اندازه‌گیری کسر حجمی فازها در یک جریان دو فازی گاز-مایع با استفاده از پراکندگی تابش گاما

نوع مقاله: مقاله مستقل

نویسندگان

1 دانشگاه شهیدبهشتی، دانشکده مهندسی هستهای، گروه کاربرد پرتوها

2 دانشگاه صنعتی کرمانشاه، دانشکده انرژی، گروه مهندسی برق

چکیده

محاسبه کسر حجمی فازها در یک جریان چندفازی به خصوص در جریان‌های دوفازی گاز-مایع در صنعت نفت و پتروشیمی دارای اهمیت به سزایی است. اطلاع از کسر حجمی هر یک از فازها پارامتر مهمی جهت اندازه‌گیری دبی هر فاز در یک جریان چندفازی می‌باشد. در این تحقیق با استفاده از تکنیک پراکندگی پرتوهای گاما و با استفاده از شبکه عصبی مصنوعی، کسرهای حجمی گاز و مایع در یک جریان دوفازی اندازه‌گیری شده است. با تغییر کسرهای حجمی گاز و مایع، چگالی جریان دوفازی تغییر کرده و تعداد پرتوهای گاما پراکنده شده در اثر اندرکنش با سیال در زوایای مختلف نسبت به راستای اولیه تابش تغییر می‌کند. در این روش از یک چشمه تک انرژی سزیم 137 و یک آشکارساز سدیم یدید 3 اینچی برای ثبت پرتوهای پراکنده شده، استفاده شده است و شمارش‌های ثبت شده در آشکارساز به عنوان ورودی-های شبکه عصبی مصنوعی چندلایه در نظر گرفته شده‌اند. خروجی شبکه نیز کسر حجمی گاز بود که با درصد خطای میانگین نسبی کمتر از 5/2 % پیش‌بینی شد.

کلیدواژه‌ها

موضوعات


[1] Abouelwafa M, Kendall E (1980) The measurement of component ratios in multiphase systems using alpha-ray attenuation. J Phys E Sci Instrum 13: 341.

[2] Lahey Jr R, Açikgöz M, Franca F (1992) Global volumetric phase fractions in horizontal three‐phase flows. AIChE J 38: 1049-1058.

[3] Bishop CM, James GD (1993) Analysis of multiphase flows using dual-energy gamma densitometry and neural networks. Nucl Instrum Meth A 327: 580-593.

[4] Abro E, Khoryakov V, Johansen G, Kocbach L (1999) Determination of void fraction and flow regime using a neural network trained on simulated data based on gamma-ray densitometry. Meas Sci Technol 10: 619.

[5] Salgado CM, Brandão LE, Schirru R, Pereira CM, da Silva AX, Ramos R (2009) Prediction of volume fractions in three-phase flows using nuclear technique and artificial neural network. Appl Radiat Isotopes 67: 1812-1818.

[6] Satre C, Johansen G, Tjugum S (2010) Salinity and flow regime independent multiphase flow measurements. Flow Meas Instrum 21: 454-461.

[7] Rabiei A, Shamsaei M, Kafaee M, Shafaei M, Mahdavi N (2012) Void fraction and flow regime determination by means of MCNP code and neural network. Nukleonika 57: 345-349.

[8] El Abd A (2014) Intercomparison of gamma ray scattering and transmission techniques for gas volume fraction measurements in two phase pipe flow. Nucl Instrum Meth A 735: 260-266.

[9] Nazemi E, Feghhi S, Roshani G (2014) Void fraction prediction in two-phase flows independent of the liquid phase density changes. Radiat Meas 68: 49-54.

[10] Nazemi E, Feghhi S, Roshani G, Peyvandi RG, Setayeshi S (2015) Precise void fraction measurement in two-phase flows independent of the flow regime using Gamma-ray attenuation. Nucl Eng Technol.

[11] Roshani G, Feghhi S, Mahmoudi-Aznaveh A, Nazemi E, Adineh-Vand A (2014) Precise volume fraction prediction in oil–water–gas multiphase flows by means of gamma-ray attenuation and artificial neural networks using one detector. Measurement 51: 34-41.

[12] Roshani G, Nazemi E, Feghhi S, Setayeshi S (2015) Flow regime identification and void fraction prediction in two-phase flows based on gamma ray attenuation. Measurement 62: 25-32.

[13] رضایی آشتیانی ح (1395) پیش‌بینی نیرو و گشتاور در فرآیند نورد داغ ورق با استفاده از شبکه عصبی مصنوعی و روش المان محدود. مکانیک سازهها و شارهها 162-149 :(3)6.

[14] خجسته‌فر ا، بهشتی اول س‌ب، نصرالله زاده ک، ذوالفقاری م (1393) در نظر گرفتن اثرات عدم قطعیت‌های مدل‌سازی بر منحنی شکنندگی فروریزش با استفاده از شبکه های عصبی مصنوعی. مکانیک سازه‌ها و شاره‌ها 34-25 :(2)4.