محمدامیر ستاری - دانشجوی کارشناسی ارشد، دانشگاه صنعتی کرمانشاه
نسترن کرانی - دانشجوی دکتری، پژوهشگاه علوم و فنون هسته ای
Robert Hanus - استادیار، دانشگاه ژشوف لهستان
غلامحسین روشنی - استادیار، دانشگاه صنعتی کرمانشاه

تشخیص نوع رژیم و درصدهای حجمی در سیالات چند فازی به خصوص در جریانات دو فازی در صنایع نفت و پتروشیمی بسیار حایز اهمیت است. در این مطالعه سه رژیم جریانی شامل حلقوی، همگن و لایه ای، توسط نرم افزار MCNP در بازه کسر خالی (90%-5%) شبیه سزی شد. در این شبیه سازی از یک چشمه سزیم 137 و دو آشکار ساز Nal برای ثبت فتون های عبوری استفاده شده است. با استفاده از فیلتر ساویتزکی گولایی نویز فرکانس بالای داده های به دست آمده حذف شد وسپس چهار مشخصه حوزه زمان شامل واریانس، چولکی، و همبستگی از داده های ثبت شده توسط هر آشکارساز، استخراج شد. با توجه به عدم توانایی مشخصه های استخراج شده در جداسازی رژیم های جریانی، تصمیم بر آن شد که از هر آشکار ساز مشخصه ای متفاوت با آشکارساز دیگر استخراج شود. با بررسی تمام حالات ممکن برای استخراج مشخص های متفاوت از آشکارسازهای مختلف، بهترین حالت برای آموزش، اعتبارسنجی و تست شبکه عصبی مصنوعی انتخاب شد. مراحل کاهش نویزهای فرکانس بالا، استخراج مشخصه و طراحی شبکه های مصنوعی در فضای نرم افزار متلب انجام شده است. دقت 100% در تشخیص نوع رژیم و میانگین مربع خطا کمتر از 0/97 در تعیین درصدهای حجمی، اهمیت استخراج مشخصه و کارایی بالای روش پیشنهادی را مشخص می کند.

استخراج مشخصه، سیالات دوفازی، شبکه عصبی، نرم افزار MCNP، فیلتر یاویتزکی گولای