بهبود عملکرد جریان‌سنج‌های دوفازی مبتنی بر تضعیف پرتو گاما با استفاده از استخراج بهینه مشخصه‌های زمانی سیگنال خروجی آشکارساز

مسئله اندازه‌ گیری دقیق نرخ جریان مخلوط نفت گاز و هم‌چنین تشخیص نوع رژیم جریانی در یک خط لوله، یکی از چالش‌ های کلیدی در صنعت نفت می‌ باشد. در این مطالعه سه رژیم جریانی حلقوی، لایه‌ ای و همگن توسط کد mcnpx شبیه‌ سازی شد. در این شبیه‌ سازی از یک چشمه سزیم و دو آشکارساز  nai برای ثبت فوتون‌ های عبوری استفاده شد. از آن‌جا که داده‌ های ثبت شده دارای نویز فرکانس بالا بودند، از یک فیلتر ساویتزکی گولایی برای حذف نویزهای فرکانس بالا استفاده شد. سپس چهار مشخصه زمانی انحراف از معیار، ناهمواری، چولگی و ماکزیمم مقدار از داده‌ های حذف نویز شده‌ی مربوط به هر دو آشکارساز استخراج شده و مشاهده شد که مشخصه‌ های استخراج شده توانایی تفکیک رژیم‌ های جریانی را به صورت کامل ندارند. از این‌رو سه مشخصه مختلف از دو آشکارساز به صورت هم‌زمان استخراج شدند. با بررسی تمام حالات ممکن و مشخص کردن حالات جداکننده رژیم‌ های جریانی، دو شبکه عصبی برای تشخیص نوع رژیم جریانی و تعیین درصدهای حجمی طراحی شد. با استفاده از روش پیشنهادی استخراج مشخصه و شبکه‌ های عصبی طراحی شده، نوع رژیم ‌های جریانی با دقت %100  تشخیص داده شد و درصدهای حجمی با خطای میانگین مجذور مربعات کم‌تر از 0.59 تعیین شد.

Improving the performance of gamma radiation based two phase flow meters using optimal time characteristics of the detector output signal extraction

Measuring volume fractions and identifying the flow regime are important challenges in the oil industry. In the present study, three different flow regimes were simulated by MCNPX code. A 137Cs source and two NaI detectors have been used in order to count the transmitted photons. The counted data had highfrequency noises. In order to tackle this problem, a SavitzkyGolay filter was applied. Therefore, four features in the time domain including STD, Skewness, Kurtosis, and Maximum Value were extracted. It was found that the extracted features are not capable of separating the flow regimes completely, without overlap. Accordingly, three different features from registered data of both detectors were extracted. After investigating all the possible statues, two ANNs were implemented to identify the flow regimes and predict the void fraction, respectively. By applying this method, all the three flow regimes were correctly distinguished and void fraction was predicted with root mean square error (RMSE) of less than 0.59.