Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.cetys.mx/handle/60000/1376
Título : Soft-ANN based correlation for air-water two-phase flow pressure drop estimation in a vertical mini-channel
Otros títulos : SAGE Journals
Autor : Barroso Maldonado, Juan Manuel
Riesco-Ávila, José Manuel
Picón-Núñez, Martín
Belman-Flores, Juan Manuel
Palabras clave : Two-phace flow;Pressure drop;Gas liquid;Mini channel;Machine learning
Sede: Campus Mexicali
Fecha de publicación : ago-2021
Resumen : In this paper, an Artificial Neural Network soft matrix correlation to estimate the pressure drop of air-water two-phase flow is developed. The applicability of the model is extended by using dimensionless physical numbers as inputs (Air-Reynolds number, Water-Reynolds number, and the ratio of Air Inertial Forces to Water Inertial Forces), so the model can be implemented for vertical pipes with the proper combination of diameter-velocity-density-viscosity allowing estimations of dimensional numbers within the range of: Air-Reynolds numbers (430–6100), Water-Reynolds number (2400–7200), and Air-Water-Inertial forces ratio (1.6–1834), including the diameter range from 3 to 28 mm. Experimental measurements of frictional pressure drop of water-air mixtures are determined at different conditions. A search of the most suitable density, viscosity, and friction models was conducted and used in the model. The performance of the proposed ANN correlation is compared against published expressions showing good approximation to experimental data; results indicate that the most used correlations are within a mean relative error (mre) of 23.9–30.7%, while the proposed ANN has a mre = 0.9%. Two additional features are discussed: i) the applicability and generality of the ANN using untrained data, ii) the applicability in laminar, transitional, and turbulent flow regimen. To take the approach beyond a robust performance mapping, the methodology to translate the ANN into a programmable equation is presented. RESUMEN En este artículo, se desarrolla una correlación de matriz blanda de red neuronal artificial para estimar la caída de presión del flujo bifásico aire-agua. La aplicabilidad del modelo se amplía mediante el uso de números físicos adimensionales como entradas (número de Air-Reynolds, número de Water-Reynolds y la relación entre las fuerzas de inercia del aire y las fuerzas de inercia del agua), por lo que el modelo se puede implementar para tuberías verticales con el valor adecuado. combinación de diámetro-velocidad-densidad-viscosidad que permite estimaciones de números dimensionales dentro del rango de: números de Reynolds de aire (430–6100), número de Reynolds de agua (2400–7200) y relación de fuerzas inerciales de aire-agua (1.6– 1834), incluyendo el rango de diámetro de 3 a 28 mm. Las mediciones experimentales de la caída de presión por fricción de las mezclas de agua y aire se determinan en diferentes condiciones. Se realizó una búsqueda de los modelos de densidad, viscosidad y fricción más adecuados y se utilizaron en el modelo. El rendimiento de la correlación ANN propuesta se compara con las expresiones publicadas que muestran una buena aproximación a los datos experimentales; Los resultados indican que las correlaciones más utilizadas se encuentran dentro de un error relativo medio (mre) de 23,9-30,7%, mientras que la ANN propuesta tiene un mre = 0,9%. Se discuten dos características adicionales: i) la aplicabilidad y generalidad de la ANN utilizando datos no entrenados, ii) la aplicabilidad en régimen de flujo laminar, transicional y turbulento. Para llevar el enfoque más allá de un mapeo de rendimiento robusto, se presenta la metodología para traducir la ANN en una ecuación programable.
metadata.dc.description.url: https://journals.sagepub.com/doi/10.1177/09544062211020329
URI : https://repositorio.cetys.mx/handle/60000/1376
Aparece en las colecciones: Artículos de Revistas

Ficheros en este ítem:
No hay ficheros asociados a este ítem.


Este ítem está protegido por copyright original



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons