Neural Networks Tools for Improving Tacite Hydrodynamic Simulation of Multiphase Flow Behavior in Pipelines

Les réseaux de neurones pour l'amélioration de la simulation hydrodynamique du comportement des écoulements polyphasiques dans les conduites

Abstract
Transient multiphase flow simulators are generally used to dimension the production scheme. One of the problems encountered is to predict accurately the pressure drop and the liquid holdup. This can be solved using an accurate numerical scheme and an appropriate thermodynamic behavior linked to an accurate and robust hydrodynamic model. In the Tacite Code, developed by IFP, a mechanistic hydrodynamic model has been developed. This model is able to predict the flow regime, the phase velocities and the local pressure drop for all slopes and all diameters. It contains closure laws based on flow regimes. This mechanistic model has been validated against various data banks. The two limitations of such an hydrodynamic model may be its mathematical disturbance (continuity, derivability are not always guaranteed) and the time consuming. This can be troublesome when using an accurate numerical scheme that requires derivative computation and for real time purposes. This paper presents a neural network based approach to efficiently replace the hydrodynamic module in the two phase model with the following two objectives: - to avoid discontinuity problems during hydrodynamic computations;- to reduce significantly computational time. This method was tested with experimental and simulated data. The results given in this paper prove the relevancy of this approach.

Résumé
Les simulateurs d'écoulements multiphasiques sont généralement utilisés pour dimensionner le schéma de production. L'un des problèmes rencontrés est de prédire de façon exacte une chute de pression et l'arrêt de circulation. Ceci peut être résolu grâce à l'utilisation d'un schéma numérique précis et un comportement thermodynamique approprié lié à un modèle hydrodynamique adapté et robuste. Dans le code Tacite, développé par l'IFP, un modèle hydrodynamique mécanique a été développé. Ce modèle est capable de prédire le régime d'écoulement, les vitesses de phases et les chutes locales de pression pour tous profils et tous diamètres. Il contient les lois de fermeture fondées sur les régimes d'écoulements. Ce modèle mécanique a été validé sur différentes bases de données. Les deux limitations de ce type de modèle hydrodynamique peuvent être les perturbations mathématiques (continuité et dérivabilité ne sont pas toujours garanties) et le temps de calcul. Ceci peut être gênant lorsque l'on utilise un schéma numérique précis requérant des calculs de dérivées, et dans l'objectif du temps réel. Cet article présente une démarche s'appuyant sur les réseaux de neurones pour remplacer le module hydrodynamique du modèle diphasique selon deux objectifs : - éliminer les problèmes de discontinuité durant les calculs hydrodynamiques ; - réduire significativement le temps de calcul. Cette méthode a été testée sur des données expérimentales et simulées. Les résultats présentés prouvent la pertinence de cette approche.