Desenvolvimento de medidor de vazão para escoamento multifásico água-ar

Abstract

Escoamentos multifásicos ocorrem em diversos setores da indústria, e a capacidade de medir corretamente as vazões das fases neles presentes são cruciais para uma boa operação. Contudo, devido à complexidade das interações presentes nesses escoamentos não há a possibilidade de utilizar medidores de vazão convencionais para resolução dessa necessidade. Em vista disso, utilizam-se medidores de vazões multifásicos (MPFM) os quais empregam diversos sensores em sua estrutura, a fim de medir as variáveis necessárias para estimação das vazões ou inferi-las através de um reconhecimento de padrões das leituras. No entanto, os atuais MPFMs não são capazes de medir as vazões das fases com acuracidade para todo o espectro de composição da mistura. Além disso, a utilização de instrumentos baseados em princípios nucleares eleva o custo e a periculosidade desses medidores. No presente trabalho realizou-se o desenvolvimento de dois MPFMs (MPFM-1 e MPFM-2) para o escoamento multifásico ar e água em tubulação horizontal. O MPFM-1 refere-se as vazões das fases apenas para o escoamento estratificado e o MPFM-2 refere-se aos escoamentos estratificado, plug e golfada.. Os dados utilizados para desenvolvimento dos medidores foram obtidos através de experimentos utilizando um tubo de venturi com sensor de pressão diferencial, sensores de vibração, um acelerômetro e giroscópio, um sensor de condução e um sensor de vazão e um Arduino Nano como microcontrolador. Para o desenvolvimento dos MPFMs seguiu-se a mesma metodologia proposta por Kadlec et al. (2009) utilizada para construção de analisadores virtuais. Os dados adquiridos foram então inspecionados, a fim de verificar leituras congeladas ou com erros óbvios e processados, para remoção de leituras discrepantes. A seleção de variáveis foi feita através do método Backward Elimination. Os dados foram divididos em conjuntos de treinamento e validação e utilizados nos modelos de Regressão Linear Multivariável e Redes Neurais Feedforward (FANN). Empregou-se como métrica de validação para os modelos utilizados o coeficiente de correlação, sendo as FANNs o modelo selecionado para ambos os MPFMs. Os erros absolutos médios obtidos para vazão de ar e água foram, respectivamente, 0,27 e 0,02 L/min para o MPFM-1 e 0,42 e 0,02 L/min para o MPFM-2.

Multiphase flows occur in several sectors of the industry, and the ability to correctly measure flow rate of the phases in it is crucial for a good operation. However, due to the complexity of the interactions present in these flows, there is no possibility of using conventional flow meters, thus, multiphase flow meters (MPFM) are used. These meters employ several sensors in their structure, in order to measure the necessary variables to determine the flow rates or infer them through a pattern recognition. However, the current MPFMs are not able to accurately measure the flow rates of the phases for the entire spectrum of the mix composition. In addition, the use of instruments based on nuclear principles increases the cost and hazard of these meters. In the present work, two MPFMs (MPFM-1 and MPFM-2) were developed for the multiphase flow of air and water in horizontal pipes. MPFM-1 refers to stratified flow only and MPFM-2 refers to stratified, plug and slug flow. The data used for the development of the meters were obtained through experiments using a Venturi tube with differential pressure sensor, vibration sensors, an accelerometer and gyroscope, a conduction sensor and a flow sensor and an Arduino Nano as a microcontroller. For the development of MPFMs, the same methodology proposed by Kadlec et al. (2009) used for the construction of soft sensors was implemented. The acquired data were inspected, in order to check for frozen readings or with obvious errors. Processed to remove outliers. The variables selection was done through the Backward Elimination method. The data were divided into training and validation sets. Finally, they were used in the models of Multivariable Linear Regression and Feedforward Neural Networks (FANN). The correlation coefficient was used as the validation metric for the models used, with FANNs being the model selected for both MPFMs. The mean absolute errors obtained for air and water flow were, respectively, 0.27 and 0.02 L / min for MPFM-1 and 0.42 and 0.02 L / min for MPFM-2.