İki fazlı akışta sıvı oranının belirlenmesi için kNN-GRNN algoritmasının kullanılması

Boru içerisinde iki farklı fazın beraber akışına iki fazlı akış denir. İki fazlı akış petrol endüstrisi, jeotermal enerji, nükleer reaktörler ve kimya endüstrisi gibi endüstrilerde görülmektedir. Özellikle petrol endüstrisinde, petrolün kuyu içerisinden yüzeye çıkışı ve yüzeyden boru hatları vasıtasıyla taşınması esnasında görülür. Akış (sıvıların hareketi) iki faz arasındaki ve fazlar ile profil arasındaki yüzeyi etkileyerek, boru hattı içerisinde fazların dağılım oranlarını değiştirir. Bu oran akış dinamiği için önemlidir, çünkü profil boyunca gerçekleşen basınç dağılımını değiştirir. Basınç dağılımının değişmesi ise akan sıvıların kendi aralarındaki ve aktıkları profil yüzeyi ile aralarındaki sürtünme kayıplarını etkiler. Bu oran, deneysel çalışmalar, deney sonuçlarından elde edilmiş denklemler, denklemlerin kullanılmasıyla oluşturulan simülatörler ve doğrusal olmayan çözücüler vasıtasıyla belirli oranlarda hesaplanabilir. Petrol endüstrisinde sıvı oranının tespit edilmesi çok önemlidir. Bu oran petrol ve gazın ayrıştırılması ve gaz/sıvı tutucuların dizaynı esnasında kullanılır. Yatay, yönlü ve dik kuyularda bu oranı hesaplamak için çeşitli modeller mevcuttur. Çoğu model belirli koşullar altında (belirli basınç, sıcaklık, profil çapı aralığında ve belirli vizkozite, yüzey gerilimi ve yoğunlukta sıvıların kullanıldığı) geçerli olup, diğer koşullara (ve sıvılara) uyarlanması problemli olabilir. Bahsedilen modellerde birinci öncelik akış profilini belirlemek (akış profilini belirlerken her modelin kendine has çözüm yöntemi vardır), sonrasında o profile göre sıvı oranını hesaplamaktır. Sıvı oranı, sürtünme faktörü hesaplanmasında ve sonuçta basınç dağılım hesaplarında kullanılır. Akış profilleri arasındaki geçiş bölgelerinde belirsizlikler ve tutarsızlıklar olduğundan bu modeller doğru sonuç vermeyebilirler. Sıvı oranı hesaplanmasında kullanılan simülatörlerden ilkleri fazların hızlarının eşit kabul edilmesi vasıtasıyla denklemler sadeleştirilerek yapılmıştır. Hızlar eşit kabul edildiğinde, sürtünme sadece sıvılar ile profil arasında olduğundan akış rejimi değişiklikleri de sıvı akışı esnasında çok sınırlı kalmıştır. Akış rejimi haritaları uygulansa dahi, hız değişimleri paralel olduğundan haritanın farklı bölgeleri denklemlere dahil edilememiştir. Bu sebeplerden dolayı simülatörlerde varsayımlar çok sayıda yapılmak zorunda kalınmıştır ve sonuç olarak simülatörlerin kullanım aralığı sınırlı kalmıştır. Sonrasında oluşturulan akış rejimi haritaları ve yazılan simülatörler değişken hızlardaki deney sonuçlarıyla zenginleşmiştir. Hızların değişmesi, kayma hızı tanımını zorunlu kılmış ve profil ile sıvılar arasındaki sürtünmeden farklı olarak, sıvılar arasındaki sürtünme modelleri oluşturulmaya başlanmıştır. Eş zamanlı iki hareketli yüzeyin (sıvı yüzeyler) sürtünmesi ve basınç dağılımlarının modellenmesi daha fazla işlem kapasitesi gerektirmiştir. Teknolojinin de gelişimi ile yazılan modeller daha karmaşıklaştırılabilmiş ve tutarlılıkları ve kullanım aralıkları artırılmıştır. Kullanılan matematiksel simülatörlerden bazıları da yapay sinir ağlarından oluşmaktadır. Yapay sinir ağları, isminden de anlaşılacağı üzere, canlı organizmaların nöronlarının çalışması esnasında büyük rolü olan biyolojik sinir sisteminin çalışmasından esinlenilerek tasarlanmıştır. Sinir sistemi içerisindeki nöronlar birbirleri ile belirli bir düzende ve ağda birleşerek kendi aralarında bir nevi haberleşirler. Herhangi bir anda ya da karşılaşılan bir problemin tanımlanmasında, belirli yerel alanlarda problem ile ilişkili olan nöronlar bu sinir ağını kurabilirler. Bu ağlar görsel veya işitsel olarak alınan girdiyi anlayıp yorumlayarak çıkarım yapılmasını sağlarlar. Ağ arasında belirli sayıda ve belirli haberleşme algoritmasına sahip nöron sayısı ve ilişkisi dinamik olarak ayarlanıp karşılaşılan problem çözülür. İnsan gözlemlemesi ve düşünmesi esnasında bu durum sıkça tekrarlanır. Zamanla sahip olunan mekanizma görerek, işiterek ve hissederek gelişmeyi sürdürür. Zaman içerisinde daha önce çıkarım yapmış olduğu sonuçları belirli bölgelerde (yani o probleme atanmış bellek görevi gören nöronlar) tutup, yeni girdi olarak kullanarak çözümü kolaylaştırmış yani öğrenerek çıkarım yapmış olur. Bu çıkarımlar günümüzde karşılaşmış olduğumuz farklı disiplinlere ait mühendislik problemlerinin çözümünde rahatlıkla kullanılabilir. Nöronların aldığı değerler herhangi bir matematiksel denklem ile yönlendirilebilir. Problem bir sınıflandırma problemi ise 1 ve 0 arasında istatistiksel bir dağılım fonksiyonu kullanılabilirken, problem herhangi bir sayısal çıktı gerektirdiğinde ilgili değerlerin standart sapması ve ortalaması ile belirli aralığa indirgenerek devamlı bir fonksiyon yardımıyla çıktı temsil edilebilir. Ağ içerisinde bilgi akışının haberleşme ile olmasından kasıt, nöronların birbirlerini, parçacıkların birbirlerini kuvvet ile etkilemesi gibi değiştirmesidir. Belirli bir optimum hızda gerçekleşmeyen haberleşme yanlış veya kısmi optimum bir sonuç verebilir. Yapay sinir ağlarının farklı farklı çeşitleri mevcuttur. Bu çeşitlenme, ağ yapısı, ağ haberleşme yolu, deneme yanılma yoluyla veya istatistiksel olarak dağılımı algılama yoluyla çözümü bulmaya çalışma gibi alanlarda kendisini gösterir. En temel yapay sinir ağı, ileri doğru bilginin aktığı ve doğrusal fonksiyon ile bir çıktı elde edilen, doğrusal regresyon çözümlemesi yapan ağdır. Gerçek hayatta problemlerin çok büyük çoğunlukla doğrusal olmaması dolayısıyla doğrusal olmayan ağların geliştirilmesi zorunlu olmuştur. Doğrusal olmayan ağlarda deneme yanılma yoluyla sonuçlar arası fark azaltılmaya çalışılmıştır, fakat bunların en başlarında geliştirilen ağ hareketi içindeki optimizasyon algoritmaları yavaş ve verimsiz olmuştur. 80lerde hesaplama kapasitesi daha hızlı artarken aynı zamanda şuanda da kullanılan ve daha hızlı çalışan optimizasyon algoritmaları geliştirilmiştir. Günümüzde grafik işlemcilerinin ve çok çekirdekli işlemcilerin yardımıyla milyonlarca parametreli ağ hareketi optimizasyon algoritmaları kısa sürede global optimum sonuç verebilmektedir. Yapay sinir ağlarının daha hızlı çalışmasının yanında, kullandığı bağımsız parametrelerin doğru yerde kullanılması da çok önemlidir. Bunun düzgün belirlenmesi ağa problemi tanımlama alanının görevidir ve 'nitelik mühendisliği' adıyla anılır. Probleme has niteliklerin alan ile ilgili uzman kişiler tarafından belirlenmesi ve yapının o doğrultuda kurulması ağın doğru çalışması için olmazsa olmazlardandır. Bu işlevi de yapmak için bazı bağımsız (çıktıya bağlı olmayan) ağlar mevcuttur. Bu ağlar 'denetimsiz öğrenme' alanı içinde geliştirilmiş ağlardır ve herhangi bir bağıntıyı problemin içeriğine ve karmaşıklığına bağlı olarak tespit edebilirler. Bu yapay sinir ağlarının genel haliyle ve farklı çeşitleriyle kullanım alanlarından biri de iki fazlı akışta sıvı oranının, onu etkileyen bağımsız değişkenler göz önünde bulundurularak hesaplanmasıdır. Bu çalışmada, iki fazlı akışta sıvı oranının tespit edilmesi için yapay zekâ algoritması kullanılmıştır. Deneysel sonuçlardan elde edilen matematiksel modeller ile bilinen, yaygın algoritmalar, geliştirilen algoritmayı kıyaslamak için kullanılmıştır. Geliştirilen kNN-GRNN algoritmasında kNN algoritması GRNN algoritmasının çalışması için sınıflandırma işlevi görmüştür. Yerel bölgelerde, daha etken parametreler daha az etkili olanlardan ayrılarak, tutarlılık artırılmaya çalışılmıştır. Simülasyonlar sonucunda, akış esnasında sıvının yoğunluğu, profilin eğimi, profilin çapı ve fazların hızları, sıvı oranlarını en çok etkileyen parametreler olarak tespit edilmiştir. Vizkozite ve yüzey gerilimi parametreleri daha önceki deneysel çalışmalarda ve matematiksel modellerde kullanılmış olup, daha sonraları geliştirilen modellerde buradaki gibi daha az etkileyici role bürünmüştür. Algoritmaların ve korelasyonların başarılarını kıyaslamak için korelasyon katsayısı (R) ve ortalama mutlak yüzdelik hata (AAPE) formülleri kullanılmıştır. Sonuçta geliştirilen algoritma, bazı noktalarda nispeten daha az başarılı olsa da genel performansta, 0.9573 korelasyon katsayısı ve %18.02 ortalama mutlak yüzdelik hata ile en başarılı model olmuştur. Geliştirilen yapay sinir ağı algoritması, kuyu içerisinde ve yüzeyde boru hatlarında ticari olarak kullanılan akış modellemesi yapan simülatörlerde kullanılabilir. Petrol ve doğal gaz kuyuları içerisinde birçok zondan akışın gerçekleştiği ve bu zonlardan ne kadar akışın olduğunu ayırt etmede kullanılan mekanik cihazların da çıktısı olarak bu algoritmalar kullanılabilir.