Resumo: Escoamentos bifásicos são comumente encontrados nas indústrias químicas e podem apresentar diferentes tipos de padrões de escoamento. Normalmente, para um escoamento monofásico, a modelagem matemática é aplicada para entender o comportamento do escoamento a partir de fenômenos físicos. Entretanto, quando duas ou mais fases coexistem, outras características precisam ser estudadas, como a distribuição das fases ao longo dos dutos de transporte. Ao longo do tempo, alguns pesquisadores tentaram determinar empiricamente a configuração do fluxo criando mapas de padrões de fluxo com a velocidade superficial de cada fase, ou aplicando o método ultrassônico, radiografia, tomografia, raio-X, entre outros. Visando contribuir com a área, o escopo deste trabalho foi dedicado a classificar três tipos de padrões de escoamento – slug, churn e dispersed-bubble – através da técnica de Rede Neural Convolucional (RNC) para classificação de imagens. As imagens foram extraídas de vídeos de fluxos ar-água e ar-óleo em tubos verticais gravados em alta resolução e fornecidos em uma matriz de pixels de três canais representando a cor do sistema RGB. Após o pré-tratamento para alterar o espaço de cores, a resolução da imagem e normalizar os dados, as imagens foram enviadas para o processo de mapeamento com filtros para extração de características. Na sequência, os valores obtidos da primeira etapa foram vetorizados para posterior classificação. A rede neural convolucional é uma ferramenta de aprendizado profundo que substituiu em muitos casos a combinação de modelos de machine learning, como árvores de decisão ou máquina de vetores de suporte - para extração de recursos - e a tradicional rede neural artificial - para classificação. Duas abordagens diferentes foram realizadas durante este projeto. Primeiramente, avaliamos o impacto de alguns parâmetros selecionados em apenas uma arquitetura RNC. Definindo os parâmetros, na sequência variamos a profundidade da arquitetura e/ou números de pesos: alterando os atributos de filtro(s) e/ou os neurônios nas camadas densas. Ao final, comparamos a melhor arquitetura analisada com os resultados do modelo VGG-16, treinado e testado para os padrões específicos de escoamento bifásico. Dentre todas as 294 arquiteturas testadas podemos selecionar 2 modelos que atingem a precisão de pelo menos 97\% para ambos os tipos de escoamento bifásico (ar-água e ar-óleo) no conjunto de dados de teste Ver menos

Abstract: Two-phase flows are commonly found in the chemical industries and can present different types of flow patterns. Normally, for a single-phase flow, mathematical modeling is applied to understand the flow behavior from physical phenomena. However, when two or more phases coexist, other characteristics need to be studied, such as the distribution of the phases along transportation pipelines. Over time, some researchers have tried to empirically determine the flow configuration by creating flow pattern maps with the superficial velocity of each phase, or by applying the ultrasonic method, radiography, tomography, and X-ray, among others. In order to contribute to the area, the scope of this work was dedicated to classifying three types of flow patterns – slug, churn, and dispersed-bubble – through the Convolutional Neural Network (CNN) technique for image classification. The images were extracted from videos of air-water and air-oil flows in vertical tubes recorded in high resolution and provided in a three-channel matrix of pixels representing RGB space color. After the pre-treatment to change the color space, the image resolution, and normalize the data, the images were sent to the mapping process with filters in order to extract features. In the sequence, the values obtained from the first stage were flattened into a vector for further classification. The convolutional neural network is a Deep Learning tool that replaced in many cases the combination of machine learning models, such as decision trees or supported vector machine - for feature extraction - and the traditional artificial neural network - for classification. Two different approaches were performed during this project. First, we evaluated the impact of some selected parameters in only one CNN architecture. Defining the parameters, in the sequence we vary the architecture depth and/or numbers of weights: changing the filter attributes and/or the neurons at the dense layers. In the end, we compared the best architecture analyzed to the results of the VGG-16 model trained and tested for the specific two-phase flow patterns. Among all 294 architectures tested we can select 2 models that reach the accuracy of at least 97\% for both types of two-phase flow (air-water and air-oil) in the test dataset Ver menos