FR2848320A1 - Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones - Google Patents
Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones Download PDFInfo
- Publication number
- FR2848320A1 FR2848320A1 FR0215570A FR0215570A FR2848320A1 FR 2848320 A1 FR2848320 A1 FR 2848320A1 FR 0215570 A FR0215570 A FR 0215570A FR 0215570 A FR0215570 A FR 0215570A FR 2848320 A1 FR2848320 A1 FR 2848320A1
- Authority
- FR
- France
- Prior art keywords
- flow
- regimes
- neural
- different
- probabilities
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Measuring Volume Flow (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
- Méthode pour modéliser en temps réel par des réseaux de neurones, des caractéristiques hydrodynamiques d'écoulements polyphasiques en phase transitoire dans des conduites.- Pour tenir compte spécifiquement des régimes d'écoulement possibles des fluides dans les conduites, on forme différents modèles neuronaux ou "experts" pour plusieurs régimes (ou sous-régimes) d'écoulement, dans l'ensemble du domaine de variation des caractéristiques hydrodynamiques des écoulements (de préférence pour chacun d'eux), et aussi un modèle neuronal estimant la probabilité d'appartenance des écoulements à chaque régime ou sous-régime d'écoulement connaissant certaines de ses caractéristiques. Les probabilités obtenues servent à pondérer les estimations délivrées par chacun des modèles neuronaux, le résultat de la somme pondérée étant alors l'estimation finalement retenue.- Applications dans différentes industries et notamment à la modélisation d'écoulements d'hydrocarbures dans des conduites pétrolières.
Description
Désignation du domaine technique
La présente invention concerne une méthode pour modéliser en temps réel par des réseaux de neurones, des caractéristiques hydrodynamiques d'écoulements polyphasiques 10 en phase transitoire dans des conduites.
La méthode trouve des applications notamment pour la modélisation des écoulements d'hydrocarbures dans des conduites pétrolières.
Etat de la technique L'acheminement des hydrocarbures depuis les sites de production jusqu'aux unités 15 de traitement constitue un maillon important de la chaîne pétrolière. C'est un maillon délicat en raison de la complexité des interactions entre les phases constituant les effluents transportés. Les opérateurs ont pour objectif premier d'atteindre une productivité optimale dans les meilleures conditions de sécurité. Ils doivent donc gérer au mieux la vitesse et la température, pour éviter des pertes de charges superflues, des dépôts indésirables et des 20 irrégularités d'écoulement. La méthode généralement utilisée consiste à modéliser au mieux le transport de flux polyphasiques complexes de façon à fournir à chaque instant une image des écoulements dans les différentes parties de la chaîne de production, tenant compte de la constitution précise de l'effluent, les débits et pressions et les régimes d'écoulement. Il existe actuellement différents outils logiciels de simulation du transport de flux polyphasiques complexes, permettant à un stade précoce de concevoir des équipements de production adaptés.
Par les brevets US 5 550 761, FR 2.756.044 (US 6 028 992) et FR 2 756 045 (US 5 960 187) du demandeur, notamment, on connaît des méthodes et outils de modélisation permettant de simuler le transport de flux polyphasiques complexes en régime permanent ou transitoire et capables de prendre en compte des phénomènes 5 d'instabilité qui se produisent du fait de la géométrie irrégulière du terrain o passe la conduite ou de la topographie de celle-ci, que les spécialistes désignent par "terrain slugging " ou " severe slugging ".
La complexité des outils de simulation est à l'image de celle des phénomènes modélisés. Précision et performances ne peuvent être obtenues qu'après un temps de 10 modélisation relativement important qui s'avère difficilement compatible avec une gestion en temps réel.
Une autre approche permettant seule ou en parallèle avec les méthodes de modélisation ci-dessus, de gérer en temps réel des paramètres d'une circulation de fluides met en oeuvre des réseaux neuronaux.
Les réseaux neuronaux définissent on le rappelle un mode de traitement de données simulant le fonctionnement des systèmes de neurones biologiques. Dans de tels réseaux, un élément réalise un calcul relativement simple tel qu'une somme pondérée des signaux présents à ses entrées appliquée à une fonction non-linéaire, qui détermine l'état de sa sortie. On utilise un nombre important de tels éléments interconnectés en série et en 20 parallèle. Un. choix convenable des facteurs de pondération permet au réseau de réaliser des fonctions complexes. Les réseaux dits à rétropropagation par exemple utilisent des couches multiples d'éléments définis ci-dessus. L'adaptation d'un tel réseau à une tâche précise est faite en " entraînant " le réseau sur un certain nombre d'exemples et en ajustant les facteurs de pondération pour chaque élément aux valeurs qui conviennent. On présente 25 des valeurs d'entrée au réseau, on analyse la valeur de sortie produite par le réseau et on modifie les facteurs de pondération pour minimiser au mieux l'écart entre la valeur effective à la sortie et la valeur attendue dans l'exemple choisi. Après un entraînement suffisant, le réseau est adapté à répondre à de nouvelles valeurs d'entrée pour lesquelles la valeur de sortie n'est pas connue a priori et à produire une valeur de sortie adaptée. Dans 30 son principe, un réseau de neurones procède selon une méthode de régression non linéaire, d'autant plus performante par rapport aux méthodes classiques. Deux types de réseaux peuvent être mis en oeuvre, les réseaux MLP (Multi Layer Perceptron) principalement ou les réseaux de Kohonen, bien connus des spécialistes.
Par le brevet EP1 176 481 du demandeur, on connaît une méthode pour estimer en temps réel le régime d'écoulement en tout point d'une conduite de structure définie par un 5 certain nombre de paramètres structurels et physiques, d'une veine de fluide polyphasique définie par plusieurs grandeurs physiques et comprenant des phases liquides et gazeuses.
Suivant cette méthode, on réalise une modélisation du régime d'écoulement en formant un réseau neuronal non linéaire avec une couche d'entrée avec autant d'entrées que de paramètres de structure et de grandeurs physiques, une couche de sortie avec autant de 10 sorties que de grandeurs nécessaires à l'estimation du régime d'écoulement et au moins une couche intermédiaire, en constituant une base d'apprentissage avec des tables prédéfinies reliant différentes valeurs obtenues pour les données de sortie aux valeurs correspondantes des données d'entrée, et en déterminant par itérations des facteurs de pondération de la fonction d'activation permettant de relier correctement les valeurs dans les tables des 15 données d'entrée et de sortie.
De préférence, on analyse des données de sortie des neurones de façon à trier, parmi les valeurs des données de sortie du réseau de neurones, les seules données pertinentes à prendre en compte dans la détermination itérative des coefficients de pondération de la fonction d'activation.
Par le brevet EP 1 217 474 également du demandeur, on connaît une méthode permettant de construire un module (hydrodynamique ou thermodynamique par exemple) le mieux adapté à des conditions opératoires fixées dépendant de la structure de la conduite, et sur un ensemble de grandeurs physiques définies (grandeurs hydrodynamiques ou thermodynamiques par exemple), avec des gammes de variation fixées pour les 25 paramètres et les grandeurs physiques. On adapte la base d'apprentissage aux conditions opératoires imposées et on génère des réseaux neuronaux optimisés s'ajustant au mieux aux conditions opératoires imposées. Dans le cas, par exemple, o le module doit être intégré à un modèle général à la fois hydrodynamique et thermodynamique de simulation d'écoulements polyphasiques, on utilise le modèle pour former la base d'apprentissage, de 30 manière à sélectionner l'ensemble de grandeurs physiques le mieux adapté au fonctionnement du modèle, ainsi que les gammes de variation fixées pour les dits 4 2848320 paramètres et les dites grandeurs physiques, et l'on génère les réseaux neuronaux optimisés s'ajustant au mieux à la base d'apprentissage formée.
Dans les méthodes antérieures citées, on considère les écoulements de façon globale, sans faire de distinction selon les différents régimes possibles d'écoulement des 5 fluides dans la conduite: écoulements stratifiés, écoulements dispersés, écoulements intermittents, dont les comportements sont différents. Ceci peut générer des erreurs de modélisation parfois trop importantes vis-à-vis de la qualité d'estimation requise pour le suivi de production. De plus, elles ne tiennent pas compte de l'existence de modèles simples (par exemple des modèles analytiques) traduisant sous forme mathématique des 10 caractéristiques d'un (ou plusieurs) régime(s) d'écoulement.
La méthode selon l'invention La méthode selon l'invention a pour objet la construction d'un modèle pour simuler en temps réel le comportement hydrodynamique d'un écoulement de fluides polyphasiques en phase transitoire dans une conduite, compte tenu de conditions opératoires fixées 15 portant sur un certain nombre de paramètres structurels définis relatifs à la conduite, et d'un ensemble de grandeurs physiques définies, avec des gammes de variation fixées pour les dits paramètres et les dites grandeurs physiques. Des réseaux de neurones sont utilisés avec des entrées pour des paramètres de structure et des grandeurs physiques, et des sorties o sont disponibles des résultats nécessaires à l'estimation du comportement 20 hydrodynamique, et au moins une couche intermédiaire, les réseaux neuronaux étant déterminés itérativement pour s'ajuster aux valeurs d'une base d'apprentissage avec des tables prédéfinies reliant différentes valeurs obtenues pour les données de sortie aux valeurs correspondantes des données d'entrée.
La méthode comporte: - la construction de plusieurs réseaux neuronaux dédiés respectivement à des régimes différents d'écoulement des fluides; la construction d'un réseau neuronal de probabilité adapté à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents régimes d'écoulement; et 2848320 - la combinaison des résultats fournis par les différents réseaux neuronaux pondérés par les dites probabilités.
Suivant un exemple de mise en oeuvre, la méthode comporte la construction d'au moins trois réseaux neuronaux dédiés respectivement au régime d'écoulement stratifié, au 5 régime d'écoulement dispersé et au régime d'écoulement intermittent, on évalue les probabilités que l'écoulement des fluides dans la conduite corresponde respectivement aux trois régimes d'écoulement et on combine linéairement les résultats aux sorties des trois réseaux neuronaux dédiés en les pondérant par les dites probabilités.
Quand la base de données disponible est suffisamment détaillée pour distinguer des 10 sous-régimes à l'intérieur d'un même régime d'écoulement, on construit un réseau neuronal de probabilité (RNpOba) adapté à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents sous-régimes d'écoulement distingués dans les différents régimes d'écoulement, et, on combine les résultats fournis par les différents réseaux neuronaux en les pondérant par les dites probabilités.
Les résultats d'estimation obtenus sont d'autant plus précis: - qu'on développe un modèle neuronal par régime ou sous-régime d'écoulement, ce qui permet de prendre en compte les particularités de la physique contenue dans chacune des lois représentées; et - que le lien continu et dérivable (au sens mathématique) qui permet la transition entre 20 les différentes lois, est créé par un réseau de neurones ou expert spécifique.
Par ailleurs, la méthode conserve la capacité des méthodes précédentes citées à effectuer la simulation des écoulements en temps réel, et les résultats obtenus tirent profit de la régularité de la fonction d'estimation obtenue.
Présentation succincte des figures Les caractéristiques et avantages de la méthode selon l'invention, apparaîtront plus clairement à la lecture de la description ci-après d'un exemple non limitatif de réalisation, en se référant aux dessins annexés o: 6 2848320 - la figure 1 montre un exemple de structure de modèle; et - la figure 2 montre un exemple de structure de chacun des réseaux de neurones de la figure 1.
DESCRIPTION D TAILL E DE LA M THODE On considère une circulation de fluides polyphasiques dans une conduite avec au moins une phase liquide et au moins une phase gazeuse, et l'on cherche à construire un modèle permettant, à partir d'un certain nombre de données d'entrées géométriques et physiques relatives à la conduite et de données physiques sur les fluides, de donner à chaque instant et pour chaque section de la veine fluide une estimation du régime 10 d'écoulement. A cet effet, comme on l'a vu, on utilise pour une grandeur donnée S (Fig.1) différents réseaux neuronaux adaptés spécifiquement à différents régimes d'écoulement Nflw, au sein de la conduite. On construit par exemple un réseau expert Esra, modélisant spécifiquement les écoulements stratifiés, un autre, E^nt^^ modélisant spécifiquement les écoulements intermittents et un troisième, EDisp, modélisant spécifiquement les 15 écoulements dispersés. On construit également un modèle neuronal RNProba chargé spécifiquement d'évaluer à chaque instant la probabilité pstral Pint, et PDip. Si SStra X Snt et SDisp sont respectivement les valeurs en sortie des trois experts, on construit alors une fonction d'évaluation S telle que: S P SçraSSIra + PDisp5SDisp + PI Int Entrées et sorties des différents modèles neuronaux ou experts composant le modèle hydrodynamique: Quel que soit le modèle neuronal considéré, les données d'entrée sont issues: - de données géométriques: diamètre de la conduite, rugosité, inclinaison, etc., - de données décrivant les caractéristiques du fluide: masses volumiques des phases, 25 viscosités des phases, etc., - de données caractérisant le mélange: fraction de gaz, tension superficielle gaz/liquide, etc., 7 2848320 - de combinaisons linéaires ou non linéaires de ces entrées, mais aussi de modèles simplifiés, continus ou non, contenant une information sur la physique du mélange.
Chaque modèle produit par exemple en sortie le comportement hydrodynamique 5 des effluents, et, notamment, le régime d'écoulement. Il évalue et délivre sur deux sorties principales, des données hydrodynamiques dans la partie de conduite dont on souhaite déterminer le régime d'écoulement, la différence dV de vitesse entre gaz et liquide par exemple, la perte de charge linéaire DP/ax ou la fraction f3 (/9 E [O; 1] ) d'écoulement du régime traité par lui. D'autres grandeurs qualifiant le régime d'écoulement peuvent être 10 calculées à partir de ces deux sorties.
Les sorties fournies par les experts sont essentiellement les différences de vitesse entre les phases, sous l'hypothèse d'un certain régime d'écoulement (par exemple, l'expert Stratifié délivre l'estimation de la différence de vitesse entre les phases dans l'hypothèse d'un écoulement stratifié).
Les sorties fournies par le réseau de probabilités est la probabilité d'appartenance à chacun des régimes d'écoulement traités par les réseaux experts, connaissant les entrées.
Structure des réseaux Les différents réseaux de neurones ou experts dédiés aux différents régimes d'écoulement sont de préférence des réseaux de type Multi Layer Perceptron (MLP) bien 20 connus des gens de l'art, estimant généralement une grandeur hydrodynamique. Ils comportent chacun (Fig.2) une couche d'entrée composée d'un certain nombre Ni de neurones correspondant à Ni données d'entrée du modèle physique complet, une couche de sortie d'un neurone par exemple correspondant au paramètre recherché (dV, DP/ax ou P), et au moins une couche intermédiaire, dite couche cachée, dont le nombre de neurones 25 N, est optimisé. Le nombre de couches cachées et le nombre de neurones qui les composent, sont déterminés à partir des résultats d'apprentissage et de validation des réseaux. Le réseau est totalement connecté. La non linéarité de ce réseau est obtenue soit par une fonction d'activation sigmode régissant le comportement des neurones de la couche cachée, soit la fonction identité ou la fonctions softmax pour la couche de sortie.
Les réseaux de neurones comportent une couche d'entrée, une ou deux couches cachées, et une couche de sortie. Les fonctions d'activation des différents neurones, bien connues des gens de l'art, sont soit la fonction sigmoide (pour les couches cachées), soit la fonction identité ou la fonction softmax (pour les couches de sortie).
Apprentissage Les poids de chacun des réseaux ou experts sont déterminés à l'issue d'une phase d'apprentissage; au cours de cette phase, on les nourrit d'un ensemble de données constituant leur base d'apprentissage, et on optimise la configuration et les poids du réseau en minimisant des erreurs constatées pour l'ensemble des échantillons de la base, entre les 10 données de sortie issues du calcul du réseau et les données attendues à la sortie, données par la base. Les erreurs. peuvent être les erreurs absolues entre les grandeurs d'entrée et de sortie ou les erreurs relatives, selon la performance désirée pour le réseau. Les facultés de généralisation du réseau sont ensuite testées sur sa capacité à bien calculer les deux sorties pour des entrées qui lui sont inconnues.
Les bases de données utilisées sont de différentes natures: - pour l'estimation de la différence de vitesse dV ou de la perte de charge, chaque base contient des couples de valeurs d'entrées/sorties, chaque valeur de sortie étant la valeur désirée de la grandeur estimée dans le cas du régime d'écoulement traité par le réseau dédié; - pour l'estimation des probabilités, la sortie souhaitée est un vecteur, de grandeur égale au nombre NfloWs de régimes d'écoulements considérés (dans l'exemple de la figure 1, le vecteur est de dimension 3) ; ce vecteur contient (NfloWs -1) valeurs nulles, et une valeur égale à 1, qui correspond à la probabilité que le régime d'écoulements des fluides dans la conduite corresponde à celui dont s'occupe le réseau de neurones dédié.
Dans l'exemple que l'on a décrit, on a considéré trois régimes d'écoulement différents: stratifié, intermittent et dispersé. Ceci n'est nullement limitatif. Dans le cas o l'on possède des données plus détaillées permettant de faire des distinctions à l'intérieur d'un même régime d'écoulement, comme par exemple de séparer ce qui relève dans le régime stratifié, du stratifié à vagues ou du stratifié lisse, il est préférable de créer des 30 experts spécifiques modélisant chacun de ces sous-régimes.
Résultats Avec la mise en oeuvre d'une telle modélisation, on obtient un modèle hydrodynamique transitoire continu et infiniment dérivable qui calcule en temps réel les principales grandeurs hydrodynamiques caractérisant l'écoulement. La fonction 5 d'estimation des probabilités permet de créer une loi hydrodynamique globale à partir des différentes lois d'écoulement modélisée par les différents modèles neuronaux dédiés. La transition entre deux lois d'écoulement est plus ou moins raide (dérivée plus ou moins forte) selon la précision donnée à l'estimation des probabilités, mais elle est continue, ce qui élimine les possibles incertitudes dans les résultats du modèle liées à l'existence des 10 discontinuités. Le modèle global est adapté soit à une utilisation indépendante de tout autre module, soit à une intégration dans un modèle complet.
Claims (3)
1) Méthode pour modéliser en temps réel le comportement hydrodynamique d'un écoulement de fluides polyphasiques en phase transitoire dans une conduite, compte tenu de conditions opératoires fixées portant sur un certain nombre de paramètres structurels 5 définis relatifs à la conduite, et d'un ensemble de grandeurs physiques définies, avec des gammes de variation fixées pour les dits paramètres et les dites grandeurs physiques, par des réseaux de neurones avec des entrées pour des paramètres de structure et des grandeurs physiques, et des sorties o sont disponibles des résultats nécessaires à l'estimation du comportement hydrodynamique, et au moins une couche intermédiaire, les réseaux 10 neuronaux étant déterminés itérativement pour s'ajuster aux valeurs d'une base d'apprentissage avec des tables prédéfinies reliant différentes valeurs obtenues pour les données de sortie aux valeurs correspondantes des données d'entrée, caractérisée en ce qu'elle comporte: - la construction de plusieurs réseaux neuronaux (Estra' EDisp, El,, ) dédiés 15 respectivement à des régimes différents d'écoulement des fluides; - la construction d'un réseau neuronal de probabilité (RNproba) adapté à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents régimes d'écoulement; et - la combinaison des résultats fournis par les différents réseaux neuronaux pondérés par 20 les dites probabilités.
2) Méthode selon la revendication 1, caractérisée en ce que l'on construit au moins trois réseaux neuronaux dédiés- respectivement aux régimes d'écoulement stratifié, d'écoulement dispersé et d'écoulement intermittent, on évalue les probabilités que l'écoulement des fluides dans la conduite corresponde respectivement aux trois régimes 25 d'écoulement et on combine linéairement les résultats aux sorties des trois réseaux neuronaux dédiés en les pondérant par les dites probabilités.
3) Méthode selon la revendication 1 ou 2, caractérisée en ce que, quand la base de données disponible est suffisamment détaillée pour distinguer des sous-régimes à l'intérieur d'un même régime d'écoulement, on construit un réseau neuronal de probabilité il 2848320 (RNProb) adapté à évaluer à tout instant les probabilités que l'écoulement dans la conduite corresponde respectivement aux différents sous-régimes d'écoulement distingués dans les différents régimes d'écoulement, et, on combine les résultats fournis par les différents réseaux neuronaux en les pondérant par les dites probabilités.
Priority Applications (6)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0215570A FR2848320B1 (fr) | 2002-12-10 | 2002-12-10 | Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones |
| GB0513744A GB2412466B (en) | 2002-12-10 | 2003-12-03 | Method of modelling the hydrodynamic characteristics of multiphase flows using neuronal networks |
| PCT/FR2003/003583 WO2004063983A2 (fr) | 2002-12-10 | 2003-12-03 | Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones |
| US10/538,089 US7177787B2 (en) | 2002-12-10 | 2003-12-03 | Method for modelling hydrodynamic characteristics of multiphase flows using neuronal networks |
| BR0317152-3A BR0317152A (pt) | 2002-12-10 | 2003-12-03 | Método para modelar as caracterìsticas hidrodinâmicas de fluxos multifásicos utilizando redes neurais |
| NO20052731A NO20052731L (no) | 2002-12-10 | 2005-06-07 | Fremgangsmate for modellering av hydrodynamiske karakteristikker til flerfasestrommer ved bruk av neurale nettverk |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0215570A FR2848320B1 (fr) | 2002-12-10 | 2002-12-10 | Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR2848320A1 true FR2848320A1 (fr) | 2004-06-11 |
| FR2848320B1 FR2848320B1 (fr) | 2005-01-28 |
Family
ID=32320135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR0215570A Expired - Fee Related FR2848320B1 (fr) | 2002-12-10 | 2002-12-10 | Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US7177787B2 (fr) |
| BR (1) | BR0317152A (fr) |
| FR (1) | FR2848320B1 (fr) |
| GB (1) | GB2412466B (fr) |
| NO (1) | NO20052731L (fr) |
| WO (1) | WO2004063983A2 (fr) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8197700B2 (en) * | 2005-12-30 | 2012-06-12 | Saudi Arabian Oil Company | Computational method for sizing three-phase separators |
| US20080270328A1 (en) * | 2006-10-18 | 2008-10-30 | Chad Lafferty | Building and Using Intelligent Software Agents For Optimizing Oil And Gas Wells |
| US20080202763A1 (en) * | 2007-02-23 | 2008-08-28 | Intelligent Agent Corporation | Method to Optimize Production from a Gas-lifted Oil Well |
| US8386221B2 (en) * | 2009-12-07 | 2013-02-26 | Nuovo Pignone S.P.A. | Method for subsea equipment subject to hydrogen induced stress cracking |
| US9134454B2 (en) | 2010-04-30 | 2015-09-15 | Exxonmobil Upstream Research Company | Method and system for finite volume simulation of flow |
| AU2011283196B2 (en) | 2010-07-29 | 2014-07-31 | Exxonmobil Upstream Research Company | Method and system for reservoir modeling |
| CA2805446C (fr) | 2010-07-29 | 2016-08-16 | Exxonmobil Upstream Research Company | Procedes et systemes de simulation d'ecoulement basee sur un apprentissage machine |
| US10087721B2 (en) | 2010-07-29 | 2018-10-02 | Exxonmobil Upstream Research Company | Methods and systems for machine—learning based simulation of flow |
| BR112013002114A2 (pt) | 2010-09-20 | 2016-05-17 | Exxonmobil Upstream Res Co | formulações flexíveis e adaptáveis para simulações de reservatório complexas |
| US9015093B1 (en) | 2010-10-26 | 2015-04-21 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| US8775341B1 (en) | 2010-10-26 | 2014-07-08 | Michael Lamport Commons | Intelligent control with hierarchical stacked neural networks |
| BR112014005794A2 (pt) | 2011-09-15 | 2017-03-28 | Exxonmobil Upstream Res Co | operações matriciais e vetoriais otimizadas em algoritmos de instrução limitada que executam cálculos de equação de estado |
| EP2901363A4 (fr) | 2012-09-28 | 2016-06-01 | Exxonmobil Upstream Res Co | Suppression des failles dans des modèles géologiques |
| EP3008282A2 (fr) | 2013-06-10 | 2016-04-20 | Exxonmobil Upstream Research Company | Détermination de paramètres de puits pour une optimisation de rendement de puits |
| CA2948667A1 (fr) | 2014-07-30 | 2016-02-04 | Exxonmobil Upstream Research Company | Procede de generation de maillage volumetrique dans un domaine ayant des proprietes de materiau heterogenes |
| US10803534B2 (en) | 2014-10-31 | 2020-10-13 | Exxonmobil Upstream Research Company | Handling domain discontinuity with the help of grid optimization techniques |
| CA2963092C (fr) | 2014-10-31 | 2021-07-06 | Exxonmobil Upstream Research Company | Procedes de gestion de discontinuite dans la construction d'espace de conception de modele de subsurface faillee a l'aide de moindres carres mobiles |
| WO2018118374A1 (fr) | 2016-12-23 | 2018-06-28 | Exxonmobil Upstream Research Company | Procédé et système de simulation de réservoir stable et efficace à l'aide d'indicateurs de stabilité |
| CA3076887A1 (fr) | 2017-09-26 | 2019-04-04 | Saudi Arabian Oil Company | Procede pour predictions de proprietes thermodynamiques de fluide economiques utilisant des modeles bases sur l'apprentissage automatique |
| WO2019132864A1 (fr) * | 2017-12-26 | 2019-07-04 | Landmark Graphics Corporation | Représentation efficace de résultats de simulation tridimensionnelle complexe pour opérations en temps réel |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6208983B1 (en) * | 1998-01-30 | 2001-03-27 | Sarnoff Corporation | Method and apparatus for training and operating a neural network for detecting breast cancer |
| EP1217474A1 (fr) * | 2000-12-22 | 2002-06-26 | Institut Francais Du Petrole | Méthode pour former un module à réseaux neuronaux optimisé, destiné à simuler le mode d'écoulement d'une veine de fluides polyphasiques |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5550761A (en) * | 1994-02-08 | 1996-08-27 | Institut Francais Du Petrole | Method for modelling multiphase flows in pipelines |
| FR2756044B1 (fr) * | 1996-11-18 | 1998-12-24 | Inst Francais Du Petrole | Methode pour constituer un modele representatif d'ecoulements polyphasiques dans des conduites de production petroliere |
| FR2812389B1 (fr) * | 2000-07-27 | 2002-09-13 | Inst Francais Du Petrole | Methode et systeme pour estimer en temps reel le mode d'ecoulement d'une veine fluide polyphasique, en tous points d'une conduite |
-
2002
- 2002-12-10 FR FR0215570A patent/FR2848320B1/fr not_active Expired - Fee Related
-
2003
- 2003-12-03 US US10/538,089 patent/US7177787B2/en not_active Expired - Fee Related
- 2003-12-03 GB GB0513744A patent/GB2412466B/en not_active Expired - Fee Related
- 2003-12-03 BR BR0317152-3A patent/BR0317152A/pt not_active IP Right Cessation
- 2003-12-03 WO PCT/FR2003/003583 patent/WO2004063983A2/fr not_active Ceased
-
2005
- 2005-06-07 NO NO20052731A patent/NO20052731L/no not_active Application Discontinuation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6208983B1 (en) * | 1998-01-30 | 2001-03-27 | Sarnoff Corporation | Method and apparatus for training and operating a neural network for detecting breast cancer |
| EP1217474A1 (fr) * | 2000-12-22 | 2002-06-26 | Institut Francais Du Petrole | Méthode pour former un module à réseaux neuronaux optimisé, destiné à simuler le mode d'écoulement d'une veine de fluides polyphasiques |
Non-Patent Citations (3)
| Title |
|---|
| LIN-CHENG WANG ET AL: "A modular neural network vector predictor for predictive VQ", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP) LAUSANNE, SEPT. 16 - 19, 1996, NEW YORK, IEEE, US, vol. VOL. 1, 16 September 1996 (1996-09-16), pages 431 - 434, XP010202423, ISBN: 0-7803-3259-8 * |
| TABUSE M ET AL: "Recurrent neural network using mixture of experts for time series processing", SYSTEMS, MAN, AND CYBERNETICS, 1997. COMPUTATIONAL CYBERNETICS AND SIMULATION., 1997 IEEE INTERNATIONAL CONFERENCE ON ORLANDO, FL, USA 12-15 OCT. 1997, NEW YORK, NY, USA,IEEE, US, 12 October 1997 (1997-10-12), pages 536 - 541, XP010248978, ISBN: 0-7803-4053-1 * |
| WALTER P ET AL: "3D object recognition with a specialized mixtures of experts architecture", NEURAL NETWORKS, 1999. IJCNN '99. INTERNATIONAL JOINT CONFERENCE ON WASHINGTON, DC, USA 10-16 JULY 1999, PISCATAWAY, NJ, USA,IEEE, US, 10 July 1999 (1999-07-10), pages 3563 - 3568, XP010373074, ISBN: 0-7803-5529-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| BR0317152A (pt) | 2005-11-01 |
| WO2004063983A2 (fr) | 2004-07-29 |
| FR2848320B1 (fr) | 2005-01-28 |
| US7177787B2 (en) | 2007-02-13 |
| GB2412466B (en) | 2006-12-20 |
| WO2004063983A3 (fr) | 2005-05-12 |
| US20060025975A1 (en) | 2006-02-02 |
| NO20052731D0 (no) | 2005-06-07 |
| NO20052731L (no) | 2005-07-05 |
| GB2412466A (en) | 2005-09-28 |
| GB0513744D0 (en) | 2005-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1217474B1 (fr) | Méthode pour former un module à réseaux neuronaux optimisé, destiné à simuler le mode d'écoulement d'une veine de fluides polyphasiques | |
| EP1176481B1 (fr) | Methode et système pour estimer en temps réel le mode d'écoulement d'une veine fluide polyphasique, en tous points d'une conduite | |
| FR2848320A1 (fr) | Methode pour modeliser des caracteristiques hydrodynamiques d'ecoulements polyphasiques par reseaux de neurones | |
| FR3088464A1 (fr) | Procédé de construction de réseau de neurones pour la simulation de systèmes physiques | |
| EP1852820A1 (fr) | Procédé d'optimisation automatique d'un réseau de transport de gaz naturel | |
| WO2020094995A1 (fr) | Procédé de construction de réseau de neurones pour la simulation de systèmes physiques | |
| EP4182654A1 (fr) | Procede de caracterisation de fuite | |
| AU2019394685A1 (en) | Detecting and quantifying liquid pools in hydrocarbon fluid pipelines | |
| CN115979661A (zh) | 基于深度学习和改进证据融合理论的船用柴油机故障诊断方法 | |
| EP4443348A1 (fr) | Procédé de recherche d'une combinaison optimale d hyperparamètres pour un modèle d apprentissage automatique | |
| CA2374896A1 (fr) | Methode pour deformer graduellement une repartition initiale d'objets dans un milieu heterogene pour l'adapter a des contraintes physiques imposees | |
| Yang et al. | Machine learning based predictive models for CO2 corrosion in pipelines with various bending angles | |
| CN120671284A (zh) | 一种多源数据驱动的单点系泊转盘轴承数字孪生方法 | |
| Watton et al. | Simulation of fluid power circuits using artificial network models: Part 1: Selection of component models | |
| EP2734943A2 (fr) | Procede automatique base sur des modeles pour la generation d'architectures physiques de systemes et leur optimisation | |
| Le Ravalec-Dupin et al. | Combining the pilot point and gradual deformation methods for calibrating permeability models to dynamic data | |
| Stankevych et al. | Methods of artificial intelligence for acoustic emission diagnostics of fracture stages (a review). Part 2: artificial neural networks and deep learning | |
| Mao et al. | Comparative study of response surface methodology and hybrid back-propagation network for optimizing friction coefficient for textured surface under cavitation conditions | |
| Rey-Fabret et al. | Neural networks tools for improving tacite hydrodynamic simulation of multiphase flow behavior in pipelines | |
| WO2023194680A1 (fr) | Procédé de modélisation d'un système dynamique par réseau de neurones et dispositif correspondant | |
| CN118364187B (zh) | 一种基于社交重要性和项目种类信息的社交推荐系统性能优化方法 | |
| Elkassas et al. | The neural network model for predicting the financing cost for construction projects | |
| FR2735568A1 (fr) | Procede de reconstruction d'un champ dense de caracteristiques associees a un phenomene physique | |
| WO1999001825A1 (fr) | Procede de construction d'un reseau de neurones pour la modelisation d'un phenomene | |
| FR3161775A1 (fr) | Procédé de fabrication d’aube de turbomachine utilisant un réseau de neurones |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| CD | Change of name or company name | ||
| ST | Notification of lapse |
Effective date: 20140829 |