4 PDPETRO, Campinas, SP

21-24 de Outubro de 2007

3.1.0076-1 - 1

IDENTIFICAO DE PADRES DE ESCOAMENTO MULTIFSICO E

DETERMINAO DA PERDA DE CARGA COM O AUXLIO DE REDES NEURAIS
Fabola Pacheco (Unicamp), Csar Cludio P. Cavalcante (Unicamp). Jos Ricardo P. Mendes (Unicamp),
Antnio C. Bannwart (Unicamp), Adriane B. de Souza Serapio (Unesp).
fabiola@dep.fem.unicamp.br
cesar@dep.fem.unicamp.br
jricardo@dep.fem.unicamp.br
Escoamentos multifsicos so comumente encontrados na produo e transporte de leo e gs. Neste tipo de
escoamento, as fases presentes podem escoar dispostas em diferentes configuraes espaciais no interior do duto,
denominadas de padres de escoamento. A identificao dos padres de escoamento essencial para questes
que esto estritamente relacionadas ao retorno econmico do campo como, por exemplo, na medio das vazes
volumtricas transportadas, determinao da queda de presso ao longo das linhas de escoamento,
gerenciamento da produo e fiscalizao. Estes fatores so crticos em condies de produo offshore, onde
grandes distncias e altos custos esto envolvidos. Diversos modelos utilizados para estimativa dos gradientes de
presso ao longo das linhas de produo e transporte levam em considerao os regimes de escoamento
presentes. Estes mtodos consistem em correlaes empricas e modelos mecanicistas. Os mtodos mecanicistas
visam o desenvolvimento de solues analticas descritivas do escoamento a partir dos conceitos bsicos da
mecnica dos fluidos. Por outro lado, o desenvolvimento emprico consiste na obteno de correlaes por meio
da anlise de dados experimentais. Apesar dos avanos realizados nos ltimos anos, ambas as metodologias
ainda no fornecem resultados com a preciso e confiabilidade requeridas pela indstria. Uma abordagem nofenomenolgica para caracterizao do regime de escoamento e estimativa do gradiente de presso em
escoamentos multifsicos, baseada no emprego da ferramenta de redes neurais, apresentada neste trabalho.
Duas redes neurais artificiais (RNAs) foram desenvolvidas e testadas: a primeira especializada na caracterizao
de padres de escoamento multifsico para tubos verticais e a segunda especializada na estimativa do gradiente
de presso associado ao padro de escoamento. Um conjunto contendo 120 sries de dados oriundos de ensaios
experimentais de escoamento vertical ascendente de leo pesado assistido por gua foi utilizado para
treinamento, validao e teste das RNAs. Valores das vazes dos fluidos, presso absoluta, temperatura, razo
gs-leo (RGO) e BSW (basic sediments and water) foram utilizados como dados de entrada para as redes
neurais. Os resultados das simulaes das RNAs desenvolvidas foram comparados com os obtidos
experimentalmente e calculados atravs das correlaes empricas de Beggs & Brill e Hagerdorn & Brown. As
RNAs apresentaram previses mais precisas e exatas quando comparados com as correlaes empricas. Isto foi
verificado em termos de maiores valores dos coeficientes de correlao e menores desvios mdios absolutos em
relao aos resultados experimentais.
Redes Neurais, Escoamento Multifsico, Padres de Escoamento, Gradiente de Presso.

1. INTRODUO
Escoamentos multifsicos podem ser encontrados em diversas reas de conhecimento, tais como, na indstria
qumica, alimentcia e de petrleo. O conhecimento das propriedades relacionadas a este tipo de escoamento
fundamental para o planejamento e dimensionamento adequado de mtodos e equipamentos utilizados nesses
setores.
Durante as fases de produo e transporte de petrleo, gs e lquido podem ser podem ser encontrados
escoando simultaneamente no interior de dutos. As fases presentes podem, portanto, estar dispostas em diversas
configuraes espaciais, que so denominadas de padres de escoamento.
A identificao dos padres de escoamento essencial para questes que esto estritamente relacionadas ao
retorno econmico do campo como, por exemplo, na medio das vazes volumtricas transportadas. Alm
disso, diversos modelos utilizados para estimativa dos gradientes de presso ao longo das linhas de produo e
transporte, de gs e leo, levam em considerao os regimes de escoamento presentes.
Diversas pesquisas vm sendo realizadas desde a dcada de 40 com o objetivo de desenvolver mtodos para
previso dos padres de escoamento e estimativa dos gradientes de presso ao longo de tubulaes. Em geral,
duas abordagens so consideradas: os modelos mecanicistas e as correlaes empricas. Os mtodos
mecanicistas visam o desenvolvimento de solues analticas descritivas do escoamento a partir dos conceitos
bsicos da mecnica dos fluidos. A metodologia emprica, por outro lado, consiste na obteno de correlaes
por meio da anlise de dados experimentais.

Copyright 2007 ABPG

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 2

Apesar dos avanos realizados em ambas as metodologias citadas, os resultados obtidos ainda no fornecem
a preciso e confiabilidade requeridas pela indstria.
Mesmo sendo uma tecnologia relativamente recente, a utilizao de redes neurais artificiais (RNAs) tem
sido bem sucedida na soluo de problemas complexos, despertando, assim, o interesse da indstria de petrleo.
As RNAs possuem a capacidade de aprendizado e generalizao, mesmo dispondo de dados poucos precisos.
Portanto, as RNAs so amplamente aplicveis em problemas que requerem a identificao de padres e
estimativa de valores.
Este trabalho tem por finalidade apresentar a modelagem de duas redes neurais artificiais utilizadas para a
previso dos padres de escoamento e estimativa dos gradientes de presso. Um conjunto contendo 120 sries de
dados experimentais, incluindo vazes das fases escoando, presso absoluta, temperatura, razo gs-leo (RGO)
e BSW (basic sediments and water), foi utilizado para treinar, validar e testar as redes neurais desenvolvidas.
Os resultados obtidos das simulaes das RNAs foram comparados com algumas das correlaes empricas
mais utilizadas na indstria. Essa anlise indicou que as RNAs possuem uma melhor capacidade de estimativa
dos padres de escoamento e da perda de carga sendo, portanto, uma ferramenta vivel para esse tipo de
aplicao.
2. REVISO DA LITERATURA
2.1 Propriedades do Escoamento Multifsico
Durante a produo e o transporte de petrleo, o escoamento bifsico freqentemente observado no interior
da coluna de produo e nas tubulaes de escoamento, ocorrendo em trechos horizontais, inclinados ou
verticais. Devido ao carter complexo do escoamento multifsico diversas metodologias foram desenvolvidas
com a finalidade de identificar os padres de escoamento e estimar o gradiente de presso. O conhecimento
dessas propriedades essencial para o dimensionamento dos dutos e dos equipamentos de produo.
Segundo Tackacs (2001) as principais correlaes utilizadas na indstria de petrleo so: Hagedorn &
Brown, Beggs e Brill, Aziz e Govier e Mukherjee e Brill. Neste trabalho as correlaes de Beggs & Brill,
Hagerdon & Brown foram utilizadas como referncia para comparao com os resultados obtidos pelas redes
neurais artificiais.
Beggs & Brill (1973) desenvolveram uma correlao emprica para clculo do gradiente de presso ao longo
de tubulaes orientadas sob qualquer inclinao. Eles utilizaram ar e gua para simular o escoamento bifsico
no interior de dutos de acrlico com 2,54 e 3,81 centmetros de dimetro. Medies do holdup de lquido (frao
volumtrica de uma seco do duto ocupada pela fase lquida) e do gradiente de presso foram realizadas para
inclinaes da tubulao variando desde a horizontal at a vertical.
Hagedorn & Brown (1965) elaboraram uma correlao para clculo do gradiente de presso em escoamentos
verticais a partir de dados originados de um poo experimental com 500 m de profundidade. Neste trabalho, o
holdup de lquido utilizado apenas como um parmetro de ajuste entre o gradiente de presso mensurado e o
gradiente de presso calculado. Dessa forma, seu valor no representa uma medida da frao do duto ocupado
pelo lquido.

Figura 1. Mapa de Taitel & Dukler para

Escoamento Vertical Ascendente

Copyright 2007 ABPG

Figura 2. Padres de Escoamento Verticais

Segundo Taitel & Dukler

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 3

Taitel & Dukler (1976) apresentaram um excelente modelo mecanicista para previso da transio entre os
regimes de escoamento em tubulaes verticais. Eles realizaram um balano da quantidade de movimento de
cada um das fases escoando no interior do duto para avaliar os mecanismos de transio entre os padres de
escoamento. Com base nos resultados obtidos, foi elaborado um mapa de escoamento delimitando as faixas de
valores de vazo onde cada regime de fluxo observado, conforme mostrado na Figura 1. A Figura 2 apresenta
os padres de escoamento observados nesse trabalho.
Apesar da grande quantidade das correlaes existentes, a previso dos resultados no obtida com a
acurcia desejada, segundo Aggour et Al (1994) e Rao (1998); um dos motivos o carter estatstico das
correlaes, que so expresses globais, possuindo limitadas consideraes fsicas, e, portanto podem se tornar
restritas na tentativa de prever situaes reais de campo. Devido a sua capacidade de aprendizado e
generalizao as RNAs podem ser aplicadas na extrao dessas consideraes fsicas, podendo proporcionar
melhores resultados.
2.2 Aplicaes de Redes Neurais Artificiais em Escoamentos Multifsicos
As redes neurais artificiais (RNAs) so sistemas computacionais formados pela integrao de inmeros
elementos de processamento, os neurnios, interconectados e atuando em paralelo. Apesar da simplicidade
funcional e estrutural, as RNAs possuem diversas habilidades, tais como, a facilidade no reconhecimento de
padres em um conjunto de dados.
O uso de RNAs na indstria de petrleo recente, e seu potencial no foi completamente explorado. Apesar
disso, muitos pesquisadores tm aplicado redes neurais artificiais para resolver vrios problemas associados ao
escoamento multifsico.
Bilgesu et Al (1995) publicaram dois trabalhos onde utilizaram redes neurais para a identificao dos padres
de escoamentos e estimativas do holdup de lquido e da presso de fluxo no fundo do poo (BHP). Uma nova
metodologia, denominada de Virtual Measurements in Pipes (VMP), foi desenvolvida com a finalidade de
fornecer previses das propriedades do escoamento multifsico. Os resultados obtidos atravs das simulaes
das redes neurais foram comparados com dados laboratoriais, de campo e com correlaes empricas. As redes
neurais mostraram boa concordncia com os valores experimentais e de campo e, quando comparadas com as
correlaes, obtiveram melhores desempenhos.
Crivelaro & Seleghim (1999) apresentaram um trabalho onde utilizavam redes neurais artificiais associadas a
uma sonda de visualizao direta para caracterizao dos padres de escoamento horizontais. Ar a gua foram
usados como fluidos de teste. Os resultados demonstraram desempenho satisfatrio do sistema desenvolvido.
Ishii, Mi e Tsoukalas (2000) desenvolveram uma metodologia para previso em tempo real dos padres de
escoamento em escoamentos verticais baseada em redes neurais. Valores estatsticos da impedncia do fluxo
bifsico foram usados como entradas para o sistema. Resultados obtidos da correlao de Mishima & Ishii foram
utilizados como referencia para o treinamento das redes. Os resultados obtidos demonstraram a aplicabilidade de
redes neurais para a previso dos padres de escoamento verticais.
3. METODOLOGIA
3.1 Aquisies dos Dados Experimentais
Os dados utilizados para elaborao deste trabalho foram cedidos gentilmente por Bannwart et Al (2005).
Eles desenvolveram um trabalho experimental para anlise do escoamento trifsico de leo pesado assistido com
gua em escoamentos verticais ascendentes. Os ensaios foram realizados na Faculdade de Engenharia Mecnica
da Universidade Estadual de Campinas (UNICAMP). A Figura 3 apresenta o aparato utilizado nessa pesquisa.
A fase lquida foi constituda de uma emulso de gua em leo com viscosidade de 5,040 mPa.s e densidade
de 971 Kg/m. Ar comprimido foi utilizado para simulao do escoamento da fase gasosa. Os fluidos foram
misturados com o auxlio de misturador e bombeados atravs de um longo duto vertical de vidro com 2,84 cm de
dimetro. Os padres de escoamento foram identificados por meio de visualizao. Instrumentao para medio
das vazes dos fluidos injetados e do diferencial de presso ao longo do escoamento foi instalada no aparato.
Cento e vinte condies de escoamento foram testadas durante os ensaios experimentais. A regio sombreada
na Figura 4 representa a faixa de valores de velocidades superficiais (ou vazes) de lquido e gs abrangidas no
experimento. Dados dos padres de escoamento, presses absolutas, temperaturas, gradientes de presso, razes
gs-leo (RGO) e BSW (basic sediments and water) foram obtidos.

Copyright 2007 ABPG

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 4

Figura 3. Aparato Experimental Utilizado para Aquisio dos Dados Experimentais.

Figura 4. Faixa de Velocidades Superficiais do Experimento.

3.2 Classificaes dos Padres de Escoamento
Os padres de escoamento observados durante os ensaios experimentais foram classificados como bolhas,
bolhas dispersas ou golfadas. Transies entre os padres bolhas e golfada e entre bolhas e bolhas dispersas
tambm foram verificadas.
Dessa forma, visando facilitar a identificao dos regimes de escoamento pelas redes neurais desenvolvidas,
foi proposta a codificao dos mesmos em forma de trades de nmeros binrios, conforme apresentado na
Tabela 1.
Tabela 1. Codificao dos Padres de Escoamento.
Padres de Escoamento
Bolhas
Golfada
Bolhas Dispersas
Bolhas - Golfada (Transio)
Bolhas - Bolhas Dispersas (Transio)

1
0
0
1
1

Codificao
0
1
0
1
0

0
0
1
0
1

3.3 Desenvolvimento das Redes Neurais

3.3.1 Pr-processamento dos Dados
O conjunto de dados foi aleatoriamente dividido em subconjuntos de treinamento, validao e teste. O
subconjunto de treinamento foi usado para ajustar os pesos das redes; o subconjunto de validao foi usado para

Copyright 2007 ABPG

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 5

garantir a capacidade de generalizao das redes desenvolvida durante a fase de treinamento e o subconjunto de
teste teve por finalidade examinar o desempenho final da rede.
Com a finalidade de demonstrar a robustez das redes neurais desenvolvidas, duas distribuies do conjunto
de dados foram adotadas. Na primeira distribuio (Distribuio #1) foram utilizados 60, 30 e 30 sries de dados
para treinamento, validao e teste das redes neurais, respectivamente. Da mesma maneira, a segunda
distribuio dos dados (Distribuio #2) consistiu em 50, 20 e 50 sries de dados para treinamento, validao e
teste. Portanto, espera-se que as duas redes neurais desenvolvidas apresentem resultados satisfatrios para as
duas distribuies do conjunto de dados utilizados.
3.3.2 As Redes Neurais Artificiais
Duas RNAs foram desenvolvidas neste trabalho. A primeira rede, denominada de Padro, foi projetada
com a finalidade de identificar os padres de escoamento em fluxo vertical ascendente. A segunda rede,
chamada de Gradiente, foi desenvolvida para clculo do gradiente de presso associado ao padro de
escoamento identificado na primeira rede.
As redes neurais foram projetadas utilizando o toolbox Neural Network (NNtool) do software comercial
MatLab. A topologia Perceptron Multicamada Feedforward foi adotada na construo de ambas as RNAs,
devido sua capacidade de representao de mapas funcionais no-lineares entre as entradas e sadas. As redes
neurais foram treinadas utilizando o paradigma Backpropagtion.
Ambas as redes foram projetadas com trs camadas (01 de entrada, 01 intermediria e 01 de sada), sendo
que o nmero de neurnios da camada intermediria foi variado, durante o treinamento, de forma sistemtica
para cada um dos casos. Os valores resultantes do treinamento de cada uma das redes foram analisados
estatisticamente e as melhores configuraes de cada uma das RNAs foram selecionadas para a realizao das
simulaes (testes). A seguir descrito o procedimento de estruturao das redes Padro e Gradiente.
Na rede neural Padro, a funo sigmide logstica, Equao (1), foi utilizada para ativao dos neurnios
tanto na camada intermediria como na de sada.
Logsig ( n )

1
1+ e

(1)

n = w x

(2)

onde w peso da conexo e x o valor de entrada do neurnio. A camada de entrada foi constituda de cinco
neurnios, que representam as vazes de leo, gua e gs e os valores de BSW e RGO. A camada de sada
contm trs neurnios, correspondentes trade de codificao associada ao padro de escoamento. Por fim, na
camada intermediria, o nmero de neurnios foi variado entre 25 e 125, com o intuito de encontrar a
configurao que fornecesse os melhores resultados. A Figura 5 apresenta um esquema da estrutura da rede
neural Padro.

Figura 5. Esquema da Estrutura da Rede Neural Padro

Os valores de vazes de leo, gua e ar, RGO, BSW, presso absoluta, temperatura e a trade referente aos
padres de escoamento foram utilizados como dados de entrada para a rede neural Gradiente. Portanto a
camada de entrada desta rede composta por dez neurnios, no total. Da mesma forma que na rede Padro, o
nmero de neurnios da camada intermediria da rede Gradiente foi variado, entre 10 e 50. A camada de sada
desta RNA possui apenas um neurnio, que retorna o valor do gradiente de presso.
As funes de transferncia tangente hiperblica sigmide, Equao (3), e Linear, Equao (4), foram
utilizadas para ativao das camadas intermediria e de sada da rede Gradiente, respectivamente.

Tansig ( n ) =

2
1
2 n
1+ e

Copyright 2007 ABPG

(3)

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 6

f ( x) = x

(4)

O valor de n o mesmo fornecido pela Equao (2). A Figura 6 mostra uma representao da estrutura da
rede neural Gradiente.

Figura 6. Esquema da Estrutura da Rede Neural Gradiente

As configuraes das redes neurais Padro e Gradiente que apresentaram melhores desempenhos,
durante a fase de treinamento, para ambas as distribuies adotadas do conjunto de dados, foram selecionadas
para a realizao dos testes. Nesta etapa, as redes neurais foram simuladas com os dois subconjuntos de testes
(contendo 30 e 50 sries de dados) e os resultados obtidos foram comparados com os dados obtidos
experimentalmente.
3.4 Clculo do Gradiente de Presso Atravs das Correlaes Empricas
As correlaes de Beggs & Brill e de Hagedorn & Brown foram utilizadas para o clculo dos gradientes de
presso utilizando os dois subconjuntos de teste, com 30 e 50 sries de dados. Os resultados obtidos foram
comparados com os valores encontrados experimentalmente e com os obtidos das simulaes das redes neurais.
4. RESULTADOS E DISCUSSO
4.1 Configuraes das Redes Neurais
Durante a fase de treinamento das redes neurais Padro e Gradiente, o nmero de neurnios da camada
intermediria, em ambas as redes, foi variado visando obteno de configuraes que fornecessem os melhores
desempenhos.
Configuraes da rede neural Padro contendo 25, 50, 75, 100 e 125 neurnios na camada intermediria
foram examinadas para as distribuies #1 e #2 do conjunto de dados. A Figura 7 mostra o grfico comparativo
da porcentagem de acertos dos padres de escoamento durante o treinamento, em cada distribuio, para cada
uma das configuraes.
Porcentagem de Acertos na Identificao dos Padres
de Escoamento Durante o Treinamento
100.0

% Acertos

95.0
90.0
85.0
80.0
75.0
70.0
25

50
75
100
125
Nmero de Neurnios na Camada Intermediria
Distribuio #1

Distribuio #2

Figura 7. Porcentagem de Acertos do Padro de Escoamento

para Cada Configurao da Rede Padro
Pode-se observar dos resultados obtidos na Figura 7, que a configurao da rede neural Padro com 25
neurnios na camada intermediria apresentou a maior porcentagem de acertos do padro de escoamento para as
distribuies #1 (94% de acerto) e #2 (88% de acerto). Esta rede forneceu um erro absoluto mximo, durante o
treinamento, de 9,64 . 10-7 com apenas 132 pocas. Portanto, esta configurao foi a selecionada para a realizao
dos testes (simulaes).

Copyright 2007 ABPG

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 7

Configuraes da rede neural Gradiente com 10, 20, 30, 40 e 50 neurnios na camada intermediria foram
analisadas. A soma dos quadrados dos erros absolutos (SSE) foi utilizada como critrio de performance para o
treinamento desta rede.
A seleo da configurao com melhor desempenho considerou duas propriedades estatsticas: o desvio
absoluto mdio (DAM) dos resultados do treinamento em relao ao valor esperado e o coeficiente de correlao
dos mesmos (R) com os dados experimentais. A Tabela 2 apresenta os valores obtidos para os desvios absolutos
mdios e coeficientes de correlao para cada configurao da rede Gradiente, nas duas distribuies
estudadas durante o treinamento.
Tabela 2. Valores do Desvio Absoluto Mdio (DAM) e do Coeficiente de Correlao (R)
em cada Configurao da Rede Neural Gradiente
N de Neuronios na Camada Intermediria

Distribuio #1

Distribuio #2

Valores Mdios

10

20

30

40

50

Desvio Absoluto Mdio (DAM)

662.8

417.9

668.8

466.6

686.4

Coeficiente de Correlao (R)

0.873

0.942

0.898

0.941

0.889

Desvio Absoluto Mdio (DAM)

576.2

876.4

739

713.5

918.3

Coeficiente de Correlao (R)

0.892

0.748

0.869

0.887

0.784

Desvio Absoluto Mdio (DAM)

619.5

647.2

703.9

590.0

802.4

Coeficiente de Correlao (R)

0.883

0.845

0.884

0.914

0.837

Conforme pode ser observado na Tabela 2, a configurao da rede Gradiente possuindo 40 neurnios na
camada intermediria foi a que apresentou melhor desempenho, quando analisadas as duas distribuies do
conjunto de dados. Isto evidenciado pelo fato de que esta configurao apresentou maior valor mdio do
coeficiente de correlao (R = 0.914) e menor valor mdio do desvio absoluto mdio (DAM = 590. Pa/m).
Desta forma, a rede neural Gradiente contendo 40 neurnios na camada intermediria foi selecionada para a
realizao dos testes.
4.2 Padres de Escoamento
A rede neural Padro selecionada (configurao com 25 neurnios na camada intermediria) foi simulada
utilizando-se os subconjuntos de teste contendo 30 e 50 sries de dados. Os resultados obtidos so mostrados na
Figura 8.

Figura 8. Resultados da Simulao da Rede Neural Padro

Para o subconjunto contendo 30 sries de dados, a rede neural Padro apresentou 94.0 % de acertos na
identificao do padro de escoamento durante a fase de treinamento e 94.0 % de acertos na identificao
durante a fase de teste, quando comparada com os regimes de escoamento verificados experimentalmente. Na
simulao com 50 sries de dados, o desempenho dessa rede foi de 88.0 % de acertos para a fase de treinamento
e 90.0 % de acertos para a fase de teste. A partir destes resultados verificou-se que a rede projetada desenvolveu
capacidade de generalizao na identificao de padres, alm de mostrar desempenho satisfatrio na
caracterizao dos regimes de escoamento verticais.

Copyright 2007 ABPG

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 8

4.3 Gradiente de Presso

A rede neural Gradiente foi inicialmente treinada utilizando os dados de padro de escoamento obtidos
experimentalmente, para que no houvesse a propagao do erro resultante da rede Padro. Posteriormente,
durante a fase de teste, as redes neurais Padro e Gradiente foram interconectadas e simuladas para fornecer
os valores dos gradientes de presso. Desta forma, os resultados obtidos da simulao da rede Padro foram
utilizados como valores de entrada para a rede Gradiente.
Os dois subconjuntos de dados de testes foram usados na simulao da rede Gradiente. Os valores dos
gradientes de presso calculados pela rede neural so mostrados da Figura 9 Figura 12. Tambm so
apresentados os valores dos gradientes de presso medidos experimentalmente e estimados atravs das
correlaes de Beggs & Brill (Figuras 9 e 11) e de Hagedorn & Brown (Figuras 10 e 12).
Comparao entre os Mtodos de Estimativa do Gradiente de Presso
(30 Sries de Dados)
Gradiente de Presso (Pa/m)

12000
10000
8000
6000
4000
2000
0
0

10

Valores Experimentais

15
Sries de Dados

20

25

Correlao de Beggs & Brill

30

Rede Neural Gradiente

Figura 9. Valores do Gradiente de Presso (Experimental, Beggs & Brill e Rede Neural Gradiente)
Comparao entre os Mtodos de Estimativa do Gradiente de Presso
(30 Sries de Dados)
Gradiente de Presso (Pa/m)

12000
10000
8000
6000
4000
2000
0
0

10

Valores Experimentais

15
Sries de Dados

20

25

Correlao de Hagedorn & Brown

30

Rede Neural Gradiente

Figura 10. Valores do Gradiente de Presso (Experimental, Hagedorn & Brown e Rede Neural Gradiente)
Comparao entre os Mtodos de Estimativa do Gradiente de Presso
(50 Sries de Dados)

Gradiente de Presso (Pa/m)

12000
10000
8000
6000
4000
2000
0
0

10

Valores Experimentais

15

20
25
30
Sries de Dados
Correlao de Beggs & Brill

35

40

45

50

Rede Neural Gradiente

Figura 11. Valores do Gradiente de Presso (Experimental, Beggs & Brill e Rede Neural Gradiente)

Copyright 2007 ABPG

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 9

Comparao entre os Mtodos de Estimativa do Gradiente de Presso

(50 Sries de Dados)
Gradiente de Presso (Pa/m)

12000
10000
8000
6000
4000
2000
0
0

10

Valores Experimentais

15

20
25
30
Sries de Dados

35

Correlao de Hagedorn & Brown

40

45

50

Rede Neural Gradiente

Figura 12. Valores do Gradiente de Presso (Experimental, Hagedorn & Brown e Rede Neural Gradiente)
A anlise dos grficos mostra visualmente o excelente correlacionamento dos resultados fornecidos pela rede
Gradiente com os obtidos atravs das medies experimentais, comportamento verificado para os dois
subconjuntos de teste examinados. Alm disso, quando comparada com as correlaes de Beggs & Brill e de
Hagedorn & Brown, a rede Gradiente apresentou melhor desempenho na previso dos gradientes de presso.
Isto pode ser verificado atravs da anlise dos desvios absolutos mdios (DAM), mostrados na Tabela 3.
Tabela 3. Comparao entre os Mtodos de Estimativa do Gradiente de Presso
Mtodos de Estimativa do Gradiente de Presso
Beggs & Brill

Hagedorn & Brown

Rede Neural "Gradiente"

Subconjunto #1
(30 Sries de Dados)

Desvio Absoluto Mdio (DAM)

1530.6

1654.8

466.6

Subconjunto #2
(50 Sries de Dados)

Desvio Absoluto Mdio (DAM)

1636.14

1660.4

713.5

Pode-se perceber que a rede neural foi o mtodo que forneceu menores desvios mdios em relao aos
valores experimentais, fornecendo, assim, as melhores estimativas do gradiente de presso.
5. CONCLUSO
Este trabalho apresentou uma metodologia para o desenvolvimento de duas redes neurais: uma utilizada para
identificao dos padres de escoamento bifsicos e outra para estimativa do gradiente de presso em
escoamento vertical ascendente.
No desenvolvimento das redes neurais, o nmero de neurnios na camada intermediria foi variado visando
obteno das configuraes que fornecessem melhores desempenhos. Alm disso, duas distribuies do conjunto
de dados foram utilizadas para verificar a capacidade de aprendizagem e generalizao das redes desenvolvidas.
Como era esperado, verificou-se que uma maior quantidade de dados de treinamento aumenta a performance da
rede. Na rede neural treinada com 60 sries de dados o erro percentual mdio foi de 10% em relao aos valores
experimentais, enquanto que, para a rede treinada com 50 sries de dados, o erro percentual mdio foi de 13%.
Para a rede neural Padro, a configurao que apresentou melhor performance foi obtida com 25 neurnios
na camada intermediria e na rede Gradiente o melhor desempenho foi obtido com 40 neurnios.
Dois subconjuntos de testes, contendo 30 e 50 sries de dados, foram usados para simulao das redes
neurais selecionadas. A rede Padro apresentou excelente capacidade de identificao dos padres de
escoamento, obtendo desempenhos de 94 % e 90 % de acertos para os subconjuntos de 30 e 50 series de dados,
respectivamente. Esses resultados foram usados como dados de entrada para a rede Gradiente.
A rede neural Gradiente foi simulada para estimativa dos gradientes de presso. Os resultados foram
comparados com os valores medidos experimentalmente e calculados atravs das correlaes de Beggs & Brill e
Hagedorn & Brown.
A rede neural demonstrou melhor desempenho na estimativa dos gradientes de presso do que as correlaes
empricas, o que pode ser comprovado pelos menores desvios absolutos mdios obtidos. Tambm, quando
comparada com os valores experimentais, a rede Gradiente apresentou resultados satisfatrios.

Copyright 2007 ABPG

4 PDPETRO, Campinas, SP
21-24 de Outubro de 2007

3.1.0076-1 - 10

6. REFERNCIAS
Aggour, M. A. B., Ayoub, M. A. B., Osman, E. A. A., Artificial neural network model for predicting bottomhole
flowing pressure in vertical multiphase flow, In: SPE Middle East Oil and Gas Show and Conference,
2005, pp. 1187-1197.
Alexander, I. and Morton, H. An Introduction to Neural Computing. Londres: Chapman & Hall, 1990.
Bannwart, A. C., Carvalho, C. H. M., Oliveira, A. P., Vieira, F. F., Water-Assisted Flow of Heavy Oil and Gas in
a Vertical Pipe, In: SPE/PS-CIM/CHOA International Thermal Operations and Heavy Oil Symposium,
Calgary, Canad, 2005.
Barnea, D., Dukler, A. E., and Taitel, Y., Modeling Flow Pattern Transitions for Steady Upward Gs-Liquid
Flow in Vertical Tubes, AIChE Journal, vol. 26, pp. 345-354, 1980.
Beggs, H. D. and Brill, J. P., Study of Two-phase Flow in Inclined Pipes, Journal of Petroleum Technology,
Maio de 1973, pp. 607-617.
Bilgesu, H.1., Mohaghegh, S., Ternyik, J., Virtual Measurements in Pipes: Part 2- Liquid Holdup and Flow
Pattern Correlations, In: SPE Eastern Regional Conference and Exhibition, 1995, Morgantown, USA, pp.
17-21.
Brown, K. E. and Hagedorn, A. R., Experimental Study of Pressure Gradients Occumng During Continuous
Two-Phase Flow in Small-Diameter Vertical Conduits, Journal of Petroleum Technology, Abril de 1965,
pp. 475-484.
Crivelaro, O. K. and Seleghim, P. J., Identifiao de regimes de escoamento bifsico horizontal com auxlio de
redes neurais, In: Proceedings of the XV Congresso Brasileiro de Engenharia Mecnica, 1999, guas de
Lindia, Brazil, pp. 22-26.
Ishii, M., Mi, Y., Tsoukalas, L. H., Flow Regime Identification Methodology With Neural networks and Twophase Flow Models, Nuclear Engineering and Design, vol. 204, pp. 87-100, 2001.
Rao, B., Multiphase Flow Models Range of Applicability, Coiled Tubing Engineering Services Publication
vol. 18, Maio de 1998.
Tackacs, G., Considerations on the Selection of an Optimum Vertical Multiphase Pressure Drop Prediction
Model for Oil Wells, In: SPE Production and Operations Symposium, Oklahoma, EUA, March 2001.

IDENTIFICATION OF MULTIPHASE FLOW PATTERNS AND DETERMINATION

OF PRESSURE DROP WITH THE AID OF NEURAL NETWORKS
Multiphase flows are frequently found in the oil and gas production and transportation. In this kind of flux, the
phases may flow on different distributions inside the pipe, named flow patterns. The identification of flow
patterns is essential for questions related to the field profits as, for example, to measure the volumetric flow rates
of the carried fluids, to determine the pressure gradient throughout the flowlines, the production management
and fiscalization. These aspects are critical on offshore production conditions, where extensive distances and
high costs are involved. Several models, used to estimate the pressure gradient along the production and
transportation flowlines, lead in consideration the flow patterns. These models are empirical correlations and
mechanicist models. The mechaniscist methods aim to develop analytical solutions to describe the flow behavior
from the basic concepts of fluid mechanics. On the other hand, the empirical methodology consist in to find
correlations from statistical analysis of the experimental data. Despite of advances in the last years, the both
methodologies dont provide the precision and accuracy required by the industry yet. This paper presents a nonphenomenological methodology to the flow pattern characterization and the pressure gradient estimative using
the artificial neural networks tool. Two artificial neural networks (ANNs) had been developed and tested: the
first is focused in the vertical flow patterns classification and the other is specialized in the estimative of the
pressure gradient associated with the flow pattern. A set of 120 experimental data series of heavy oil upward
flow assisted by water was used to train, validate and test the ANNs. Values fluids flow rates, absolute pressure,
temperature, gas-oil rate (GOR) and BSW (basic sediments and water) were used as inputs of ANNs. The results
of ANNs simulations were compared with both: empirical correlations results (Beggs & Brill and Hagedorn &
Brown) and experimental data. The neural network results showed to be more precise and accurate than that ones
obtained from empirical correlations. This was verified based on the lower absolute average error and the higher
correlation coefficient values of the set of data.
Neural Networks, Multiphase Flow, Flow Pattern, Pressure drop.
Os autores so os nicos responsveis pelo contedo deste artigo.

Copyright 2007 ABPG