliminar RNA
Actor
Propsitos
Resumen
Flujo
principal
Usuario
Eliminar una RNA.
Por medio de este caso de uso el actor puede eliminar la RNA
seleccionada.
1. El actor selecciona la red.
2. El sistema espera la confirmacin por parte del actor.
3. El sistema elimina la red de la lista.
2a: El actor cancela la operacin.
63
Actor
Propsitos
Resumen
Flujo
principal
Generar Reporte
Usuario
Producir un reporte, en base a opciones seleccionadas por el actor.
Por medio de este caso de uso el actor puede generar un reporte de
acuerdo a las opciones seleccionadas por l.
1. El actor selecciona la RNA.
2. Entre las opciones disponibles, el actor escoge el contenido del
reporte.
3. El actor suministra el nombre del reporte.
4. El sistema genera el reporte.
2a: El actor cancela la operacin.
El sistema regresa al mdulo principal.
3a: El actor cancela la operacin.
El sistema regresa al paso 2 del presente caso de uso.
Actor
Propsitos
Generar Grficas
Usuario
Producir una serie de grficas en base a datos simulados.
64
65
4.
4.1.
METODOLOGA
PLANTEAMIENTO DE LA METODOLOGA
Antes que cualquier RNA realice funcin alguna dentro de la aplicacin para la cual
fue construida, es vital tener la red adecuada, que vara segn el tipo. Muchas de las
personas que se inician en este campo recurren a una consecucin y entrenamiento
de las arquitecturas por ensayo y error, exponindose as a una posible equivocacin.
Es preferible tratar de ajustarse a un mtodo, que designe los principales puntos a
seguir para la escogencia de una red adecuada.
La metodologa debe cubrir y especificar el tipo y el nmero de los ensayos, la
cantidad de entradas, las variables de entrada del modelo, la cantidad de salidas, la
interpretacin de esas salidas, la cantidad de capas y las neuronas necesarias en
cada una de estas, el criterio para definir una red como suficiente, ya sea por una
tolerancia del error, por un nmero de iteraciones o por ciertos requisitos que durante
el proceso se cumplen.
Por distintas experiencias ocurridas durante el ciclo de anlisis, diseo y desarrollo del
software, adems de la gua que ofrecen nuestros tutores junto con la diferente
literatura consultada, se ha llegado a una convergencia de pensamiento en cuanto a la
metodologa adecuada, una metodologa que es intuitiva y que permite un hallazgo en
varias etapas.
Teniendo ya en Neuralyzer v1.0 un aplicativo flexible que nos permite generar distintas
arquitecturas dentro de las redes de tipo backpropagation y de funcin de base radial,
disponemos a detallar el proceso para la consecucin de una red adecuada, no solo
para la determinacin del patrn de flujo, sino que es til para todas aquellas
aplicaciones de clasificacin/prediccin en general. La metodologa consta de los
siguientes puntos (ver Figura 19 )
66
Adquisicin de datos
Definir el nmero y el
rango de las entradas
Definir el nmero y el
rango de las salidas
NO
Es necesario
un proceso de
normalizacin?
SI
Normalizar datos de
Entrada/Salida
NO
Es aceptable
su desempeo?
SI
FIN
67
4.1.1.
Unos de los usos ms comunes dentro del procesamiento de los datos son:
19
68
4.1.2.
El procesamiento (ver Figura 21) tanto de los datos de entrada como los de salida es
importante para evitar traumatismos en los pasos de construccin de la arquitectura
adecuada, ahorrando horas de trabajo y costos computacionales, as como mejoras
en la calidad de las interpretaciones de los mismos.
A continuacin las principales recomendaciones a tener en cuenta para las variables
de entrada/salida:
No confundir las entradas continuas con las entradas discretas, estado civil es
discreto (1 o 0), mientras que la temperatura es continua (0, 10, 15.5,
30,40.2).
Usar como patrones de entrada los diferentes periodos en que puedan afectar
la salida (si es por meses, el promedio de cada mes y no los datos de cada
mes).
69
Figura 21. Proceso de los datos para la entrada/salida en una red neuronal.
4.1.3.
Neuralyzer v1.0 otorga dos opciones de RNA para experimentar, PMC y de funcin de
base radial, ambas son paralelas, es decir, lo que se implementa en backpropagation,
se implementa en base radial, y viceversa. Aprovechando esta situacin, es posible
construir y probar modelos simultneamente en ambos tipos de redes. Sometindolas
a los posteriores anlisis para observar cul se comporta mejor.
Tanto el PMC como la de funcin de base radial presentan sus ventajas y
desventajas, las principales son ilustradas en la Tabla 6. Por esta razn depende de la
experiencia del usuario, as como la cantidad de datos disponibles y la calidad de los
mismos.
CRITERIO
Tamao
Costo computacional
Capas
70
BASE RADIAL
Igual o mayor a la
backpropagation
Requiere una mayor
cantidad de clculos,
al ser de mayor
tamao
Siempre 3, una capa
de entrada, una
oculta y una de salida
Aprendizaje
Supervisado
Entrenamiento
Hibrido (no
supervisado en la
capa oculta y
supervisado en la
capa de salida)
No hay problemas de
sobre-ajuste
4.1.4.1
Al igual que se ha dicho que la red con el error ms bajo durante el entrenamiento no
siempre es la que mejor se desempea, as mismo se puede decir, con los PMC, a
que la red ms grande no es la que mejor aprende. La determinacin de las neuronas
adecuadas y de las capas adecuadas debe estar de acuerdo a previos estudios del
desempeo que han tenido cada una de las arquitecturas, por esta razn, es
recomendable, en el caso de los PMC, que se construyan diversos prototipos de
redes, con algunos criterios de gua para su construccin:
4.1.4.2
Para la red de funcin de base radial los criterios varan. Este tipo de red no sufre de
sobreentrenamiento, pero tiene mayor costo computacional, requiere mayor nmero
de neuronas que el PMC para realizar la misma labor, sin embargo su aprendizaje es
ms rpido.
Se presenta la maldicin de la dimensionalidad que indica que el tamao de la red
aumenta exponencialmente con respecto a los casos que debe resolver. Cuando sea
71
4.1.5.
4.2.
APLICACIN DE LA METODOLOGA
La determinacin del patrn de flujo con ayuda de una red neuronal, sirve de caso de
estudio para poner en prctica la metodologa que permita descubrir que arquitectura
es la que ms se adapta a este fin.
4.2.1.
Adquisicin De Datos
El total del conjunto de datos que se poseen para realizar el estudio provienen de
casos de estudio hipotticos obtenidos de la literatura. Los datos poseen la
informacin de las variables de la Tabla 7:
VARIABLE
qosc
qwsd
qgsc
T
Sal
Gg
Tsep
NOMBRE
Caudal de
aceite
Caudal de
agua
Caudal de gas
Temperatura
en cabeza
Presin
promedio del
fluido en el
segmento de
tubera
Salinidad del
agua
Gravedad
especifica del
gas libre
Temperatura
72
UNIDADES
BOPD
BWPD
SCFD
F
Psia
Ppm
Adimensional
F
Gsep
Psep
API
en el
separador
Gravedad
especifica del
gas en el
separador
Presin en el
separador
Gravedad API
del aceite a
60F
Adimensional
Psia
API
MTODO DE CALCULO
AUTOR
Viscosidad Gas
Viscosidad Aceite
Viscosidad Agua
Z gas
Densidad gas
Densidad aceite
Densidad agua
Factor volumtrico del
gas
Factor volumtrico del
aceite
Velocidad superficial
del liquido
Velocidad superficial
del gas
Velocidad superficial de
la mezcla
Numero de froude
Directo, correlacin
Directo, correlacin
Directo, correlacin
Directo, correlacin
Directo
Directo, balance
Directo, correlacin
Directo, correlacin
Ecuacin de estado
Directo, correlacin
Vasquez-Beggs,
Standing
Directo, ecuacin
Directo, ecuacin
Directo, ecuacin
Directo, correlacin
73
4.2.2.
Definicin De Entradas/Salidas
PATRN DE FLUJO
Segregado
Transicin
Intermitente
Distribuido
Salida 1
1
0
0
0
REPRESENTACIN EN LA SALIDA
Salida 2
Salida 3
Salida 4
0
0
0
1
0
0
0
1
0
0
0
1
En total son 1500 datos en los cuales hay ejemplares de cada uno de los patrones
propuestos por Beggs & Brill. Para la eleccin del conjunto de datos con los que se
probar y entrenar la red se agruparon los datos de acuerdo a cada una de las
clasificaciones, y se les orden de menor a mayor, segn los valores, tomando una
muestra aleatoria de los elementos a lo largo del cuerpo de datos. De este muestreo
se recogieron en total 192 datos, cerca del 12.8% del total, de los cuales se asigna el
30% a testeo de la red y el otro 70% a entrenamiento.
4.2.3.
Una vez reunidos los datos de entrenamiento y prueba, se disponen los requisitos a
superar por parte de la red o redes para que sean tenidas en cuenta como adecuadas,
en esta oportunidad, el nico requisito que se impone es que el error de
generalizacin, que es medido con los datos de test, debe ser menor o igual al 5%.
4.2.3.1
Se procede a generar una serie de redes auto sugeridas, inicialmente bajo el modelo
backpropagation. Se realizan 100 iteraciones con una tasa de 0.02 y un momento de
0.8, con el fin de observar cuales son las que tienen un descenso ms pronunciado en
74
el error, se escogen las tres que tengan el error ms bajo. A continuacin se inicia un
proceso iterativo, en el que tres ganadoras sufren pequeas variaciones en el numero
de neuronas, sumando o restando 1 2 neuronas a la capa oculta, aumentando o
disminuyendo la tasa de aprendizaje en un factor de 10 y subiendo y bajando el
momento en un factor de 10, en cada ciclo se escogen las mejores y se continua el
proceso. Una vez terminado este ciclo, se contina el proceso, inicializando y
entrenando completamente las redes.
Despus de este proceso de bsqueda de la PMC ms adecuada, se llega a una
arquitectura, mostrada en la Figura 22, con 3 neuronas en la capa de entrada, 4 en la
capa de salida y una capa oculta con solo 4 neuronas, para un error de entrenamiento
de 2.82% y un error de generalizacin de 1.75% satisfaciendo el criterio de bsqueda.
Segregado
Vso
Transicin
Vsg
Intermitente
Vsw
Distribuido
Entrada
Oculta
Salida
75
4.2.3.2
Segregado
Vso
Transicin
Vsg
Intermitente
Vsw
Distribuido
Entrada
Oculta
Salida
Figura 23. Arquitectura final Base Radial para determinar el patrn de flujo
76
5.
COMPARACIN Y GRFICOS
Nombre
Pozo1
Pozo2
Pozo3
Pozo4
Pozo5
Pozo6
Pozo7
Pozo8
Pozo9
Pozo10
Gg
0.7858
Gsep
Tsep
Psep
150
150
0.7858
Sal
28000
100
100
API
20.5
13.8
19.8
21
23.4
21.4
21.8
20.5
21
21
T
99.5
93
113.2
97.6
103.4
97.6
123.4
106.4
118.1
96.6
P
75
77
150
133
111
89
113
60
60
61
Tabla 10. Propiedades de los pozos, segn los parmetros requeridos en la Tabla 7
Para realizar el anlisis de resultados, slo se utilizar una red de las desarrolladas en
el captulo anterior, la que present mejor comportamiento de acuerdo a los
porcentajes de error, que en este caso, es el PMC. Para realizar el comparativo con
HYSYS 3.2, se realiza un modelo simple de tubera.
77
5.1.
POZO 1
78
79
5.2.
POZO2
80
81
5.3.
POZO3
82
83
5.4.
POZO4
84
85
5.5.
POZO5
86
87
5.6.
POZO6
88
89
5.7.
POZO7
90
91
5.8.
POZO8
92
93
5.9.
POZO9
94
95
5.10. POZO10
96
97
Nombre de la facilidad
Pozo1
Pozo2
Pozo3
Pozo4
Pozo5
Pozo6
Pozo7
Pozo8
Pozo9
Pozo10
HYSYS
PMC
Transicin Transicin
Segregado Segregado
Transicin Transicin
Segregado Segregado
Transicin Intermitente
Segregado Segregado
Segregado Segregado
Transicin Transicin
Intermitente Intermitente
Transicin Transicin
98
6.
CONCLUSIONES
Pese a que los registros disponibles para este trabajo son hipotticos, se logra
un modelo efectivo para la determinacin del patrn de flujo. Se puede
asegurar que, con datos reales de campo y un conjunto ms grande de
entrenamiento, el sistema es factible, con resultados satisfactorios.
99
7.
RECOMENDACIONES
100
8.
8.1.
INTRODUCCIN
Desde aqu se le orientar para que maneje el aplicativo arrancando desde cero. Para
esto es necesario que usted tenga fundamentos en redes neuronales artificiales, y
conozca las ventajas y desventajas de trabajar con uno u otro tipo de red.
Una de las utilidades de este software es permitirle manipular mltiples arquitecturas
prototipo antes de llegar a la que se acerque a la generalizacin que quiera conseguir,
quiz le ayude el Qu puede hacer?.
La ltima finalidad de este producto, es permitirle una mejor, cmoda y ms fcil
herramienta para encontrar la arquitectura de red que ms se ajuste a las necesidades
de su modelo, para esto siga las recomendaciones.
8.1.1.
Qu Puede Hacer?
Neuralyzer en su primera versin trata de ser lo ms til posible para el usuario, con
varios extras en su ejecutable, el usuario puede permitirse un anlisis documentado
de sus datos y de las redes creadas para su estudio.
Con Neuralyzer V.1 puede:
101
8.1.2.
Recomendaciones
Para un ptimo desarrollo del programa, es necesario que tenga en cuenta las
siguientes recomendaciones antes de empezar a trabajar:
8.2.
Para las PMC, el aplicativo trae habilitadas hasta seis capas, sin embargo
por experiencia se sabe que para casi todos los modelamientos, una red
con mximo cuatro capas es ms que suficiente.
DESDE CERO
En este tutorial se muestran todas las posibilidades que como principiante en el uso
de Neuralyzer debe conocer. En los siguientes pasos, aprender a manejar el
software de una manera grafica, sencilla y prctica.
A continuacin se listan las opciones principales del sistema:
102
Crear
Salvar
Cargar
Entrenar
Simular
8.2.1.
Cmo Crear?
8.2.1.1
Despus de tener una buena idea de lo que va entrar a la red y cul es la salida, se
ejecuta e comando crear red en el men red neuronal. Inmediatamente luego de llenar
103
8.2.1.2
Autogenerando Redes
8.2.2.
Cmo Salvar?
Para salvar las redes ya creadas esta la opcin Guardar en el men Red neuronal all
va tener varias opciones de salvado, entre las que cuentan:
104
Seleccionando la opcin Guardar red del men red neuronal se llega a la conocida
ventana de guardar archivo como, en la parte inferior se encuentran las opciones
anteriormente nombradas. Solamente se selecciona la adecuada y se oprime en
guardar, el archivo as guardado queda listo para ser utilizado con su respectivo
software.
8.2.3.
Cmo Cargar?
En la opcin cargar red del men red neuronal, se encuentra el dilogo de cargar red
neuronal, aqu el sistema carga redes salvadas con el formato .rna
105
8.2.4.
Entrenamiento
Hay que tener en cuenta los diferentes parmetros ubicados en la parte superior y que
de ellos depende tambin la duracin y la calidad del entrenamiento. Es por esto que
el usuario debe comprender el efecto que cada parmetro, iteraciones, tolerancia de
error, momentum y tasa de aprendizaje, producen en el entrenamiento de la red.
106
8.2.5.
Simulacin
107
8.3.
AVANZADAS
8.3.1.
Edicin.
Normalizacin.
Entradas/Salidas
Convertir Caudales
Exportar a Excel
Reportes
Grficas en 2D
Separador decimal
Normalizacin
Esta normalizacin aplica solamente mientras los datos estn cargados en el sistema
y de ninguna manera afectan el archivo desde donde fueron cargados. Para que la
normalizacin sea permanente, se debe editar directamente el archivo que contiene
los datos.
108
109
(valor_actu al min_actual ) (
nuevo_valo r =
[ nuevo_max nuevo_min )+ nuevo_min ]
(max_actual min_actual )
8.3.2.
Edicin
Al oprimir el botn derecho del ratn sobre alguna red neuronal, en la lista de redes en
el frame izquierdo de la ventana principal, aparece un men, accesible tambin por
medio de la opcin edicin en el men Red neuronal, desde este men se pueden
realizar acciones como mostrar los detalles de la red, Cambiar el nombre, Inicializar,
clonar, y borrar la red seleccionada.
110
8.3.2.1
Detalles
Los detalles de cada una de las redes son mostrados ac, el cambio de red para
visualizar se realiza por medio de un combo box situado en el margen superior
izquierdo de la ventana de dilogo, resaltado en la ilustracin.
8.3.2.2
Cambiar nombre
El nombre de la red puede ser cambiado, para efectos de mejor comprensin y orden,
el sistema por defecto asigna un nmero consecutivo a cada red generada
manualmente y un nmero aleatorio a cada red autogenerada.
111
8.3.2.3
Inicializar
La inicializacin es muy til para tener una nueva oportunidad de entrenar redes, tanto
backpropagation como de funcin de base radial. Se utiliza principalmente para
aquellas redes que han quedado atrapadas en un mnimo local, o simplemente han
quedado mal entrenadas, y se desea aplicar un nuevo entrenamiento. Aplicar la
inicializacin es equivalente a borrar y crear una nueva red con las mismas
caractersticas.
8.3.2.4
Clonar
8.3.2.5
Borrar
Para liberar espacio y para eliminar aquellas redes que definitivamente no sirven, o
son desechadas por su pobre desempeo, existe la opcin de borrar la red, pidiendo
antes una confirmacin de la accin para evitar el borrado por accidente.
8.3.3.
Entradas/Salidas
112
As mismo es posible asignar nombres a las variables, para permitir una mayor
comprensin de las entradas y las salidas de la red, esta opcin esta disponible
haciendo click sobre la caja de texto donde se encuentre la variable escogida.
113
8.3.4.
Convertir Caudales
Dentro de Neuralyzer v 1.0 es posible introducir los datos de los caudales diarios
producidos por un pozo, y llenando un sencillo formulario con los principales datos del
mismo, se calculan las velocidades superficiales para alimentar la red que se va a
entrenar con los mismos.
8.3.5.
Datos De La Facilidad
Con los datos de este formulario se realizan una serie de clculos, junto con los
caudales diarios del pozo para dar como resultado las velocidades superficiales.
114
8.3.6.
115
8.3.7.
Reportes
Los reportes son de mucha utilidad para la documentacin y seguimiento del proceso
de creacin y afinacin de la red neuronal. Dentro del men Resultados seleccione la
opcin Reportes
116
8.3.8.
Grficas En 2D
Las grficas son de mucha utilidad a la hora de realizar los anlisis, es por esto que
existe la opcin de verlas en Neuralyzer v1.0
117
8.3.9.
Separador Decimal
Cada computador puede tener su separador decimal en coma (,) o en punto (.) lo que
hace difcil la exportacin/importacin de los datos, afortunadamente en la opcin
Separador decimal del men configuracin se puede seleccionar el operador de
separacin decimal.
118
119
9.
Numero de iteraciones
Error de generalizacin (definido como la evaluacin de un conjunto de datos
entrada/salida que la red nunca ha visto y se califica como el promedio de las
diferencias entre la salida deseada y la salida obtenida)
n = nmero de datos
1
2
E=
(Yi Di ) Donde: Yi = Salida i obtenida
2n
Di = Salida i deseada
Compuerta AND
No existen para la red datos no vistos, es decir la evaluacin se hace en este caso a
partir del error de entrenamiento arrojado por el sistema. El conjunto con el que se
entrena la red es el siguiente:
Entrada 1
0
Entrada 2
0
Entrada 3
0
120
Salida
0
0
0
0
1
1
1
1
0
1
1
0
0
1
1
1
0
1
0
1
0
1
0
0
0
0
0
0
1
Entrada 2
0
0
1
1
0
0
1
1
Entrada 3
0
1
0
1
0
1
0
1
Salida
0
1
1
0
1
0
0
1
Sumador Binario
Este caso funciona de la siguiente manera:
No existen para la red datos no vistos, es decir la evaluacin se hace en este caso a
partir del error de entrenamiento arrojado por el sistema. Dos registros de 2 bits cada
uno, la salida es un registro de 3 bits con la suma de los registros de entrada.
Los datos totales son:
Registro 1
Bit 1
Bit 2
0
0
0
0
0
0
0
0
0
1
0
1
0
1
0
1
1
0
1
0
1
0
Registro 2
Bit 1
Bit 2
0
0
0
1
1
0
1
1
0
0
0
1
1
0
1
1
0
0
0
1
1
0
121
Bit 1
0
0
0
0
0
0
0
1
0
0
1
Salida
Bit 2
0
0
1
1
0
1
1
0
1
1
0
Bit 3
0
1
0
1
1
0
1
0
0
1
0
1
1
1
1
1
0
1
1
1
1
1
0
0
1
1
1
0
1
0
1
1
0
1
1
1
0
1
0
0
1
1
1
0
1
0
Entrada
1
3
5
7
9
Salida
2.75
4.25
5.75
7.25
8.75
Salida
3.5
8
9.5
Bit 2
0
0
0
1
1
0
0
1
1
Bit 3
0
1
1
0
0
1
1
0
0
122
Bit 4
1
0
1
0
1
0
1
0
1
Salida
Par/Impar
0
1
0
1
0
1
0
1
0
1
1
1
1
1
1
0
1
1
0
Bit 3
1
1
0
0
Bit 4
0
1
0
1
Salida
Par/Impar
1
0
1
0
Bit 2
1
1
0
0
Vs Aceite
0.137716822
0.142020473
0.146324123
0.150627774
0.176449678
0.180753329
0.197967931
0.241004438
0.30468017
0.344292055
0.348679759
1.269741074
0.085654435
0.09725332
0.019386294
0.006417419
0.124070098
0.057078277
0.051860863
0.005482401
0.072730747
0.00469896
0.022155765
0.003426177
0.047005624
0.074390722
0.019876714
0.081613791
Vs Gas
0.522874709
0.23238876
0.40668033
0.34858314
0.23238876
0.23238876
0.23238876
0.697166279
28.05934304
0.23238876
28.39695691
0
0.867033321
1.57666851
0.404862118
0.368356752
2.913367042
1.002208752
0.513522714
0.079720504
1.372966077
0.050347552
0
0.545909869
0.370596718
0.968632098
0.345305908
1.633149935
Vs Agua
2.694659501
2.217644747
2.792589682
2.640955853
1.961762661
1.968080737
1.983875928
2.552502786
0.104560467
1.86383248
0.011248685
1.698061951
0.046366646
0.001412143
0.016883986
0.002812171
0.019685199
0.002800152
0.011127
0.015380295
0.009842599
0.009776649
0.042209966
0.019670698
0.025340347
0.004208203
0.068765537
0.029525019
Segregado
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
123
Transicin
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Intermitente
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Distribuido
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.034557705
0.008947409
0.037195361
0.01559713
0.022438812
0.044849378
0.019509417
0.050736246
0.011887441
0.013733866
0.094161999
0.01147639
0.073070508
0.029815071
0.105713131
0.038895647
0.029365975
0.014959208
0.036466677
0.022473598
0.056774147
0.008739733
0.058757029
0.014301959
0.08039271
0.24935036
0.12100868
0.075512507
0.046905945
0.127395646
0.150260224
0.013328103
0.12792268
0.024711928
0.003654934
0.265544913
0.086073014
0.081448642
0.059443605
0.141242999
0.07340223
0.026058858
0.173377181
0.076160441
0.221910772
0.202271582
0.124557393
0.057894017
0.059543617
0.932814931
0.23784677
0.343708164
0.79094594
0.04905787
0.62366855
1.469482447
0.823242903
0.245079333
0.525936875
2.145769228
1.208634656
1.331941911
0.243745347
1.124863081
0.410818171
1.063986108
0.019623148
1.002208752
1.19531108
0
1.912497729
0.347434423
0.722639734
0.614622834
2.255436779
1.129749971
0.506660051
0.748409182
0.607293178
2.882796752
0.666692717
0.637764036
0.868330537
0
0.515526939
0.34858314
0.629344402
0.894661061
13.36044991
0.697395117
0.68604175
2.18694926
0
1.482139949
1.859110078
0.447823123
0.327711594
0.44534833
0.049148706
0
0.018235547
0.064645396
0.008418035
0.07025938
0.061535648
0.001400076
0.002808237
0.094336036
0.011255991
0.004226048
0.002802772
0.063152024
0.004208203
0.006954375
0.004194341
0.01683607
0.004200228
0.114048043
0.023918981
0.074624028
0.019709159
0.001412143
0.049097061
0.147607542
0.03616275
0.606781378
0.130009256
0.25748079
0.092674032
0.190036082
0.039149842
0.180411332
0.276845313
0.28985291
0.060021724
0.099163154
0.240109991
0.019697984
0.113849596
0.104641597
0.016849824
0.115373906
0.132384742
0.028431343
0.028053564
0.168814591
0.150548877
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
124
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.121922348
0.077726369
0.059929595
0.17438035
0.019509417
0.052252435
0.13508604
0.196520006
0.232548673
0.193711487
0.020832824
0.147492142
0.54182466
0.493397382
0.101381348
0.212343667
0.036858074
0.645547602
0.198223668
0.763235406
0.438311573
1.625473981
1.64415759
0.31847015
0.295998347
0.46723706
0.204373941
0.211937255
0.733391286
0.348568254
0.440328119
0.847819184
0.210878883
0.565789737
0.271129993
0.716205011
0.210643081
0.163538726
0.192478205
0.204163445
0.799186245
0.293941886
0.442774386
0.778483707
0.085260295
0.959091927
2.223349468
0.884357492
0.542310034
1.656313404
0.502232634
1.33874841
0.250780949
2.271018327
1.133267066
1.260429209
0.095586804
0.273105153
0.71748454
0.433499882
0.143672671
0.841907472
0.631803011
0.541173538
3.989584606
0.669954363
3.602025776
1.22437648
1.411703122
4.475241998
0.877733322
1.468859845
2.556276357
1.10919531
1.613374996
5.723857117
2.577634694
1.77234837
3.540116805
1.915882808
1.045749419
2.033401648
8.203828232
2.207693217
0.949385022
1.306532603
1.161943799
1.376531203
1.266650128
10.38800899
2.070634357
1.680598955
1.110601346
0.497726706
0.931472097
1.27181767
0.716516997
3.995333776
0.060438674
0.088328366
0.095744036
0.081355334
0.186005482
0.137743955
0.125204155
0.008426131
0.014043552
0.04194626
0.121952359
0.284217878
0.102395507
0.00317425
0.268418928
0
0.172415404
1.279410431
0.627085622
0.323875645
0.380402188
0.001402678
0.001402678
0.31590381
0.455669197
0.243958278
0.598085872
0.401334798
0.021063731
0.415365624
0.3014427
1.260456203
1.841719213
0.002800178
0.73289684
0.004208035
0.522802336
1.942808433
0.771035372
0.596994582
0.004212456
0.441937836
0.344906531
0.064523196
0.982868391
0.065925874
0.025248207
0.357682935
0.065495609
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
125
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.278334352
0.111894918
0.524750055
0.591099833
0.025821904
1.133472278
0.672609923
0.284837491
0.097886583
0.137716822
0.142020473
0.146324123
0.150627774
0.176449678
0.180753329
0.197967931
0.241004438
0.30468017
0.344292055
0.348679759
1.269741074
0.085654435
0.09725332
0.019386294
0.006417419
0.124070098
0.057078277
0.051860863
0.005482401
0.072730747
0.00469896
0.022155765
0.003426177
0.047005624
0.074390722
0.019876714
0.081613791
0.034557705
0.008947409
0.037195361
0.01559713
0.022438812
0.044849378
0.019509417
0.050736246
0.011887441
0.013733866
0.094161999
0.01147639
2.805375581
1.917207268
3.35609905
0.947704516
0.755263469
0.931472097
0.591126523
2.872170238
2.279970231
0.522874709
0.23238876
0.40668033
0.34858314
0.23238876
0.23238876
0.23238876
0.697166279
28.05934304
0.23238876
28.39695691
0
0.867033321
1.57666851
0.404862118
0.368356752
2.913367042
1.002208752
0.513522714
0.079720504
1.372966077
0.050347552
0
0.545909869
0.370596718
0.968632098
0.345305908
1.633149935
0.932814931
0.23784677
0.343708164
0.79094594
0.04905787
0.62366855
1.469482447
0.823242903
0.245079333
0.525936875
2.145769228
1.208634656
0.345438752
1.254138126
0.058557636
0.047613755
1.652176927
0.410984706
0.178140128
0.295091403
0.599790809
2.694659501
2.217644747
2.792589682
2.640955853
1.961762661
1.968080737
1.983875928
2.552502786
0.104560467
1.86383248
0.011248685
1.698061951
0.046366646
0.001412143
0.016883986
0.002812171
0.019685199
0.002800152
0.011127
0.015380295
0.009842599
0.009776649
0.042209966
0.019670698
0.025340347
0.004208203
0.068765537
0.029525019
0.049148706
0
0.018235547
0.064645396
0.008418035
0.07025938
0.061535648
0.001400076
0.002808237
0.094336036
0.011255991
0.004226048
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
126
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.073070508
0.029815071
0.105713131
0.038895647
0.029365975
0.014959208
0.036466677
0.022473598
0.056774147
0.008739733
0.058757029
0.014301959
0.08039271
0.24935036
0.12100868
0.075512507
0.046905945
0.127395646
1.331941911
0.243745347
1.124863081
0.410818171
1.063986108
0.019623148
1.002208752
1.19531108
0
1.912497729
0.347434423
0.722639734
0.614622834
2.255436779
1.129749971
0.506660051
0.748409182
0.607293178
0.002802772
0.063152024
0.004208203
0.006954375
0.004194341
0.01683607
0.004200228
0.114048043
0.023918981
0.074624028
0.019709159
0.001412143
0.049097061
0.147607542
0.03616275
0.606781378
0.130009256
0.25748079
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Transicin
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
Intermitente
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Distribuido
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Vs Gas
0.717186648
0.402780417
2.924144397
1.917151466
0.243745347
0.874893507
2.199372388
0.437446754
1.734066642
0.03579317
0.467178582
0.536897546
2.846393087
0.245079333
0.802077816
0.492708909
0.610134559
0.208143668
0.277947539
0.203536284
1.540805161
1.381223633
0.58717608
1.426733092
0.840299477
0.526148474
Vs Agua
0.059136022
0.055866566
0.016729675
0.031990125
0.058941889
0.002805469
0.084480032
0
0.032316147
0.011200608
0.00842027
0.018200988
0.019685199
0
0.025274136
0.004236428
0.022480798
0.008432008
0.032379332
0.291218319
0.089865728
0.014033783
0.080048246
0.10266974
0.264989164
0.056081502
Segregado
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
127
0.125654665
0.102375097
0.15011535
0.191472344
0.077791294
0.071002084
0.042455613
0.238133856
0.07021436
0.139945086
0.248578107
0.258920727
1.046282103
1.064965712
0.479482828
0.584697485
0.657238486
0.162997622
0.435435584
0.154931425
0.048899287
0.37367218
0.148228254
0.137921065
0.084006467
0.559474589
0.081769363
0.261497015
2.70240608
1.988135691
3.373165977
0.428772128
0.239643933
1.391694984
0.050417168
0.839024763
0.933237573
0.410272441
1.155193828
1.830084759
0.859820397
0.877733322
4.98540331
2.770957296
5.9279226
5.412777926
4.033437491
0.929555039
1.05766925
0.304519724
0
1.182100926
0.311079191
0.813360659
2.091498838
1.570646159
0.042166517
0.071611752
0.056102048
0.042155628
0.198895124
0.115140464
0.16178065
0.122692189
0.104560467
0.197022702
0.168306145
0.257616415
0.234247255
0.343656153
0.002800178
0.023689901
0.58161533
0.589721035
0.250968573
1.434203298
1.293761513
0.681701593
0.764768234
0.687310804
0.906190715
1.023528345
1.525815403
0.521496438
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Comparacin de resultados
Compuerta AND
Tipo de RNA
Feed-Forward
Backpropagation
Base
Radial
Radial
Basis
(Fewer
neurons)
--
Parmetro
Iteraciones
Error de
entrenamiento
Tiempo de
1000
0.39%
18.04%
0.02%
0.00%
0.32
2.63 segundos
0.25
0.00
128
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
segundos
segundos
segundos
--
--
Feed-Forward
Backpropagation
Base
Radial
Radial
Basis
(Fewer
neurons)
--
Compuerta XOR
Tipo de RNA
Parmetro
Iteraciones
Error de
entrenamiento
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
1000
12.92%
30.80%
1.13%
0.00%
0.22
Segundos
3.53 segundos
0.15
segundos
0.00
segundos
Feed-Forward
Backpropagation
Base
Radial
Radial
Basis
(Fewer
neurons)
--
Sumador Binario
Tipo de RNA
Parmetro
Iteraciones
Error de
entrenamiento
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
1000
4.93%
46.39%
0.82%
0.00%
0.28
segundos
3.62
segundos
0.18
segundos
0.00
segundos
16
16
Tipo de RNA
129
Feed-Forward
Backpropagation
Base
Radial
195.30%
Radial
Basis
(Fewer
neurons)
-10.14%
Parmetro
Iteraciones
Error de test
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
1.3%
1000
30.26%
0.34
segundos
4.53
segundos
0.15
segundos
0.00
segundos
Feed-Forward
Backpropagation
Base
Radial
0.00%
Radial
Basis
(Fewer
neurons)
-2.55%
Tipo de RNA
Parmetro
Iteraciones
Error de test
Tiempo de
ejecucin
durante el
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
0.01%
1000
20.98%
0.28
segundos
4.63
segundos
0.19
segundos
0.00
segundos
11
11
Feed-Forward
Backpropagation
Base
Radial
42.12%
Radial
Basis
(Fewer
neurons)
120
81.46%
3.88
segundos
1.97
segundos
Tipo de RNA
Parmetro
Iteraciones
Error de test20
Tiempo de
ejecucin
durante el
1.9%
1000
47.74%
1.04
segundos
5.50
segundos
20
El clculo del porcentaje de error de test es en este caso, el porcentaje de los desaciertos
sobre el total de los registros evaluados.
130
entrenamiento
Nmero de
capas
Neuronas en la
capa oculta
135
135
Conclusiones
131
BIBLIOGRAFA
En orden de aparicin:
1. Miguel Garre et al. Comparacin de diferentes algoritmos de clustering en la
estimacin de coste en el desarrollo de software. Universidad de Alcal.
Madrid.
2. Mohaghegh S. Neural Network: What it can do for Petroleum Engineers,
paper SPE 29219. JPT (Enero/95).
3. Osman, E.A.: Artificial Neural Networks Models for Identifying Flow Regimes
and Predicting Liquid Holdup in Horizontal Multiphase Flow, paper SPE
68219, marzo 2001.
4. Lobo C. Eduardo A. Romero R. Yeison R. Determinacin del patrn de flujo
multifsico predominante del sistema de facilidades de superficie del campo
gala utilizando una aplicacin numrica desarrollada en el software Microsoft
Excel. Tesis de Grado. P14802.UIS.
5. Amaya A. Carlos, Pallares Henry. Influencia de los modificadores de tensin
superficial en los patrones de flujo en flujo bifsico gas-liquido en tubera
horizontal. Tesis de grado. P06796. 1996.UIS
6. Brill J. P. Arirachakaran S. J. State of the art in multiphase flow. Paper. SPE.
232835. Mayo de 1992.
7. Mohaghegh, S.D.: Virtual Intelligence Applications in Petroleum Engineering:
Part 1Artificial Neural Networks, paper SPE 58046,
8. Dukler, Wicks & Cleveland, A.I.Ch.E. Journal, 10, 44. 1974
9. Beggs H.D. and Brill, J.P.: A Study of Two Phase Pressure Drop In Inclined
Pipes JPT, May 1973 (Cap. 3).
10. Rueda L. Alexander, Garca J. Diego M. Estudio generalizado de las
aplicaciones de las redes neuronales en la industria del petrleo. Tesis de
Grado. P10110. UIS.
11. Miguel F. Prez I., Mike A. Rozo A., Roberto Ulloa J. Estudio de yacimientos
de petrleo usando redes neuronales artificiales. Universidad Industrial de
Santander. Facultad de Ingenieras Fsico-Qumicas. Escuela de Ingeniera de
Petrleos. Bucaramanga 2002.
12. Sandoval M. Jorge E. Aplicaciones de redes neuronales para predecir la
composicin de fluidos en yacimientos de gas condensado a partir de datos
de produccin. Tesis de Grado. YP09096. UIS. 1999.
13. Henry Guerrero R, Javier Medina C. Desarrollo de un Sistema de Diagnostico
por Computador del Flujo Multifsico en Tuberas Verticales. Universidad
Industrial de Santander. Bucaramanga 1990.
14. Ady Z. Alfaro G, Jos A. Camacho A. Evaluacin Crtica de Flujo Multifsico
utilizando Modelos Mecansticos. Universidad Industrial de Santander.
Facultad de Ingenieras Fsico-Qumicas. Escuela de Ingeniera de Petrleos.
Bucaramanga 2001.
15. Alcal C. Jaime R. Prediccin de patrones de flujo bifsicos gas-lquido
viscosos en tuberas horizontales y levemente inclinadas. Tesis de Grado. ST0128 Universidad Simn Bolvar. 1999.
16. Economides, J.M. and Hill, A.D: Petroleum Production Systems, Hall PTR
Prentice, New Jersey, 1994 (Cap. 7 y 10).
132
133