Predicción del tamaño de gota atomizada para drenaje de agua atomizada supersónica y extracción de gas natural

Scientific Reports volumen 12, Número de artículo: 22192 (2022) Citar este artículo

466 Accesos

1 Altmetric

Detalles de métricas

En la etapa posterior de la exploración del yacimiento de gas natural, la presión del pozo se reduce y la acumulación de líquido es grave, para resolver el problema de la acumulación de líquido y la baja producción en pozos de gas de baja presión y bajo rendimiento, el gas de drenaje de atomización supersónica La tecnología de recuperación se utiliza para mejorar la tasa de recuperación. Al estudiar la influencia de los parámetros de condiciones de trabajo de la recuperación de gas de drenaje de atomización de la boquilla de fondo de pozo en el efecto de atomización y la tasa de transporte de líquido, se establece un nuevo modelo físico de boquilla de atomización, el modelo de atomización de red neuronal de propagación inversa (BP) y el modelo de atomización de red neuronal BP optimizado por algoritmo genético (GA), y el Matlab se utiliza para entrenar los 45 grupos de conjuntos de datos antes del experimento. Después del entrenamiento del modelo, los parámetros de atomización normalizados se entrenan para el análisis de sensibilidad. La relación entre la fuerza y la debilidad de los factores que afectan el tamaño de partícula de gota (SMD) promedio de Sotel es la siguiente: flujo de gas (Qg) > diámetro de entrada de líquido (d) > flujo de fase líquida (Ql). Los últimos 15 conjuntos de conjuntos de datos fuera de las muestras de entrenamiento fueron probados por el modelo BP y el modelo neuronal BP optimizado por algoritmo genético (GA-BP), y se predijo el tamaño de SMD. Los resultados experimentales muestran que el coeficiente de determinación R2 del modelo de red GA-BP establecido a los parámetros experimentales es 0.979 y la bondad de ajuste es alta; el error cuadrático medio (MSE), el error absoluto medio (MAE) y el error porcentual absoluto medio (MAPE) del valor predicho del modelo de atomización GA-BP y el valor experimental son 4.471, 1.811 y 0.031 respectivamente, el error es pequeño, el la precisión de la predicción es alta y el establecimiento del modelo es preciso. El modelo GA-BP puede predecir SMD de manera eficiente en diferentes condiciones operativas. En la actualidad, la nueva boquilla de atomización supersónica se ha aplicado con éxito al bloque del campo de gas Xushen del campo petrolífero de Daqing, lo que puede mejorar la tasa de recuperación de gas natural entre un 4,5 y un 8,6 %. , aliviar el problema de la efusión cerca del final de la exploración de petróleo, y tiene cierto significado de guía para resolver el problema de la efusión del pozo y mejorar la eficiencia de producción.

En la etapa posterior de producción de pozos de gas natural, la presión de fondo del pozo disminuye, la velocidad del flujo de gas disminuye, la tasa de transporte de líquido disminuye, la acumulación de líquido en el pozo aumenta, la acumulación de líquido dificulta la migración de gas natural y la producción disminuye. La eficiencia de descarga de líquido de las tecnologías tradicionales como el levantamiento artificial por gas, la descarga de burbujas, la circulación de gas natural y la bomba de alta presión es deficiente1,2,3,4. Para resolver el problema de la acumulación grave de fluidos en el pozo, se adopta una nueva tecnología de atomización de boquillas para drenaje y recuperación de gas5,6,7. La tecnología utiliza la energía del gas natural para atomizar el líquido acumulado en el fondo del pozo a través de la boquilla, y las gotas se extraen del pozo junto con el gas natural. Este método reduce el consumo de energía, mejora la utilización de la energía, reduce los costos de operación y mantenimiento de los pozos de gas y puede resolver eficazmente el problema de la acumulación de fluidos en los pozos.

Muchos académicos han llevado a cabo investigaciones relacionadas con la tecnología de atomización de boquillas, llevaron a cabo los experimentos de atomización correspondientes8,9 y lograron resultados ideales. Han et al.10 diseñaron una especie de boquilla de atomización y desempolvado de mezcla interna. El campo de flujo en la boquilla fue simulado por FLUENT. Los resultados muestran que con el aumento de la presión del suministro de agua, la velocidad del flujo en la boquilla aumenta, la velocidad del aire disminuye y la velocidad relativa gas-líquido disminuye. Llevaron a cabo experimentos de reducción de polvo pulverizado a través de boquillas atomizadoras. Los resultados experimentales muestran que cuando aumenta la presión del suministro de agua, aumentan el rango, la fracción de volumen de gota y el tamaño de gota, y la eficiencia de reducción de polvo total y respirable aumenta al principio y luego disminuye. El Instituto de Investigación de Tecnología Minera KOMAG11 ha desarrollado un tipo de boquilla de rociado de agua, que se puede usar de manera efectiva para rociar la reducción de polvo en el punto de transferencia de la cizalla, la rozadora y el transportador. Feng12 llevó a cabo pruebas de atomización de drenaje en pozos de gas de baja presión y baja producción utilizando boquillas en el sitio de producción del campo de gas de West Sichuan. El efecto de atomización de las boquillas es bueno, la tasa de transporte de líquido del pozo aumenta en un 23,4 % y la producción de líquido aumenta en 200 m3/d. Ni et al.13 colocaron el dispositivo de atomización de boquilla supersónica a una profundidad de 1000 a 2000 m para llevar a cabo experimentos de campo, lo que demuestra que la velocidad de salida es mucho más alta que la de las boquillas ordinarias, y la eficiencia de transporte de líquido aumenta en 41.3 %

En los últimos años, los medios experimentales también se han innovado debido al progreso de la ciencia y la tecnología, a través del estudio en profundidad de los experimentos de pulverización, para obtener un mejor efecto de atomización y lograr un mejor valor económico. Benjanin et al.14 estudiaron el campo de flujo interno y externo de la boquilla de turbulencia. De acuerdo con los resultados experimentales, se obtuvieron las fórmulas modelo del coeficiente de flujo másico y la velocidad de las gotas. Seoksu et al.15 estudiaron la estructura interna y la presión estática de la boquilla de turbulencia, y el estudio mostró que había un vórtice de reflujo en el proceso de atomización de turbulencia, y que la caída de presión dentro de la boquilla era mayor a alta presión de inyección. Lee et al.16 llevaron a cabo experimentos en boquillas de paso y optimizaron las boquillas de paso mediante simulación CFD, optimizando cuatro variables de diseño: longitud de entrada de la boquilla, longitud de salida, diámetro de entrada y posición radial. Los resultados muestran que la boquilla optimizada reduce la pérdida de presión total y aumenta el flujo másico, y el sistema de remolino previo optimizado reduce la pérdida aerodinámica, aumenta la tasa de flujo másico bajo cierta presión y satisface el margen de presión del enfriamiento de las palas. El modelo de boquilla de atomización supersónica fue establecido por el laboratorio Los Alamos17 en los Estados Unidos, y se estudió el proceso de combustión de atomización supersónica del motor de combustión interna. El análisis del movimiento complejo de evaporación, fragmentación y difusión turbulenta del fluido químico de dos fases puede mejorar efectivamente la eficiencia de la combustión por atomización.

El efecto de atomización de la boquilla se puede evaluar estudiando el tamaño de gota SMD y su distribución, que son los parámetros clave del rendimiento de atomización. Lilan et al.18 estudiaron la distribución del tamaño de las gotas en el campo de flujo del atomizador de aire externo a través de experimentos. Dividen el campo de atomización en varias áreas de observación y, a través de la medición de varias áreas de observación locales, se obtiene la relación de distribución del tamaño de las gotas en todo el campo de atomización, lo que proporciona una cierta referencia para el estudio del campo de atomización de la boquilla. proporciona una base para comprender intuitivamente la distribución del tamaño de las gotas del campo de atomización de la boquilla. Yu et al.19 desarrollaron un nuevo tipo de boquilla de lodo de agua de carbón gasificado y estudiaron su rendimiento de atomización. Discutieron en detalle los efectos de la carga de trabajo de la boquilla y el caudal de gas en la distribución de partículas de atomización, el diámetro medio de Sauter SMD y el ángulo de atomización de la boquilla. Hyun Suh et al.20 estudiaron el efecto del flujo de cavitación en las características de atomización del combustible diésel en boquillas de diferentes tamaños a través del sistema de visualización de flujo y utilizaron el sistema de medición de partículas para determinar las características de atomización, como SMD y la velocidad promedio de las gotas. Los resultados muestran que la cavitación en la boquilla mejora el rendimiento de atomización del combustible, y cuanto más larga es la longitud del orificio de la boquilla, mayor es la atomización del combustible. Xia et al.21 utilizaron un sistema de tamaño de partículas láser para medir el diámetro de las gotas de diferentes campos de pulverización. Se encontró que el tamaño de las gotas en el centro del rociado era el más pequeño y que la SMD en el borde del rociado aumentaba.

Se estudió la influencia de los parámetros de las condiciones de trabajo en el efecto de la atomización y se llevaron a cabo estudios experimentales sobre los factores de influencia de diferentes parámetros operativos en el diámetro de las gotas; algunos académicos han establecido modelos matemáticos correspondientes para predecir la SMD y mejorar la eficiencia de la atomización22,23. Nonnenmacher et al.24 estudiaron la boquilla de remolino de presión de cono hueco basándose en la teoría del campo de flujo interno y externo de la boquilla, y establecieron el modelo del programa de simulación del coeficiente de flujo y el diámetro de la gota. De acuerdo con el programa de simulación, se puede predecir el diámetro promedio SMD de Sauter de la boquilla. Otros académicos han construido modelos de aprendizaje profundo que pueden predecir rápidamente la pulverización SMD25, Wang et al.26 establecieron el modelo de atomización previa a la película mediante el uso de un algoritmo de red neuronal y concluyeron que con el aumento de la diferencia de presión del aceite, el dispositivo previo a la película parecía anti -Efecto de niebla, y el efecto de atomización fue pobre. De acuerdo con la similitud de la ruptura de las gotas, Liu et al.27 construyeron un modelo de fragmentación aleatoria finita (FSBM) para el proceso de atomización por explosión antes de la formación de la película. La distribución del tamaño de las gotas se simula mediante el uso de este modelo, y los resultados de la simulación son consistentes con los resultados experimentales del atomizador de explosión previa a la película. Este modelo puede determinar con precisión la relación no lineal entre el diámetro promedio de gota SMD y la distribución del tamaño del rocío explosivo. Kaiser et al.28 establecieron el modelo de presión de succión de la boquilla de atomización de acoplamiento cerrado (CCA) y aplicaron el algoritmo de aprendizaje automático basado en una red neuronal artificial para la predicción de la presión de succión en la boquilla HPGA estrechamente acoplada. El R2 del modelo de red neuronal es 0,98. De acuerdo con la investigación de parámetros y la prueba de sensibilidad, la SMD predicha por diferentes parámetros de condiciones de trabajo puede facilitar el diseño conceptual y la operación de la boquilla CCA para minimizar la presión de succión. Zhang et al.29 utilizaron tecnología de redes neuronales artificiales para probar la precisión de la predicción de la simulación de grandes remolinos (LES) de la combustión por aspersión. Los resultados muestran que el modelo de red neuronal artificial actual puede replicar bien la mayoría de las tablas de fracción de masa de especies, que pueden predecir bien la llama de pulverización de la red de combustión del motor simulado.

De acuerdo con la investigación y el análisis previos de los experimentos de atomización de boquillas, hay muchos estudios sobre los factores que afectan el diámetro de las gotas de los parámetros de atomización, y la investigación actual de atomización de boquillas se limita a la relación simple y la ley entre los parámetros de atomización. Algunas personas han establecido el modelo de atomización de fórmula empírica de la boquilla tradicional, y la precisión del modelo matemático tradicional no es alta, y el error de predicción de SMD es grande; Pocas personas han establecido un modelo de atomización de aprendizaje automático complejo para los parámetros de atomización de boquillas tradicionales, y nadie ha utilizado boquillas de atomización supersónicas para establecer un modelo de aprendizaje automático para predecir SMD, y los predecesores tienen un gran error de predicción de SMD y el análisis de correlación. de SMD que influyen en los parámetros del factor es más problemático, usamos el algoritmo de red neuronal para normalizar los datos y usamos el principio de correlación de Pearson para analizar la velocidad es más rápida, ahorra tiempo y trabajo, y el peso de influencia entre cada factor puede ser claramente calculado.

Por lo tanto, en este documento, se utiliza una nueva red neuronal de algoritmo-BP optimizada por algoritmo genético para establecer un modelo de atomización para el nuevo parámetro de atomización de boquilla SMD de diámetro promedio de gota, y en comparación con la red de aprendizaje neuronal de BP tradicional, una atomización confiable y precisa Se establece el modelo, que puede predecir rápidamente el parámetro SMD del objetivo de atomización, mejorar la eficiencia y precisión de la predicción y ajustar el SMD de las gotas de acuerdo con las diferentes condiciones de trabajo. Cuando hay más acumulación de líquido en el fondo del pozo, el flujo de gas en el dispositivo de atomización es menor, el flujo de líquido es mayor, es decir, la relación gas-líquido es pequeña, la descarga de líquido fuera del pozo aumenta, el drenaje se mejora la eficiencia, disminuye la acumulación de líquido en el fondo del pozo y aumenta el canal de flujo de gas natural. El drenaje y la recuperación de gas natural se mejoran considerablemente; cuando el fluido del fondo del pozo es menor, el gas natural es mayor, la relación gas-líquido en el dispositivo atomizador es mayor y la tasa de recuperación mejora. El modelo GA-BP establecido tiene cierta importancia para el establecimiento de los parámetros operativos de la boquilla de fondo de pozo y la mejora de la eficiencia del drenaje.

Un nuevo tipo de boquilla de atomización basada en el tubo Laval puede realizar una atomización supersónica. Se mejora el tubo Laval tradicional y se establece un modelo de boquilla de atomización tridimensional como se muestra en la Fig. 1. La Figura 1a muestra un modelo geométrico tridimensional de la boquilla, que consta de una entrada de gas, cuatro entradas de líquido espacialmente simétricas y mezcladoras. salida. El gas natural de fondo de pozo ingresa desde la entrada de fase gaseosa de la boquilla y se acelera a través de la garganta, y la velocidad de flujo del gas alcanza una velocidad supersónica. El fluido acumulado ingresa a la cavidad desde la entrada de la fase líquida y se corta y se rompe por el impacto del flujo de aire a alta velocidad y se atomiza. Luego se saca del pozo con el gas natural ascendente. La figura 1b muestra el tamaño del modelo de boquilla. Los diámetros de entrada de gas-líquido son de 25,0 mm y 6,0 mm, el diámetro de salida de mezcla es de 34,0 mm y la longitud total es de 100,0 mm.

Modelo de boquilla atomizadora supersónica. (a) Modelo tridimensional. (b) Tamaño del modelo.

En este artículo, basado en el flujo supersónico de flujo bifásico gas-líquido, se utiliza el modelo VOF turbulento realizable k-ε para considerar el efecto de las corrientes parásitas turbulentas. La boquilla de atomización hace que el gas natural produzca un flujo supersónico, el flujo de aire de alta velocidad impacta la atomización de cizallamiento del flujo líquido, la ecuación de continuidad del flujo de entrada de masa igual al flujo de salida es:

En la fórmula, ρ es la densidad del fluido, ux, uy y uz son los vectores de velocidad de los ejes x, y y z respectivamente.

Cuando la fuerza resultante del fluido en la cavidad es cero, la cantidad de movimiento permanece sin cambios antes y después de la cantidad de movimiento. El producto de la masa del fluido y la velocidad es igual al producto del tiempo de la fuerza resultante que actúa sobre el fluido, lo que satisface la conservación del momento:

Según la primera ley de la termodinámica, el flujo interno de la cavidad satisface la ley de conservación de la energía:

En la fórmula: μ es la viscosidad dinámica; Su, Sv y Sw son términos fuente generalizados de la ecuación de conservación del momento, S es el término fuente de calor volumétrico; p es la presión del campo de flujo, E es la energía total de las micelas fluidas; keff es la conductividad térmica efectiva; hj y Jj son la entalpía y el flujo de difusión del componente j; τeff es el tensor de tensiones efectivo; ΔT es el gradiente de temperatura del fluido.

Modelo k-ε realizable:

De los cuales: \({C}_{1}=\mathrm{max}\left(0.43\frac{\eta }{\eta +5}\right), \eta =S\frac{k}{\varepsilon }\)

En la ecuación: K es la energía cinética turbulenta, ε es la tasa de disipación turbulenta; Gk es el término de energía cinética turbulenta producido por el gradiente de velocidad laminar; Gb es el término de energía cinética turbulenta causado por la flotabilidad; YM es el efecto de la expansión turbulenta comprimible sobre la tasa de disipación total; C1, C2 son constantes; σK y σε son los números de Prandtl correspondientes a la ecuación k y la ecuación ε respectivamente; Sk y Sε son términos de energía cinética turbulenta definidos por el usuario y términos de fuente de disipación turbulenta.

Configuración del método de solución

El modelo de flujo bifásico gas-líquido VOF y el modelo de turbulencia ke realizable se utilizan en el cálculo de la simulación. Se selecciona el solucionador implícito y se utiliza el solucionador basado en la presión. El cálculo transitorio, el paso de tiempo es 0.0001 s, el tiempo de solución es 50 s, y el acoplamiento de velocidad y presión es algoritmo SIMPLEC. El monitor monitor monitorea los cambios de varias cantidades físicas en la salida. El residual se establece en 10–6 y la convergencia es más confiable.

Establecimiento de condiciones de contorno

La entrada de gas es la entrada de flujo másico, el material gaseoso es aire, el valor inicial es 3000 m3/d, convertido a un caudal másico de 42,535 g/s; la entrada de la boquilla de líquido se establece como entrada de flujo másico, el material se establece como agua líquida, el valor inicial es 0,6 m3/d y el caudal másico es 6,932 g/s. La cara del extremo de la salida de la boquilla se ajusta a la salida de presión, el valor es una presión atmosférica − 101 325 Pa, el resto de la pared se ajusta a la pared, la pared es lisa; diámetro de entrada de líquido (d), apertura d 6,0 mm.

De acuerdo con el modelo irregular complejo en este documento, se adopta el modelo de cuadrícula de refinamiento de capa límite y tetraédrico, que tiene una alta adaptabilidad y calidad de cuadrícula. En general, cuanto mayor sea el número de cuadrículas, mayor será la precisión del cálculo, pero también aumentará la carga computacional. Estos dos factores deben equilibrarse antes de la generación de la red. En este documento, se generan tres tipos diferentes (diferentes cantidades) de cuadrículas y se prueba la independencia de las cuadrículas generadas, como se muestra en la Fig. 2.

La comparación de la velocidad en varias secciones transversales entre tres casos de malla.

Durante la prueba, se comparó la velocidad bifásica gas-líquido de las cuatro secciones de la boquilla aguas arriba, media y aguas abajo x = 14,2 mm, x = 30 mm, x = 60 mm, x = 100 mm. Los resultados muestran que los resultados de la simulación de velocidad utilizando tres cuadrículas diferentes tienen tendencias similares. La velocidad de los puntos de muestreo que utilizan mejores cuadrículas está muy cerca del valor que utilizan las cuadrículas finas, y la velocidad que utiliza las cuadrículas medianas es muy diferente de la velocidad que utiliza las otras dos cuadrículas. Por lo tanto, se puede considerar que la mejor red ha cumplido los requisitos de independencia de la red y ha asegurado la precisión de la simulación. El uso de cuadrículas 'mejores' puede acortar efectivamente el ciclo de simulación y garantizar que el error de cálculo del campo de flujo sea pequeño. La información final de malla 'mejor': el número total de elementos es 1.227.661, el número total de nodos es 351.415.

Basado en Fluent, se realiza la simulación. El valor inicial del flujo de entrada de gas es 3000 m3/d, el valor inicial del flujo de entrada de líquido es 0,6 m3/d, el valor inicial del diámetro de entrada de líquido es 6,0 mm y la presión de salida es una presión atmosférica de 101325 Pa. El diagrama de nube interno calculado de la boquilla se muestra en la Fig. 3. La velocidad máxima de la garganta es de 501,0 m/s para alcanzar la velocidad supersónica, y la energía cinética turbulenta máxima es de 2819,5 m2/s2.

Mapa de nubes internas de la tobera supersónica. (a) Mapa de nubes de velocidad. (b) Mapa de nubes de energía cinética turbulenta.

Según el campo de flujo interno de la boquilla atomizadora, se establece un eje central transversal dentro de la boquilla atomizadora. La distribución de velocidad transversal dentro de la boquilla se muestra en la figura. Cuando la velocidad de garganta alcanza un máximo de 501,0 m/s, está a 18,97 mm de la entrada de gas. De manera similar, los datos del eje longitudinal de la entrada de líquido se muestran en la Fig. 4. La velocidad axial calculada en la entrada de líquido del flujo de líquido es de 0,24 m/s, y la velocidad longitudinal máxima es de 256,73 m/s. Choca con el flujo de aire supersónico y se corta. La turbulencia es severa, la interacción de la fase gas-líquido mejora el efecto de atomización.

Mapa de nubes internas de la tobera supersónica. (a) Eje central transversal. (b) Velocidad del eje longitudinal.

De acuerdo con el modelo de boquilla supersónica simulada, el software Solidworks mejora y establece la boquilla de trabajo de atomización supersónica, y luego el atomizador de trabajo simétrico poroso se fabrica mediante tecnología de impresión 3D, como se muestra en la Fig. 5. La Figura 5a muestra el atomizador de trabajo, hecho de acero inoxidable, con una longitud total de 130 mm. La figura 5b muestra el perfil interno del atomizador de trabajo.

Modelo de boquilla atomizadora de trabajo. (a) Objeto físico de boquilla. (b) Sección transversal interna de la boquilla.

Se establece un sistema experimental de aspersión como se muestra en la Fig. 6. La Figura 6a muestra una plataforma experimental manual, que incluye una bomba de agua a alta presión, un medidor de flujo de líquido, un compresor de aire, un cilindro de gas a alta presión, un medidor de flujo de gas, una cámara de alta velocidad, un medidor de partículas láser analizador de tamaño, computadora, etc.

Plataforma de trabajo de experimentos de atomización. (a) Plataforma de experimentos. (b) Analizador de tamaño de partículas láser. (c) Compresor de aire.

Entre ellos, el modelo de caudalímetro de gas es HL-LWQ, el rango de medición es de 1 a 10 000 (m3/h), la temperatura de trabajo es de 0 a 60 °C; el modelo de caudalímetro de líquido es LWGY-FMT, el rango de medición es de 0,6 a 800 (m3/h), la temperatura de trabajo es de −20 a 120 (°C), el modelo del manómetro es YTZ-150, el rango de medición es de −0,1 a 0– 60 (MPa), la temperatura de trabajo es de − 10 a 80 (°C).

La figura 6b muestra un analizador de tamaño de partículas láser. El tamaño de las gotas se midió con el analizador de tamaño de partículas láser HELOS/VARIO-KR en Alemania. El medidor de tamaño de partículas láser tiene un amplio rango de medición del tamaño de las gotas y puede cubrir el diseño de trayectoria óptica paralela de 0,1–3500 μm de rango dinámico según la selección de diferentes lentes, y puede realizar una medición amplia del tamaño de las partículas de la pluma de rociado.

El analizador de tamaño de partículas está conectado con la computadora y la computadora procesa los datos. El diámetro de gota medido por el analizador de tamaño de partícula láser se analizó estadísticamente utilizando el SMD de tamaño medio de partícula de Sotel. SMD está representado por D32, y la ecuación de cálculo es:

donde, D32 es el tamaño de partícula promedio de Sauter, y N es el número de gotas con diámetro D.

La Figura 6c muestra los compresores de aire industriales de la serie KJ. El compresor de aire tiene una capacidad de descarga de 0,36–0,9 m3/min, presión de escape máxima de 2,5 Mpa, potencia máxima del motor de 7,5 KW, seguro y confiable y larga vida útil.

Para simular el estado de flujo de atomización gas-líquido de pozos de gas de baja presión y bajo rendimiento, el flujo volumétrico de gas (Qg) es 3000 m3/d, 3500 m3/d, 4000 m3/d, 4500 m3/d y 5000 m3/d, y el caudal volumétrico de líquido (Ql) es 0,6 m3/d, 1,0 m3/d, 1,4 m3/d, 1,8 m3/d y 2,2 m3/d. El diámetro de la boquilla de fase líquida d es de 6,0 mm, 6,6 mm, 7,2 mm, 7,8 y 8,4 mm. Se diseñó la prueba ortogonal de 3 factores y 5 niveles. Los factores de nivel se muestran en la Tabla 1.

El modelo experimental ortogonal de 5 niveles y 3 factores se estableció en 60 grupos, y la tabla ortogonal experimental combinó los niveles de cada factor de influencia con igual probabilidad, la secuencia del experimento ortogonal se muestra en la Tabla 2.

El experimento se lleva a cabo en interiores, el ambiente interior es estable, la temperatura es de 25 °C a temperatura ambiente, el principio de funcionamiento del sistema experimental es: el flujo de aire a alta presión ingresa a la sección de contracción de la boquilla de atomización desde la fase gaseosa entrada a través del medidor de flujo de gas, el agua fluye a través de la entrada de la fase líquida hacia la sección de expansión, y el flujo de aire de alta velocidad acelerado hacia la sección de expansión por la garganta choca con el flujo de agua y corta la atomización y se rocía a través de la salida de mezcla ; Al mismo tiempo, el campo de flujo de rociado es ingerido por una cámara de alta velocidad, y la distribución del tamaño de partícula de las gotas se mide con el medidor de tamaño de partícula láser en el punto de monitoreo en el lugar de atomización uniforme, y los datos del atomizado Se recoge el diámetro de gota bajo diferentes parámetros de condiciones de trabajo. Después del experimento, primero apague la alimentación, luego apague el compresor de aire y la bomba de agua, luego cierre la válvula de presión y finalmente realice el preprocesamiento de salida de datos.

El funcionamiento específico de la prueba es el siguiente:

Primero, conecte cada equipo experimental en orden, coloque el detector de tamaño de partículas láser a la salida de la boquilla de atomización, conéctelo a la computadora y verifique si la seguridad y la estabilidad del sistema son normales;

En segundo lugar, abra el interruptor de la válvula de control de presión y el manómetro, inicie el probador de tamaño de partículas láser y luego encienda el compresor de aire y otras boquillas después de estabilizar y luego abra la bomba de agua, en la que el aire se comprime y almacena en el cilindro de gas de alta presión, y se establecen los parámetros requeridos por el compresor de aire y el experimento de la bomba de agua;

El probador de tamaño de partículas láser se coloca a 50 cm de la salida de la boquilla, y la recolección de datos de gotas de atomización y la salida de datos se llevan a cabo después de que se estabiliza el rociado de la boquilla de atomización;

Registre los cambios del medidor de flujo del manómetro en tiempo real, monitoree y registre el medidor de presión y el medidor de flujo;

Después de completar el experimento, primero apague la fuente de alimentación, luego apague el compresor de aire y la bomba de agua, luego cierre la válvula de presión y finalmente realice el preprocesamiento de salida de datos.

La predicción de redes neuronales se usa ampliamente en la práctica de producción, tiene una gran capacidad de aprendizaje y adaptación, y puede conectar de manera efectiva la información de entrada y salida en serie. La red neuronal de BP es un "modelo universal + función de corrección de errores". Es un modelo que puede comparar el error entre los resultados del entrenamiento y los resultados esperados, modificar y encontrar el peso y el umbral óptimos, y gradualmente obtener el modelo que es consistente con los resultados de salida esperados. La red neuronal de BP consta de una capa de entrada, una capa oculta y una capa de salida. El diagrama de la estructura de la red se muestra en la Fig. 7.

Diagrama esquemático de la red neuronal BP.

Cada neurona es estimulada por otras neuronas. Todas las señales que recibe cada modelo de neurona se transmiten a través de una conexión ponderada. La neurona acumula estas señales en un valor de entrada total y luego compara el valor de entrada total con el valor de umbral de la neurona (potencial de umbral simulado), que es procesado por la "función de activación" y transmitido a la siguiente neurona. La función de activación es una función de mapeo no lineal. El efecto de la función de activación es aumentar la capacidad no lineal del modelo, hacer que forme un mapeo no lineal y mejorar la adaptabilidad y confiabilidad del modelo. La función de activación se aplica a la suma ponderada de entradas denominada z para cada nodo en las capas oculta y de salida (donde la entrada puede ser los datos originales o la salida de la capa anterior). La función sigmoidea convierte su entrada en un valor de probabilidad entre 0 y 1. Convierte valores negativos grandes en 0 y valores positivos grandes en 1.

La ecuación de la función de activación es:

donde, el número de nodos en la capa oculta de la red BP afecta la precisión del entrenamiento del modelo. Cuanto mayor sea el número de nodos, más fiable será la calidad del entrenamiento. Los nodos ocultos se pueden calcular de acuerdo con la ecuación empírica:

donde, n es el número de nodos en la capa de entrada; m es el número de nodos de capa oculta; l es el número de nodos de la capa de salida; a es una constante entre 0 y 10.

El nodo de entrada y los parámetros de salida objetivo de la red neuronal de BP se muestran en la Tabla 1. Los nodos de entrada son la tasa de flujo de gas, la tasa de flujo de fase líquida y el diámetro de entrada de la fase líquida, y la capa de salida objetivo es SMD de diámetro de gota.

El algoritmo genético es un modelo computacional que simula el proceso de evolución biológica de la teoría de la evolución biológica de Darwin, y es un método para buscar la solución óptima simulando el proceso de evolución natural. Los algoritmos genéticos comienzan representando el conjunto de soluciones potenciales del problema, mientras que una población está formada por un cierto número de individuos codificados por genes. Al principio, se seleccionan aleatoriamente muchas soluciones factibles (para formar una población), cada individuo está compuesto por un cromosoma que contiene solo dos genes (0 o 1), y los cromosomas de diferentes individuos son diferentes. pero pueden cruzarse entre sí, o mutarse y cruzarse, y luego se evalúan y seleccionan los parámetros iniciales.

Inicialización de la población

La población inicial se genera aleatoriamente mediante los parámetros de datos, y el tamaño de la población afecta directamente a la diversidad cromosómica. Los cromosomas están formados por matrices y cadenas de datos. La inicialización genera aleatoriamente N datos de estructura de cadena inicial y N individuos forman un grupo. GA comenzó a evolucionar con estos datos de estructura de N cadenas como punto de partida.

función de fitness

La función de fitness también se denomina función de evaluación. El efecto de la evaluación del algoritmo genético de la convergencia del algoritmo depende del valor de aptitud, no de la estructura de la solución. El tamaño del valor de aptitud determina las ventajas y desventajas del individuo. Cuanto mayor sea el valor de fitness, mejor será el individuo. Por lo tanto, nuestros criterios para seleccionar individuos son seleccionados por el tamaño del valor de aptitud. La función de aptitud se utiliza para calcular el valor de aptitud de cada individuo y los resultados se proporcionan al operador de selección.

donde, n es el número de nodos de salida de la red, yi es el valor esperado del nodo i de la red neuronal BP, xi es la salida real del nodo i y k es el coeficiente.

Operación de selección

La operación de selección consiste en seleccionar individuos relativamente excelentes de la población para prepararlos para la siguiente operación. Cuando se utiliza el método de la ruleta en la operación de selección del algoritmo genético, es una estrategia de selección basada en la relación de aptitud para seleccionar algunos datos con un alto valor de aptitud. Cuanto mayor sea el rendimiento adaptativo, mayor será la precisión de salida. La probabilidad de que un individuo sea seleccionado, pi, es:

donde, Fi es el valor de aptitud de i individuo, y el recíproco del grado de aptitud antes de la selección individual es fi; k es el coeficiente.

operación cruzada

La operación cruzada se refiere a la selección de dos individuos de todos los individuos, mediante la combinación cruzada de dos cromosomas para verificar los individuos excelentes. En el proceso de cruce, se seleccionan aleatoriamente dos cromosomas de la población y se seleccionan aleatoriamente uno o más cromosomas desconocidos para el intercambio. Debido a que el individuo usa la codificación de números reales, el método de cruce de números reales se usa en el método de operación de cruce. La operación de cruce del k-ésimo cromosoma \({a}_{kj}\) y el i-ésimo cromosoma \({a}_{ij}\) en la posición j es la siguiente:

donde, b es un número aleatorio entre [0,1].

Operación de mutación

La operación de mutación significa seleccionar un individuo de la población, seleccionar un punto del cromosoma para mutar para producir un mejor individuo y mutar el gen individual de la población. La función de operación de mutación usando el j-ésimo gen \({a}_{ij}\) del individuo i es la siguiente:

donde, \({a}_{\mathrm{max}}\) es el límite superior del gen \({a}_{ij}\), \({a}_{\mathrm{min}}\) es el límite inferior del gen \({a}_{ij}\), g es el álgebra evolutiva actual, Gmax es el valor máximo de evolución de 20, r es el número aleatorio de [0,1].

El algoritmo BP tiene un buen efecto en el ajuste de sistemas no lineales, pero tiene algunas limitaciones. Los pesos y umbrales del entrenamiento de la red son inestables y el efecto de cada entrenamiento no es fijo. Aunque tiene una gran capacidad de mapeo no lineal, toma más tiempo en el proceso de aproximación al valor predicho, lo que conduce a una convergencia lenta y fácil de caer en la optimización local. En el estudio de problemas prácticos, el algoritmo genético tiene una mejor capacidad de búsqueda global y puede obtener la solución óptima global con una rápida velocidad de convergencia. Para mejorar el efecto de entrenamiento de la red, se introduce un algoritmo genético para reducir la posibilidad de que la red neuronal de BP caiga fácilmente en la optimización local. La red neuronal de BP optimizada por un algoritmo genético puede filtrar preliminarmente los pesos aleatorios de la red neuronal y optimizar la estructura de la red, lo que mejora en gran medida el aprendizaje y el rendimiento adaptativo de la red neuronal de BP, y puede lograr el mejor efecto de predicción. El flujo de la red neuronal BP optimizado por algoritmo genético se muestra en la Fig. 8.

El flujo de procesamiento de la red neuronal GA-BP.

En este documento, el error cuadrático medio (MSE), el error absoluto promedio (MAE) y el error porcentual absoluto promedio (MAPE) se utilizan para evaluar el rendimiento del modelo de predicción, y la calidad de la predicción del modelo está determinada por estos tres índices. Cuanto más pequeño es el MSE, más cerca están de 0 MAE y MAPE, lo que indica que el error relativo de la predicción del modelo es menor y la precisión general de la predicción es mayor.

donde, xi es el i valor predicho; yi es el valor real i。

El coeficiente de determinación R2 se utilizó para evaluar el grado de ajuste entre los valores experimentales previstos de SMD y los valores simulados. Cuanto más cerca esté R2 de 1, mejor será el modelo. La ecuación para R2 es:

donde, xexp es el valor experimental, xpred es el valor predicho,\(\bar{X}_{\text{exp}}\)exp es el valor promedio del valor experimental.

Debido a la gran brecha de dimensión entre las diferentes dimensiones en los datos originales, es necesario normalizar los datos para crear diferentes tipos de datos en la misma latitud e intervalo. Esto puede reducir efectivamente las diferencias de datos, mejorar la adaptabilidad, reducir la redundancia de datos y mejorar la precisión de la operación de parámetros de datos y la eficiencia de convergencia. En este documento, se seleccionan 60 grupos de valores experimentales como conjunto de muestra, los datos se normalizan y se asignan al rango de [0,1]. Use la función Premnmx para normalizar los datos originales de la siguiente manera:

La fórmula xmax y xmin son los valores máximo y mínimo de SMD para qué muestras experimentales.

Los parámetros de entrada de la red neuronal de BP son la tasa de flujo de gas, la tasa de flujo de fase líquida, el diámetro de entrada de la fase líquida y el tamaño promedio de gota SMD. En el estudio experimental se entrenaron y probaron 60 grupos de parámetros, como se muestra en la Tabla 3. Se adjuntan todos los datos experimentales.

El modelo de red GA-BP primero normaliza los datos experimentales y luego depura el programa de simulación. Los parámetros iniciales del modelo seleccionado se muestran en la Tabla 4:

En este documento, de acuerdo con la red neuronal BP y la red BP optimizada por algoritmo genético (GA-BP), el conjunto de entrenamiento se puede predecir y probar con precisión mediante datos de muestra. Aquí, los primeros 45 conjuntos de conjuntos de datos experimentales se utilizan para aprender y entrenar el modelo de atomización.

El algoritmo genético se utiliza para optimizar la estructura de la red neuronal BP 3-7-1 en la simulación. El algoritmo genético puede transferir el umbral y el peso óptimos a la red neuronal de BP. Los cambios de la mejor aptitud y la aptitud promedio de la población se muestran en la Fig. 9. En la etapa inicial de iteración, el individuo de la población está lejos del valor esperado. En la última etapa de la optimización iterativa, con la convergencia iterativa continua del cálculo de la red, aumenta la velocidad de búsqueda del algoritmo genético optimizado, disminuye el rango del valor de aptitud y se acelera la velocidad de declive. La aptitud promedio de la población disminuye con el álgebra evolutiva, y el individuo de la población se acerca gradualmente a la aptitud óptima.

Curva de respuesta de fitness GA-BP.

La red BP se entrena utilizando el umbral de peso optimizado por GA. Los resultados de entrenamiento del modelo de aprendizaje se muestran en la Fig. 10. El efecto de entrenamiento del modelo de atomización SMD es bueno. Los valores de entrenamiento SMD de GA-BP y BP concuerdan bien con los valores experimentales. El error de entrenamiento de GA-BP es menor que el de la red BP, porque la red BP optimizada por algoritmo genético tiene una adaptabilidad más fuerte y una estructura de red más estable.

Error de entrenamiento del modelo.

De acuerdo con el modelo de atomización entrenado por la red de BP, la tasa de flujo de gas, la tasa de flujo de la fase líquida y el diámetro de entrada de la fase líquida son variables de entrada y el tamaño de las gotas son variables de salida. La relación entre el SMD normalizado y los parámetros de entrada normalizados se muestra en la Fig. 11.

Sensibilidad de cada parámetro de entrada al SMD normalizado de la red BP. (a) Normalización estándar. (b) Gráfica de matriz de coeficiente de correlación.

En la Fig. 11a, la SMD normalizada disminuye con el aumento del caudal de suministro Qg. Debido al aumento del suministro de aire, la energía cinética en la cavidad de la boquilla aumenta rápidamente, el efecto de trituración por cizallamiento se fortalece y el rendimiento de atomización es mejor; SMD tiende a aumentar con el aumento del suministro de líquido. Debido a que aumenta el número total de gotitas, aumenta el volumen total de gotitas, disminuye el área de superficie efectiva de las gotitas y aumenta el tamaño promedio de partícula de las gotitas; Con el aumento del diámetro de entrada de líquido, SMD aumenta el caudal de líquido y el tamaño medio de gota.

La Figura 11b muestra el mapa térmico del coeficiente de correlación de Pearson generado por los parámetros normalizados de la red BP. Hay una correlación negativa entre Qg y SMD, y la sensibilidad es la más fuerte, y la correlación es −0,93, lo que es consistente con la tendencia de cambio de Qg y SMD en la Fig. 10a. Existe una correlación positiva entre Ql, d y SMD, y los valores de correlación son 0,20 y 0,29, respectivamente. La d tiene un efecto más fuerte en SMD que Ql. En resumen, la relación de sensibilidad a SMD es Qg > d > Ql.

El entrenamiento del modelo es más preciso. El modelo se prueba usando los datos fuera de la muestra de entrenamiento, y el modelo de atomización se prueba con los datos del conjunto de prueba. Cuando los resultados del entrenamiento de la red cumplen ciertos requisitos de precisión, los 15 grupos de datos restantes se utilizan para probar la red GA-BP. Los resultados predichos del modelo se muestran en la Fig. 12, los datos de predicción experimentales específicos se muestran en la Tabla 5. El error de predicción de la red BP es mayor que el de la red GA-BP, y el error de predicción de la red GA-BP es menor. Los valores predichos están en buen acuerdo con los valores experimentales.

Resultados de la prueba GA-BP.

El resultado de predicción de la red GA-BP está más cerca del valor SMD real que el de la red BP no optimizada, y la precisión de predicción de GA-BP es mejor que la de BP, y la precisión de predicción de la red BP debe mejorarse. Esto se debe a que: 1. El conjunto de datos de muestra no es infinito y la red no estudia completamente la tendencia de fluctuación de SMD. 2. El tamaño promedio de las gotas no solo está relacionado con las variables de entrada experimentales, sino también con los factores cambiantes del entorno del laboratorio, como la temperatura, la humedad, el ruido, etc., por lo que la distorsión de la señal de salida puede ocurrir en la predicción de la red BP. . Mientras que GA-BP selecciona y optimiza los valores aleatorios de la red a través de la selección, la mutación y el cruce, y la precisión de la salida de predicción mejora considerablemente.

La Figura 13A muestra la curva de respuesta de error promedio del entrenamiento de la red GA-BP. Los resultados experimentales muestran que la red BP mejorada por el algoritmo genético puede ajustar de manera adaptativa la tasa de cruce y mutación de los individuos en el número de poblaciones, acelerar su velocidad de convergencia y reducir efectivamente el número de pasos de entrenamiento. El álgebra de evolución óptima es la novena generación y el valor mínimo de convergencia de MSE es 1.1128 × 10–5.

Resultados del entrenamiento. a) Capacitación modelo MSE. (b) Coeficiente de correlación del modelo GA-BP.

La figura 13b es un gráfico de datos de matriz con 2 filas y 2 columnas. La abscisa es el valor objetivo, la ordenada es el valor de salida de la red y la línea diagonal (-Fit) es la mejor curva de ajuste adaptativo del valor objetivo y el valor de salida de la red. Para evitar el sobreajuste, el método utilizado por MATLAB consiste en dividir los datos en tres partes. El entrenamiento son los datos de entrenamiento, la validación y la prueba son los datos de validación y los datos de prueba, respectivamente. La correlación entre el valor de salida de la red entrenada y el valor del objetivo de entrenamiento es 0.99997, (b arriba a la izquierda). A medida que avanza el entrenamiento, el error entre los datos de salida del entrenamiento y los datos del objetivo del entrenamiento se vuelve cada vez más pequeño, y los datos de validación y prueba son los mismos. El error es cada vez más pequeño. La correlación entre todos los valores de salida de la red y todos los valores objetivo en la cuarta figura (abajo a la derecha) es 0.98865 y finalmente se forma una regresión perfecta.

El error entre el valor de salida predicho y el valor experimental basado en la red BP y GA-BP se muestra en la Fig. 14. El análisis de error del modelo de predicción se muestra en la Tabla 5. La predicción de R2 por BP es 0.897 y la predicción de R2 por GA-BP es 0.979. El grado de ajuste del modelo GA-BP es mayor y el efecto de predicción es mejor. El error de predicción de la red BP en la prueba del modelo de los últimos 15 grupos de datos es grande, y los errores de predicción de MSE, MAE y MAPE son 22.729, 4.172 y 0.072 respectivamente, como se muestra en la Tabla 6. Después de la optimización por algoritmo genético, los errores de MSE, MAE y MAPE se reducen considerablemente a 4.471, 1.811 y 0.031 respectivamente, lo que indica que el modelo de atomización SMD basado en la red GA-BP es exitoso.

Error de predicción del modelo.

Basado en el entrenamiento del modelo GA-BP, se obtiene la relación entre SMD normalizado y parámetros de entrada normalizados. SMD disminuyó con el aumento de Qg, mostrando una correlación positiva, mientras que SMD aumentó con el aumento de d y Ql, mostrando una correlación negativa. La relación entre los parámetros normalizados del entrenamiento del modelo y la sensibilidad de SMD es la siguiente: Qg > d > Ql.

A través del parámetro de entrada, el caudal de la fase gaseosa, el caudal de la fase líquida, el diámetro de entrada de la fase líquida y los parámetros de salida se entrenan y prueban. El R2 predicho por el modelo BP es 0,897, mientras que el de GA-BP es 0,979, lo que muestra un fuerte rendimiento de aprendizaje y adaptativo y una alta bondad de ajuste. El error cuadrático medio (MSE), el error absoluto medio (MAE) y el error porcentual absoluto medio (MPE) de la predicción de GA-BP son 4,471, 1,811 y 0,031 respectivamente. En comparación con la predicción de la red BP, disminuyó en 18,258 y 0,041 respectivamente. GA-BP puede mejorar efectivamente la precisión de la predicción.

El peso y el umbral de la red neuronal BP se mejoran mediante un algoritmo genético, se mejora la adaptabilidad inteligente global de la red, la convergencia del cálculo de la red BP es más rápida y precisa, y el tamaño de gota SMD se puede predecir rápidamente. El modelo de predicción SMD del tamaño de gota construido por la red GA-BP mejora en gran medida la velocidad y la precisión de la predicción. Es de gran importancia guiar cuantitativamente la configuración de los parámetros de la fase gas-líquido y la mejora de la tasa de transporte de líquido en el drenaje de atomización supersónica de fondo de pozo.

La boquilla de atomización supersónica se utiliza para drenaje y recuperación de gas. La atomización supersónica es uniforme, lo que reduce efectivamente la pérdida por deslizamiento de la velocidad de la fase gas-líquido, mejora la eficiencia de transporte de líquido y aumenta la tasa de recuperación. En la actualidad, la nueva boquilla de atomización supersónica diseñada por nosotros se ha aplicado con éxito al bloque del campo de gas Xushen del campo petrolífero de Daqing y ha logrado buenos resultados. Puede mejorar la tasa de recuperación de gas natural entre un 4,5% y un 8,6% y aliviar el problema de la acumulación de líquido cerca de la etapa final de la exploración de petróleo.

Los conjuntos de datos generados y analizados durante el estudio actual están disponibles en el repositorio de "archivo complementario". Los conjuntos de datos utilizados y analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable. Todos los datos generados o analizados durante este estudio se incluyen en archivos de información complementaria.

Shen, Y. et al. Optimización de la tecnología de recuperación de gas de drenaje con tubería flexible en un campo de gas compacto. Adv. mecánico Ing. 9(5), 1687814017711333 (2017).

Artículo CAS Google Académico

Chunsheng, W. et al. El estudio del mecanismo de recuperación de gas de drenaje de herramientas de vórtice del pozo de gas. Adv. Gasolina. Explorar desarrollo 7(1), 62–66 (2014).

Google Académico

Ma, CB El cálculo de la eficiencia y la optimización estructural del drenaje compuesto Eddy y la recuperación de gas. Adv. Mate. Res. 838–841, 1909–1912 (2014).

Google Académico

Huang, B. et al. El mecanismo de recuperación de gas de drenaje y optimización de la estructura de una herramienta de vórtice interno en un pozo horizontal. J.Nat. ciencia del gas Ing. 67, 233–241 (2019).

Artículo Google Académico

Veeken, CAM & Belfroid, SPC Nueva perspectiva sobre la carga y descarga de líquidos en pozos de gas. SPE Prod. oper. 26(4), 343–356 (2011).

CAS Google Académico

Chang, P. & Bai, B. Un método mejorado de eliminación de líquidos de pozos de gas utilizando una boquilla supersónica. En t. J. Transferencia de masa de calor. 108(1), 2262–2272 (2017).

Artículo Google Académico

Surendra, M., Falcone, G. & Teodoriu, C. Investigación de flujos de turbulencia aplicados a la industria del petróleo y el gas. Proyecto SPE fácil Contrato. 4(1), 1–6 (2009).

Google Académico

Tropea, C. Caracterización de partículas ópticas en flujos. año Mec. de fluido Rev. 43(1), 399–426 (2011).

Artículo ADS MATH Google Scholar

Chigier, N. Desafíos para la investigación futura en tecnología de pulverización y atomización: conferencia conmemorativa de Arthur Lefebvre. Átomo. Aerosoles 16(7), 727–736 (2006).

Artículo CAS Google Académico

Han, H. et al. Efecto de la presión del suministro de agua sobre las características de atomización y la eficiencia de reducción de polvo de la boquilla atomizadora de aire de mezcla interna. Adv. Tecnología en polvo. 31(1), 258–268 (2020).

Artículo Google Académico

Prostański, D. Uso de sistemas de rociado de aire y agua para mejorar el control del polvo en las minas. J. Sostener. mín. 12(2), 29–34 (2013).

Artículo Google Académico

Jian, F. Evaluación de la aplicación de la tecnología de drenaje por atomización supersónica para pozos de gas de baja presión y bajo rendimiento. Petroquímica. Tecnología 28(11), 87–88 (2021).

Google Académico

Ni, J., Liu, T., Yao, L. y Xu, J. Estudio sobre la adaptabilidad del proceso de drenaje de atomización supersónica de fondo de pozo. Nat. Gasóleo 39(05), 94–99 (2021).

Google Académico

Benjamin, MA, Mansour, A., Samant, UG et al. Grosor de la película, mediciones del tamaño de gota y correlaciones para atomizadores de remolino de presión grandes. En ASME/IGTI Conference, Estocolmo, Suecia, 2–5 (1998).

Moon, S., Abo-Serie, E. & Bae, C. Flujo de aire y presión dentro de un rociado de remolino a presión y sus efectos en el desarrollo del rociado. Exp. Termia. Ciencia fluida. 33, 222–231 (2009).

Artículo CAS Google Académico

Lee, H. et al. Optimización de la forma de la boquilla de remolino previo y la ubicación radial para aumentar el coeficiente de descarga y la caída de temperatura. J. Mec. ciencia Tecnología 33(10), 4855–4866 (2019).

Artículo Google Académico

Amsden, AA, O Rourke, PJ & Boter, TD Un programa de computadora para flujos químicamente reactivos con aerosoles. Informe del Laboratorio Nacional de Los Álamos LA-11560-MS (1989).

Lilan, H., Qian, J. y Pan, N. Estudio sobre las características del tamaño de partículas de atomización de la boquilla de flujo de dos fases. J. Intel. Sistema borroso 40(4), 7837–7847 (2021).

Artículo Google Académico

Yu, H. et al. Estudio experimental del rendimiento de atomización de un nuevo tipo de boquilla para lodos de agua de carbón. Combustibles energéticos 22(2), 1170–1173 (2008).

Artículo CAS Google Académico

Suh, H. y Chang, S. Efecto de la cavitación en el orificio de la boquilla sobre las características de atomización del combustible diésel. En t. J. Flujo de fluido térmico 29(4), 1001–1009 (2008).

Artículo Google Académico

Xia, Y. et al. Tamaño de gota y características de velocidad del atomizador de chorro de agua-aire. En t. J. Flujo multifásico 94, 31–43 (2017).

Artículo CAS Google Académico

Wang, D. et al. Estudio sobre el método de predicción del tamaño de partícula atomizada de la boquilla centrífuga bajo condiciones de trabajo variables. En las Actas de la 6.ª Conferencia Conjunta de Energía Aeroespacial y la 42.ª Reunión de Intercambio Técnico de la Tercera Red de Información Profesional Aeroespacial de China y el Foro de Alto Nivel de Desarrollo de Tecnología de Motores Aeroespaciales 2021 (Volumen 3). (2022).

Yuan, teoría del diseño HY y estudio experimental de la boquilla eyectora de remolino de aire (Universidad del Petróleo de China, 2016).

Google Académico

Nonnenmacher, S. & Piesche, M. Diseño de boquillas de remolino de presión de cono hueco para atomizar fluidos newtonianos. química Ing. ciencia 57, 4339–4348 (2000).

Artículo Google Académico

Mohanty, YK et al. Efecto del medio fluidizante secundario en la hidrodinámica del lecho fluidizado gas-sólido: enfoques estadísticos y ANN. química Ing. J. 148(1), 41–49 (2009).

Artículo CAS Google Académico

Zhikai, W., Honghua, Z. & Yibo, L. Modelo de atomización de prepelícula basado en red neuronal [J/OL]. Adv. Tecnología 10(7), 1–7 (2021).

Google Académico

Liu, H. et al. Predicción de la distribución del tamaño de las gotas en aerosoles de atomizadores de chorro de aire de prefilmación. química Ing. ciencia 61(6), 1741–1747 (2006).

Artículo CAS Google Académico

Kaiser, R., Kim, S. & Lee, D. Análisis profundo de datos para la estimación de la presión de aspiración en un proceso de atomización de gas a alta presión utilizando una red neuronal artificial. química Ing. Proceso.-Proceso Intensif. 153, 107924 (2020).

Artículo CAS Google Académico

Zhang, Y. et al. Simulación de grandes remolinos de combustión por aspersión utilizando colectores generados por flamelet combinados con redes neuronales artificiales. Energía AI 2, 100021 (2020).

Artículo Google Académico

Descargar referencias

Los autores agradecen el apoyo de la Fundación Nacional de Innovación del Petróleo de China (No. 2019D-5007-0206). La orientación teórica de este trabajo ha sido ayudada por mi tutor, y la parte experimental de este trabajo ha sido ayudada por los hermanos menores. Me gustaría agradecerles por su esfuerzo en mi tesis.

Escuela de Ingeniería del Petróleo, Universidad del Petróleo del Noreste, Daqing, 163318, China

Chengting Liu y Liang He

Laboratorio clave de recuperación mejorada de petróleo (Universidad de Petróleo del Noreste), Ministerio de Educación, Da qing, China

Chengting Liu y Liang He

También puede buscar este autor en PubMed Google Scholar

CL, metodología de investigación, investigación de datos, supervisión experimental, redacción—revisión y edición; LH Spray test, validación experimental, análisis de datos, análisis de resultados. Redacción—preparación del borrador original, redacción en papel.

Correspondencia a Liang He.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Liu, C., He, L. Predicción del tamaño de gota atomizada para drenaje de agua atomizada supersónica y extracción de gas natural. Informe científico 12, 22192 (2022). https://doi.org/10.1038/s41598-022-26597-x

Descargar cita

Recibido: 15 Agosto 2022

Aceptado: 16 de diciembre de 2022

Publicado: 23 diciembre 2022

DOI: https://doi.org/10.1038/s41598-022-26597-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.