Prévision de la taille des gouttelettes atomisées pour le drainage supersonique de l'eau atomisée et l'extraction du gaz naturel

Rapports scientifiques volume 12, Numéro d'article : 22192 (2022) Citer cet article

466 accès

1 Altmétrique

Détails des métriques

Dans la dernière étape de l'exploration du réservoir de gaz naturel, la pression du puits de forage est réduite et l'accumulation de liquide est sérieuse, afin de résoudre le problème de l'accumulation de liquide et de la faible production dans les puits de gaz à basse pression et à faible rendement, la technologie de récupération des gaz de drainage par atomisation supersonique est utilisée pour améliorer le taux de récupération. En étudiant l'influence des paramètres de conditions de travail de la récupération des gaz de drainage par atomisation de la buse de fond de trou sur l'effet d'atomisation et le taux de transport de liquide, un nouveau modèle physique de buse d'atomisation est établi, le modèle d'atomisation du réseau neuronal de rétropropagation (BP) et le modèle d'atomisation du réseau neuronal BP optimisé par algorithme génétique (GA) est établi, et le Matlab est utilisé pour former les 45 groupes d'ensembles de données avant l'expérience. Après la formation du modèle, les paramètres d'atomisation normalisés sont formés pour l'analyse de sensibilité. La relation entre la force et la faiblesse des facteurs affectant la taille moyenne des particules de gouttelettes (SMD) de Sotel est la suivante : débit de gaz (Qg) > diamètre d'entrée de liquide (d) > débit de phase liquide (Ql). Les 15 derniers ensembles d'ensembles de données en dehors des échantillons d'apprentissage ont été testés par le modèle BP et le modèle neuronal BP optimisé par algorithme génétique (GA-BP), et la taille de SMD a été prédite. Les résultats expérimentaux montrent que le coefficient de détermination R2 du modèle de réseau GA-BP établi aux paramètres expérimentaux est de 0,979 et la qualité de l'ajustement est élevée ; l'erreur quadratique moyenne (MSE), l'erreur absolue moyenne (MAE) et l'erreur absolue moyenne en pourcentage (MAPE) de la valeur prédite du modèle d'atomisation GA-BP et de la valeur expérimentale sont respectivement de 4,471, 1,811 et 0,031, l'erreur est faible, la précision de la prédiction est élevée et l'établissement du modèle est précis. Le modèle GA-BP peut prédire efficacement le SMD dans différentes conditions de fonctionnement. À l'heure actuelle, la nouvelle buse d'atomisation supersonique a été appliquée avec succès au bloc de champ gazier de Xushen du champ pétrolifère de Daqing, ce qui peut améliorer le taux de récupération du gaz naturel de 4,5 à 8,6 %, atténuer le problème d'épanchement vers la fin de l'exploration pétrolière et a une certaine importance directrice pour résoudre le problème d'épanchement du puits de forage et améliorer l'efficacité de la production.

Au stade ultérieur de la production de puits de gaz naturel, la pression au fond du trou diminue, la vitesse d'écoulement du gaz diminue, le débit de transport de liquide diminue, l'accumulation de liquide dans le puits de forage augmente, l'accumulation de liquide entrave la migration du gaz naturel et la production diminue. L'efficacité de décharge de liquide des technologies traditionnelles telles que le gas lift, la décharge à bulles, la circulation de gaz naturel et la pompe à haute pression est médiocre1,2,3,4. Afin de résoudre le problème de l'accumulation grave de fluide dans le puits de forage, une nouvelle technologie d'atomisation par buse pour le drainage et la récupération des gaz est adoptée5,6,7. La technologie utilise l'énergie du gaz naturel pour atomiser le liquide accumulé dans le fond du trou à travers la buse, et les gouttelettes sont évacuées du puits de forage avec le gaz naturel. Ce procédé réduit la consommation d'énergie, améliore l'utilisation de l'énergie, réduit le coût d'exploitation et de maintenance des puits de gaz et peut résoudre efficacement le problème de l'accumulation de fluide dans le puits de forage.

De nombreux chercheurs ont effectué des recherches connexes sur la technologie d'atomisation par buse, effectué des expériences d'atomisation correspondantes8,9 et obtenu des résultats idéaux. Han et al.10 ont conçu une sorte de buse de mélange interne d'atomisation et de dépoussiérage. Le champ d'écoulement dans la buse a été simulé par FLUENT. Les résultats montrent qu'avec l'augmentation de la pression d'alimentation en eau, la vitesse d'écoulement dans la buse augmente, la vitesse de l'air diminue et la vitesse relative gaz-liquide diminue. Ils ont réalisé des expériences de réduction de la poussière de pulvérisation à l'aide de buses d'atomisation. Les résultats expérimentaux montrent que lorsque la pression d'alimentation en eau augmente, la plage, la fraction volumique des gouttelettes et la taille des gouttelettes augmentent toutes, et l'efficacité de réduction de la poussière de la poussière totale et de la poussière respirable augmente d'abord, puis diminue. KOMAG Mining Technology Research Institute11 a développé une sorte de buse de pulvérisation d'eau, qui peut être utilisée efficacement pour pulvériser la réduction de poussière au point de transfert de la cisaille, de la machine à attaque ponctuelle et du convoyeur. Feng12 a effectué des tests de drainage par atomisation sur des puits de gaz à basse pression et à faible production à l'aide de buses sur le site de production du champ gazier de West Sichuan. L'effet d'atomisation des buses est bon, le taux de transport de liquide du puits de forage est augmenté de 23,4 % et la production de liquide est augmentée de 200 m3/j. Ni et al.13 ont placé le dispositif d'atomisation à buse supersonique à une profondeur de 1 000 à 2 000 m pour effectuer des expériences sur le terrain, ce qui montre que la vitesse de sortie est nettement supérieure à celle des buses ordinaires et que l'efficacité de transport de liquide est augmentée de 41,3 %.

Ces dernières années, les moyens expérimentaux ont également été innovés en raison des progrès de la science et de la technologie, à travers l'étude approfondie des expériences de pulvérisation, afin d'obtenir un meilleur effet d'atomisation, afin d'atteindre une meilleure valeur économique. Benjanin et al.14 ont étudié le champ d'écoulement interne et externe de la buse tourbillonnante. Selon les résultats expérimentaux, les formules modèles du coefficient de débit massique et de la vitesse des gouttelettes ont été obtenues. Seoksu et al.15 ont étudié la structure interne et la pression statique de la buse tourbillonnante, et l'étude a montré qu'il y avait un vortex de reflux dans le processus d'atomisation tourbillonnante, et la chute de pression à l'intérieur de la buse était plus importante sous une pression d'injection élevée. Lee et al.16 ont réalisé des expériences sur des buses de passage et ont optimisé les buses de passage par simulation CFD, en optimisant quatre variables de conception : la longueur d'entrée de la buse, la longueur de sortie, le diamètre d'entrée et la position radiale. Les résultats montrent que la buse optimisée réduit la perte de pression totale et augmente le débit massique, et le système de pré-tourbillon optimisé réduit la perte aérodynamique, augmente le débit massique sous une certaine pression et satisfait la marge de pression de refroidissement des pales. Le modèle de buse d'atomisation supersonique a été établi par le laboratoire Los Alamos17 aux États-Unis, et le processus de combustion d'atomisation supersonique du moteur à combustion interne a été étudié. L'analyse du mouvement complexe d'évaporation, de fragmentation et de diffusion turbulente d'un fluide chimique diphasique peut améliorer efficacement l'efficacité de la combustion par atomisation.

L'effet d'atomisation de la buse peut être évalué en étudiant la taille des gouttelettes SMD et sa distribution, qui sont les paramètres clés de la performance d'atomisation. Lilan et al.18 ont étudié la distribution de la taille des gouttelettes dans le champ d'écoulement d'un atomiseur à air externe par le biais d'expériences. Ils divisent le champ d'atomisation en plusieurs zones d'observation, et grâce à la mesure de plusieurs zones d'observation locales, la relation de distribution de la taille des gouttelettes dans l'ensemble du champ d'atomisation est obtenue, ce qui fournit une certaine référence pour l'étude du champ d'atomisation de la buse. il fournit une base pour comprendre intuitivement la distribution de la taille des gouttelettes du champ d'atomisation de la buse. Yu et al.19 ont développé un nouveau type de buse à boue d'eau de charbon gazéifié et ont étudié ses performances d'atomisation. Ils ont discuté en détail des effets de la charge de travail de la buse et du débit de gaz sur la distribution des particules d'atomisation, le diamètre moyen de Sauter SMD et l'angle d'atomisation de la buse. Hyun Suh et al.20 ont étudié l'effet du flux de cavitation sur les caractéristiques d'atomisation du carburant diesel dans des buses de différentes tailles à travers le système de visualisation du flux et ont utilisé le système de mesure des particules pour déterminer les caractéristiques d'atomisation telles que le SMD et la vitesse moyenne des gouttelettes. Les résultats montrent que la cavitation dans la buse améliore les performances d'atomisation du carburant, et plus la longueur de l'orifice de la buse est longue, plus l'atomisation du carburant est importante. Xia et al.21 ont utilisé un système de taille de particules laser pour mesurer le diamètre des gouttelettes de différents champs de pulvérisation. Il a été constaté que la taille des gouttelettes au centre de la pulvérisation était la plus petite et que la SMD au bord de la pulvérisation augmentait.

L'influence des paramètres des conditions de travail sur l'effet d'atomisation a été étudiée, et des études expérimentales sur les facteurs d'influence de différents paramètres de fonctionnement sur le diamètre des gouttelettes ont été réalisées, certains chercheurs ont établi des modèles mathématiques correspondants pour prédire SMD afin d'améliorer l'efficacité de l'atomisation22,23. Nonnenmacher et al.24 ont étudié la buse à tourbillon de pression à cône creux sur la base de la théorie du champ d'écoulement interne et externe de la buse, et ont établi le modèle de programme de simulation du coefficient d'écoulement et du diamètre des gouttelettes. Selon le programme de simulation, le diamètre moyen de Sauter SMD de la buse peut être prédit. D'autres chercheurs ont construit des modèles d'apprentissage en profondeur capables de prédire rapidement la pulvérisation SMD25, Wang et al.26 ont établi le modèle d'atomisation pré-film en utilisant un algorithme de réseau neuronal et ont conclu qu'avec l'augmentation de la différence de pression d'huile, le dispositif pré-film est apparu effet anti-buée, et l'effet d'atomisation était faible. Selon la similitude de la rupture des gouttelettes, Liu et al.27 ont construit un modèle de fragmentation aléatoire finie (FSBM) pour le processus d'atomisation par soufflage avant la formation du film. La distribution de la taille des gouttelettes est simulée à l'aide de ce modèle, et les résultats de la simulation sont cohérents avec les résultats expérimentaux de l'atomiseur à souffle pré-film. Ce modèle peut déterminer avec précision la relation non linéaire entre le diamètre moyen des gouttelettes SMD et la distribution de taille du jet de souffle. Kaiser et al.28 ont établi le modèle de pression d'aspiration de la buse d'atomisation à couplage fermé (CCA) et ont appliqué l'algorithme d'apprentissage automatique basé sur un réseau de neurones artificiels à la prédiction de la pression d'aspiration dans la buse HPGA à couplage étroit. Le R2 du modèle de réseau neuronal est de 0,98. Selon la recherche de paramètres et le test de sensibilité, le SMD prédit par différents paramètres de conditions de travail peut faciliter la conception conceptuelle et le fonctionnement de la buse CCA afin de minimiser la pression d'aspiration. Zhang et al.29 ont utilisé la technologie des réseaux de neurones artificiels pour tester la précision de prédiction de la simulation des grandes turbulences (LES) de la combustion par pulvérisation. Les résultats montrent que le modèle de réseau neuronal artificiel actuel peut bien reproduire la plupart des tables de fraction massique des espèces, ce qui peut bien prédire la flamme de pulvérisation du réseau de combustion du moteur simulé.

Selon les recherches et l'analyse précédentes des expériences d'atomisation de la buse, il existe de nombreuses études sur les facteurs affectant le diamètre des gouttelettes des paramètres d'atomisation, et la recherche actuelle sur l'atomisation de la buse se limite à la simple relation et à la loi entre les paramètres d'atomisation, certaines personnes ont établi le modèle d'atomisation de formule empirique de la buse traditionnelle, et la précision du modèle mathématique traditionnel n'est pas élevée, et l'erreur de prédiction de SMD est grande; Peu de gens ont établi un modèle d'atomisation d'apprentissage automatique complexe pour les paramètres d'atomisation de buse traditionnels, et personne n'a utilisé des buses d'atomisation supersoniques pour établir un modèle d'apprentissage automatique pour prédire SMD, et les prédécesseurs ont une grande erreur de prédiction de SMD, et l'analyse de corrélation des paramètres de facteur d'influence SMD est plus gênante, nous utilisons l'algorithme de réseau neuronal pour normaliser les données et utiliser le principe de corrélation de Pearson pour analyser la vitesse est plus rapide, gain de temps et économie de travail, et le poids d'influence entre chaque facteur peut être clairement calculé.

Par conséquent, dans cet article, un nouveau réseau de neurones algorithme-BP optimisé par un algorithme génétique est utilisé pour établir un modèle d'atomisation pour le nouveau diamètre moyen des gouttelettes du paramètre d'atomisation de la buse SMD, et par rapport au réseau d'apprentissage neuronal BP traditionnel, un modèle d'atomisation fiable et précis est établi, qui peut prédire rapidement le paramètre cible d'atomisation SMD, améliorer l'efficacité et la précision de la prédiction et ajuster le SMD des gouttelettes en fonction de différentes conditions de travail. Lorsqu'il y a plus d'accumulation de liquide au fond du puits, le débit de gaz dans le dispositif d'atomisation est moindre, le débit de liquide est supérieur, c'est-à-dire que le rapport gaz-liquide est faible, le débit de liquide à l'extérieur du puits augmente, l'efficacité du drainage est améliorée, l'accumulation de liquide au fond du puits diminue et le canal d'écoulement du gaz naturel augmente. Le drainage et la récupération du gaz naturel sont grandement améliorés ; lorsque le fluide de fond de trou est inférieur, le gaz naturel est supérieur, le rapport gaz-liquide dans le dispositif d'atomisation est supérieur et le taux de récupération est amélioré. Le modèle GA-BP établi a une certaine importance pour le réglage des paramètres de fonctionnement de la buse de fond de trou et l'amélioration de l'efficacité du drainage.

Un nouveau type de buse d'atomisation basé sur le tube Laval peut réaliser une atomisation supersonique. Le tube de Laval traditionnel est amélioré et un modèle de buse d'atomisation en trois dimensions est établi comme illustré à la Fig. 1. La figure 1a montre un modèle géométrique en trois dimensions de la buse, qui se compose d'une entrée de gaz, de quatre entrées de liquide à symétrie spatiale et d'une sortie de mélange. Le gaz naturel de fond de trou entre par l'entrée de phase gazeuse de la buse et accélère à travers la gorge, et la vitesse d'écoulement du gaz atteint une vitesse supersonique. Le fluide accumulé pénètre dans la cavité à partir de l'entrée de la phase liquide et est cisaillé et brisé par l'impact du flux d'air à grande vitesse et atomisé. Ensuite, il est réalisé hors du puits de forage avec le gaz naturel montant. La figure 1b montre la taille du modèle de buse. Les diamètres d'entrée gaz-liquide sont de 25,0 mm et 6,0 mm, le diamètre de sortie de mélange est de 34,0 mm et la longueur totale est de 100,0 mm.

Modèle de buse d'atomisation supersonique. (a) Modèle tridimensionnel. (b) Taille du modèle.

Dans cet article, basé sur l'écoulement supersonique d'un écoulement diphasique gaz-liquide, le modèle k-ε turbulent réalisable VOF est utilisé pour considérer l'effet de courant de Foucault turbulent. La buse d'atomisation permet au gaz naturel de produire un flux supersonique, une atomisation par cisaillement du flux de liquide à impact de flux d'air à grande vitesse, l'équation de continuité de l'entrée de masse égale à la sortie est :

Dans la formule, ρ est la densité du fluide, ux, uy et uz sont les vecteurs vitesse des axes x, y et z respectivement.

Lorsque la force résultante du fluide dans la cavité est nulle, la quantité de mouvement reste inchangée avant et après la quantité de mouvement. Le produit de la masse et de la vitesse du fluide est égal au produit temporel de la force résultante agissant sur le fluide, qui satisfait la conservation de la quantité de mouvement :

Selon la première loi de la thermodynamique, l'écoulement interne de la cavité satisfait la loi de conservation de l'énergie :

Dans la formule : μ est la viscosité dynamique ; Su, Sv et Sw sont les termes sources généralisés de l'équation de conservation de la quantité de mouvement, S est le terme source de chaleur volumique ; p est la pression du champ d'écoulement, E est l'énergie totale des micelles fluides ; keff est la conductivité thermique effective ; hj et Jj sont l'enthalpie et le flux de diffusion du composant j ; τeff est le tenseur effectif des contraintes ; ΔT est le gradient de température du fluide.

Modèle k-ε réalisable :

Dont : \({C}_{1}=\mathrm{max}\left(0.43\frac{\eta }{\eta +5}\right), \eta =S\frac{k}{\varepsilon }\)

Dans l'équation : K est l'énergie cinétique turbulente, ε est le taux de dissipation turbulente ; Gk est le terme d'énergie cinétique turbulente produit par le gradient de vitesse laminaire ; Gb est le terme d'énergie cinétique turbulente causé par la flottabilité ; YM est l'effet de l'expansion turbulente compressible sur le taux de dissipation total ; C1, C2 sont des constantes ; σK et σε sont les nombres de Prandtl correspondant respectivement à l'équation k et à l'équation ε ; Sk et Sε sont des termes d'énergie cinétique turbulente et des termes source de dissipation turbulente définis par l'utilisateur.

Réglage de la méthode de résolution

Le modèle d'écoulement diphasique gaz-liquide VOF et le modèle de turbulence ke réalisable sont utilisés dans le calcul de la simulation. Le solveur implicite est sélectionné et le solveur basé sur la pression est utilisé. Le calcul transitoire, le pas de temps est de 0,0001 s, le temps de résolution est de 50 s, et le couplage de la vitesse et de la pression est l'algorithme SIMPLEC. Le moniteur moniteur surveille les changements de diverses grandeurs physiques à la sortie. Le résidu est fixé à 10–6 et la convergence est plus fiable.

Réglage des conditions aux limites

L'entrée de gaz est l'entrée de débit massique, le matériau gazeux est de l'air, la valeur initiale est de 3000 m3/j, convertie en un débit massique de 42,535 g/s ; l'entrée de la buse de liquide est définie comme entrée de débit massique, le matériau est défini comme eau liquide, la valeur initiale est de 0,6 m3/d et le débit massique est de 6,932 g/s. La face d'extrémité de sortie de la buse est réglée sur sortie de pression, la valeur est une pression atmosphérique - 101 325 Pa, le reste de la paroi est réglé sur paroi, paroi lisse ; diamètre d'entrée de liquide (d), ouverture d 6,0 mm.

Selon le modèle irrégulier complexe de cet article, le modèle de grille de raffinement tétraédrique et de couche limite est adopté, qui présente une adaptabilité et une qualité de grille élevées. En général, plus le nombre de grilles est élevé, plus la précision du calcul est élevée, mais cela augmentera également la charge de calcul. Ces deux facteurs doivent être équilibrés avant la génération du réseau. Dans cet article, trois types différents (différentes quantités) de grilles sont générés, et l'indépendance des grilles générées est testée, comme le montre la Fig. 2.

La comparaison de la vitesse à différentes sections entre trois cas de maillage.

Au cours de l'essai, les vitesses diphasiques gaz-liquide des quatre sections amont, médiane et aval de la buse x = 14,2 mm, x = 30 mm, x = 60 mm, x = 100 mm ont été comparées. Les résultats montrent que les résultats de la simulation de vitesse utilisant trois grilles différentes ont des tendances similaires. La vitesse des points d'échantillonnage utilisant de meilleures grilles est très proche de la valeur utilisant des grilles fines, et la vitesse utilisant des grilles moyennes est très différente de la vitesse utilisant les deux autres grilles. Par conséquent, on peut considérer que le meilleur maillage a satisfait aux exigences d'indépendance du maillage et assuré la précision de la simulation. L'utilisation de « meilleures » grilles peut effectivement raccourcir le cycle de simulation et garantir que l'erreur de calcul du champ d'écoulement est faible. L'information finale du maillage 'meilleur' : le nombre total d'éléments est de 1 227 661, le nombre total de nœuds est de 351 415.

Basé sur Fluent, la simulation est réalisée. La valeur initiale du débit d'entrée de gaz est de 3000 m3/d, la valeur initiale du débit d'entrée de liquide est de 0,6 m3/d, la valeur initiale du diamètre d'entrée de liquide est de 6,0 mm et la pression de sortie est une pression atmosphérique de 101325 Pa. Le diagramme de nuage interne calculé de la buse est illustré à la Fig. 2819,5 m2/s2.

Carte des nuages internes de la buse supersonique. (a) Carte des nuages de vitesse. (b) Carte des nuages d'énergie cinétique turbulente.

Selon le champ d'écoulement interne de la buse de pulvérisation, un axe central transversal est établi à l'intérieur de la buse de pulvérisation. La distribution de la vitesse transversale à l'intérieur de la buse est représentée sur la figure. Lorsque la vitesse de gorge atteint un maximum de 501,0 m/s, elle est à 18,97 mm de l'entrée de gaz. De même, les données d'axe longitudinal de l'entrée de liquide sont représentées sur la figure 4. La vitesse axiale calculée à l'entrée de liquide du flux de liquide est de 0,24 m/s et la vitesse longitudinale maximale est de 256,73 m/s. Il entre en collision avec le flux d'air supersonique et se cisaille. La turbulence est sévère, l'interaction gaz-liquide améliore l'effet d'atomisation.

Carte des nuages internes de la buse supersonique. (a) Axe central transversal. (b) Vitesse de l'axe longitudinal.

Selon le modèle de buse supersonique simulé, la buse de travail d'atomisation supersonique est améliorée et établie par le logiciel Solidworks, puis l'atomiseur de travail symétrique poreux est fabriqué par la technologie d'impression 3D, comme illustré à la Fig. 5. La figure 5a montre l'atomiseur de travail, en acier inoxydable, d'une longueur totale de 130 mm. La figure 5b montre le profil interne de l'atomiseur de travail.

Modèle de buse d'atomisation de travail. (a) Objet physique de la buse. (b) Coupe transversale interne de la buse.

Un système expérimental de pulvérisation est établi comme illustré à la Fig. 6. La figure 6a montre une plate-forme expérimentale manuelle, comprenant une pompe à eau haute pression, un débitmètre de liquide, un compresseur d'air, une bouteille de gaz haute pression, un débitmètre de gaz, une caméra haute vitesse, un analyseur de taille de particules laser, un ordinateur, etc.

Plate-forme de travail d'expérimentation d'atomisation. (a) Plate-forme expérimentale. (b) Analyseur de taille de particules laser. (c) Compresseur d'air.

Parmi eux, le modèle de débitmètre de gaz est HL-LWQ, la plage de mesure est de 1 à 10 000 (m3/h), la température de travail de 0 à 60 °C ; le modèle de débitmètre de liquide est LWGY-FMT, la plage de mesure est de 0,6 à 800 (m3/h), la température de fonctionnement est de − 20 à 120 (°C), le modèle de manomètre est YTZ-150, la plage de mesure est de − 0,1 à 0–60 (MPa), la température de fonctionnement est de − 10 à 80 (°C).

La figure 6b montre un analyseur de taille de particules laser. La taille des gouttelettes a été mesurée par l'analyseur de taille de particules laser HELOS/VARIO-KR en Allemagne. Le granulomètre laser a une large gamme de mesure de la taille des gouttelettes et peut couvrir la conception de chemin optique parallèle de la plage dynamique de 0,1 à 3500 μm selon la sélection de différentes lentilles, et peut réaliser une large mesure de la taille des particules du panache de pulvérisation.

L'analyseur de taille de particules est connecté à l'ordinateur et les données sont traitées par l'ordinateur. Le diamètre des gouttelettes mesuré par l'analyseur de taille de particules laser a été analysé statistiquement en utilisant la taille moyenne des particules SMD de Sotel. SMD est représenté par D32, et l'équation de calcul est :

où, D32 est la taille moyenne des particules de Sauter, et N est le nombre de gouttelettes de diamètre D.

La figure 6c montre les compresseurs d'air industriels de la série KJ. Le compresseur d'air a une capacité de décharge de 0,36 à 0,9 m3/min, une pression d'échappement maximale de 2,5 Mpa, une puissance maximale du moteur de 7,5 KW, une durée de vie sûre et fiable et une longue durée de vie.

Afin de simuler l'état d'écoulement d'atomisation gaz-liquide des puits de gaz à basse pression et à faible rendement, le débit volumique de gaz (Qg) est de 3 000 m3/j, 3 500 m3/j, 4 000 m3/j, 4 500 m3/j et 5 000 m3/j, et le débit volumique de liquide (Ql) est de 0,6 m3/j, 1,0 m3/j, 1,4 m3/j , 1,8 m3/j et 2,2 m3/j. Le diamètre de la buse de phase liquide d est de 6,0 mm, 6,6 mm, 7,2 mm, 7,8 et 8,4 mm. Le test orthogonal de 3 facteurs et 5 niveaux a été conçu. Les facteurs de niveau sont présentés dans le tableau 1.

Le modèle expérimental orthogonal à 3 facteurs et à 5 niveaux a été défini sur 60 groupes et le tableau orthogonal expérimental combinait les niveaux de chaque facteur d'influence avec une probabilité égale. La séquence d'expériences orthogonales est présentée dans le tableau 2.

L'expérience est réalisée à l'intérieur, l'environnement intérieur est stable, la température est de 25 ° C à température ambiante, le principe de fonctionnement du système expérimental est le suivant: le flux d'air à haute pression pénètre dans la section de contraction de la buse d'atomisation depuis l'entrée de la phase gazeuse à travers le débitmètre à gaz, l'eau s'écoule à travers l'entrée de la phase liquide dans la section d'expansion et le flux d'air à grande vitesse accéléré vers la section d'expansion par la gorge entre en collision avec le débit d'eau et cisaille l'atomisation et pulvérise à travers la sortie de mélange; Dans le même temps, le champ d'écoulement de pulvérisation est ingéré par une caméra à grande vitesse, et la distribution granulométrique des gouttelettes est mesurée par le granulomètre laser au point de surveillance au lieu d'atomisation uniforme, et les données du diamètre des gouttelettes atomisées sous différents paramètres de conditions de travail sont collectées. Après l'expérience, éteignez d'abord l'alimentation, puis éteignez le compresseur d'air et la pompe à eau, puis fermez la soupape de pression et enfin effectuez le prétraitement de sortie des données.

Le fonctionnement spécifique du test est le suivant :

Tout d'abord, connectez chaque équipement expérimental dans l'ordre, placez le détecteur de taille de particules laser à la sortie de la buse d'atomisation, connectez-le à l'ordinateur et vérifiez si la sécurité et la stabilité du système sont normales ;

Deuxièmement, ouvrez l'interrupteur de la soupape de contrôle de pression et du manomètre, démarrez le testeur de taille de particules laser, puis allumez le compresseur d'air et les autres buses après stabilisation, puis ouvrez la pompe à eau, dans laquelle l'air est comprimé et stocké dans la bouteille de gaz à haute pression, et les paramètres requis par l'expérience du compresseur d'air et de la pompe à eau sont définis ;

Le testeur de taille de particules laser est placé à 50 cm de la sortie de la buse, et la collecte de données de gouttelettes d'atomisation et la sortie de données sont effectuées après que la pulvérisation de la buse d'atomisation est stabilisée ;

Enregistrez les changements du débitmètre du manomètre en temps réel, surveillez et enregistrez le manomètre et le débitmètre;

Une fois l'expérience terminée, éteignez d'abord l'alimentation électrique, puis éteignez le compresseur d'air et la pompe à eau, puis fermez la soupape de pression et enfin effectuez le prétraitement de sortie des données.

La prédiction de réseau neuronal est largement utilisée dans la pratique de la production, possède une forte capacité d'apprentissage et d'adaptation, et peut connecter efficacement les informations d'entrée et de sortie en série. Le réseau de neurones BP est un "modèle universel + fonction de correction d'erreurs". C'est un modèle qui peut comparer l'erreur entre les résultats de la formation et les résultats attendus, modifier et trouver le poids et le seuil optimaux, et obtenir progressivement le modèle qui est cohérent avec les résultats de sortie attendus. Le réseau neuronal BP se compose d'une couche d'entrée, d'une couche cachée et d'une couche de sortie. Le schéma de la structure du réseau est illustré à la Fig. 7.

Schéma de principe du réseau neuronal BP.

Chaque neurone est stimulé par d'autres neurones. Tous les signaux reçus par chaque modèle de neurone sont transmis via une connexion pondérée. Le neurone accumule ces signaux à une valeur d'entrée totale, puis compare la valeur d'entrée totale avec la valeur de seuil du neurone (potentiel de seuil simulé), qui est traitée par la "fonction d'activation" et transmise au neurone suivant. La fonction d'activation est une fonction de mappage non linéaire. L'effet de la fonction d'activation est d'augmenter la capacité non linéaire du modèle, de lui faire former une cartographie non linéaire et d'améliorer l'adaptabilité et la fiabilité du modèle. La fonction d'activation s'applique à la somme pondérée des entrées appelée z pour chaque nœud dans les couches cachées et de sortie (où l'entrée peut être soit les données d'origine, soit la sortie de la couche précédente). La fonction sigmoïde convertit son entrée en une valeur de probabilité comprise entre 0 et 1. Elle convertit les grandes valeurs négatives en 0 et les grandes valeurs positives en 1.

L'équation de la fonction d'activation est :

où, le nombre de nœuds dans la couche cachée du réseau BP affecte la précision de la formation du modèle. Plus le nombre de nœuds est élevé, plus la qualité de la formation est fiable. Les nœuds cachés peuvent être calculés selon l'équation empirique :

où, n est le nombre de nœuds dans la couche d'entrée ; m est le nombre de nœuds de couche cachés ; l est le nombre de nœuds de la couche de sortie ; a est une constante comprise entre 0 et 10.

Le nœud d'entrée et les paramètres de sortie cibles du réseau neuronal BP sont indiqués dans le tableau 1. Les nœuds d'entrée sont le débit de gaz, le débit de la phase liquide et le diamètre d'entrée de la phase liquide, et la couche de sortie cible est le diamètre des gouttelettes SMD.

L'algorithme génétique est un modèle informatique qui simule le processus d'évolution biologique de la théorie de l'évolution biologique de Darwin, et c'est une méthode pour rechercher la solution optimale en simulant le processus d'évolution naturelle. Les algorithmes génétiques commencent par représenter l'ensemble des solutions potentielles du problème, alors qu'une population est constituée d'un certain nombre d'individus codés par des gènes. Au départ, de nombreuses solutions réalisables sont sélectionnées au hasard (pour former une population), chaque individu est composé d'un chromosome contenant seulement deux gènes (0 ou 1), et les chromosomes des différents individus sont différents. mais ils peuvent être croisés les uns avec les autres, ou mutés et croisés, puis les paramètres initiaux sont évalués et criblés.

Initialisation de la population

La population initiale est générée de manière aléatoire par les paramètres de données et la taille de la population affecte directement la diversité chromosomique. Les chromosomes sont constitués de tableaux et de chaînes de données. L'initialisation génère aléatoirement N données de structure de chaîne initiales et N individus forment un groupe. GA a commencé à évoluer avec ces données de structure de chaîne N comme point de départ.

Fonction de remise en forme

La fonction de fitness est également appelée fonction d'évaluation. L'effet de l'évaluation de l'algorithme génétique sur la convergence de l'algorithme dépend de la valeur de fitness, et non de la structure de la solution. La taille de la valeur de fitness détermine les avantages et les inconvénients de l'individu. Plus la valeur de fitness est grande, meilleur est l'individu. Par conséquent, nos critères de sélection des individus sont sélectionnés par la taille de la valeur de fitness. La fonction de fitness est utilisée pour calculer la valeur de fitness de chaque individu, et les résultats sont fournis à l'opérateur de sélection.

où, n est le nombre de nœuds de sortie du réseau, yi est la valeur attendue du nœud i du réseau de neurones BP, xi est la sortie réelle du nœud i et k est le coefficient.

Opération de sélection

L'opération de sélection consiste à sélectionner des individus relativement excellents dans la population pour préparer l'opération suivante. Lorsque la méthode de la roulette est utilisée dans l'opération de sélection de l'algorithme génétique, il s'agit d'une stratégie de sélection basée sur le rapport de fitness pour sélectionner certaines données à haute valeur de fitness. Plus les performances adaptatives sont élevées, plus la précision de sortie est élevée. La probabilité qu'un individu soit sélectionné, pi, est :

où, Fi est la valeur de fitness de i individu, et l'inverse du degré de fitness avant la sélection individuelle est fi ; k est le coefficient.

Opération croisée

L'opération croisée fait référence à la sélection de deux individus parmi tous les individus, en utilisant la combinaison croisée de deux chromosomes pour vérifier les excellents individus. Dans le processus de croisement, deux chromosomes sont sélectionnés au hasard dans la population, et un ou plusieurs chromosomes inconnus sont sélectionnés au hasard pour l'échange. Étant donné que l'individu utilise le codage des nombres réels, la méthode de croisement des nombres réels est utilisée dans la méthode d'opération de croisement. L'opération de croisement du k-ème chromosome \({a}_{kj}\) et du i-ème chromosome \({a}_{ij}\) à la position j est la suivante :

où, b est un nombre aléatoire entre [0,1].

Opération de mutation

L'opération de mutation signifie sélectionner un individu dans la population, sélectionner un point du chromosome à muter pour produire un meilleur individu et muter le gène individuel de la population. La fonction d'opération de mutation utilisant le j-ième gène \({a}_{ij}\) du i individu est la suivante :

où, \({a}_{\mathrm{max}}\) est la borne supérieure du gène \({a}_{ij}\), \({a}_{\mathrm{min}}\) est la borne inférieure du gène \({a}_{ij}\), g est l'algèbre d'évolution actuelle, Gmax est la valeur d'évolution maximale de 20, r est le nombre aléatoire de [0,1].

L'algorithme BP a un bon effet sur l'ajustement des systèmes non linéaires, mais il a certaines limites. Les poids et les seuils d'apprentissage du réseau sont instables et l'effet de chaque apprentissage n'est pas fixe. Bien qu'il ait une forte capacité de cartographie non linéaire, il faut plus de temps dans le processus d'approche de la valeur prédite, ce qui conduit à une convergence lente et facile à tomber dans l'optimisation locale. Dans l'étude de problèmes pratiques, l'algorithme génétique a une meilleure capacité de recherche globale et peut obtenir la solution optimale globale avec une vitesse de convergence rapide. Afin d'améliorer l'effet d'entraînement du réseau, un algorithme génétique est introduit pour réduire la possibilité que le réseau neuronal BP tombe facilement dans l'optimisation locale. Le réseau de neurones BP optimisé par un algorithme génétique peut filtrer au préalable les poids aléatoires du réseau de neurones et optimiser la structure du réseau, ce qui améliore considérablement les performances d'apprentissage et d'adaptation du réseau de neurones BP, et peut obtenir le meilleur effet de prédiction. Le flux du réseau de neurones BP optimisé par algorithme génétique est illustré à la Fig. 8.

Le flux de traitement du réseau de neurones GA-BP.

Dans cet article, l'erreur quadratique moyenne (MSE), l'erreur absolue moyenne (MAE) et l'erreur absolue moyenne en pourcentage (MAPE) sont utilisées pour évaluer les performances du modèle de prédiction, et la qualité de la prédiction du modèle est déterminée par ces trois indices. Plus le MSE est petit, plus le MAE et le MAPE sont proches de 0, ce qui indique que l'erreur relative de la prédiction du modèle est plus petite et que la précision globale de la prédiction est plus élevée.

où, xi est la valeur prédite i ; yi est la valeur réelle i。

Le coefficient de détermination R2 a été utilisé pour évaluer le degré d'ajustement entre les valeurs expérimentales prédites de SMD et les valeurs simulées. Plus R2 est proche de 1, meilleur est le modèle. L'équation pour R2 est :

où, xexp est la valeur expérimentale, xpred est la valeur prédite,\(\bar{X}_{\text{exp}}\)exp est la valeur moyenne de la valeur expérimentale.

En raison du grand écart de dimension entre les différentes dimensions dans les données d'origine, il est nécessaire de normaliser les données afin de créer différents types de données à la même latitude et intervalle. Cela peut réduire efficacement les différences de données, améliorer l'adaptabilité, réduire la redondance des données et améliorer la précision du fonctionnement des paramètres de données et l'efficacité de la convergence. Dans cet article, 60 groupes de valeurs expérimentales sont sélectionnés comme ensemble d'échantillons, les données sont normalisées et mappées sur la plage de [0,1]. Utilisez la fonction Premnmx pour normaliser les données d'origine comme suit :

La formule xmax et xmin sont les valeurs maximales et minimales de SMD pour quels échantillons expérimentaux.

Les paramètres d'entrée du réseau neuronal BP sont le débit de gaz, le débit de la phase liquide, le diamètre d'entrée de la phase liquide et la taille moyenne des gouttelettes SMD. Dans l'étude expérimentale, 60 groupes de paramètres ont été entraînés et testés, comme indiqué dans le tableau 3. Toutes les données expérimentales sont jointes.

Le modèle de réseau GA-BP normalise d'abord les données expérimentales, puis débogue le programme de simulation. Les paramètres initiaux du modèle sélectionné sont présentés dans le tableau 4 :

Dans cet article, selon le réseau de neurones BP et le réseau BP optimisé par algorithme génétique (GA-BP), l'ensemble d'entraînement peut être prédit et testé avec précision par des données d'échantillon. Ici, les 45 premiers ensembles de données expérimentales sont utilisés pour apprendre et former le modèle d'atomisation.

L'algorithme génétique est utilisé pour optimiser la structure du réseau neuronal BP 3-7-1 en simulation. L'algorithme génétique peut transférer le seuil et le poids optimaux au réseau neuronal BP. Les changements de la meilleure forme physique et de la forme physique moyenne de la population sont illustrés à la Fig. 9. Au stade initial de l'itération, l'individu de la population est loin de la valeur attendue. Dans la dernière étape de l'optimisation itérative, avec la convergence itérative continue du calcul de réseau, la vitesse de recherche de l'algorithme génétique optimisé augmente, la plage de valeurs de fitness diminue et la vitesse de déclin est accélérée. La fitness moyenne de la population diminue avec l'algèbre évolutive, et l'individu de la population se rapproche progressivement de la fitness optimale.

Courbe de réponse de fitness GA-BP.

Le réseau BP est formé en utilisant le seuil de poids optimisé par GA. Les résultats de formation du modèle d'apprentissage sont illustrés à la Fig. 10. L'effet de formation du modèle d'atomisation SMD est bon. Les valeurs d'entraînement SMD de GA-BP et BP sont en bon accord avec les valeurs expérimentales. L'erreur d'apprentissage de GA-BP est inférieure à celle du réseau BP, car le réseau BP optimisé par algorithme génétique a une plus grande adaptabilité et une structure de réseau plus stable.

Erreur d'entraînement du modèle.

Selon le modèle d'atomisation formé par le réseau BP, le débit de gaz, le débit de la phase liquide et le diamètre d'entrée de la phase liquide sont des variables d'entrée, et la taille des gouttelettes est des variables de sortie. La relation entre le SMD normalisé et les paramètres d'entrée normalisés est illustrée à la Fig. 11.

Sensibilité de chaque paramètre d'entrée au SMD normalisé du réseau BP. (a) Normalisation standard. (b) Tracé de la matrice des coefficients de corrélation.

Sur la figure 11a, le SMD normalisé diminue avec l'augmentation du débit d'alimentation Qg. En raison de l'augmentation de l'alimentation en air, l'énergie cinétique dans la cavité de la buse augmente rapidement, l'effet d'écrasement par cisaillement est renforcé et les performances d'atomisation sont meilleures. Le SMD a tendance à augmenter avec l'augmentation de l'approvisionnement en liquide. Comme le nombre total de gouttelettes augmente, le volume total des gouttelettes augmente, la surface effective des gouttelettes diminue et la taille moyenne des particules des gouttelettes augmente; Avec l'augmentation du diamètre d'entrée de liquide, SMD augmente le débit de liquide et la taille moyenne des gouttelettes.

La figure 11b montre la carte thermique du coefficient de corrélation de Pearson générée par les paramètres normalisés du réseau BP. Il existe une corrélation négative entre Qg et SMD, et la sensibilité est la plus forte, et la corrélation est de -0,93, ce qui est cohérent avec la tendance de changement de Qg et SMD sur la Fig. 10a. Il existe une corrélation positive entre Ql, d et SMD, et les valeurs de corrélation sont respectivement de 0,20 et 0,29. Le d a un effet plus fort sur SMD que Ql. En résumé, la relation de sensibilité au SMD est Qg > d > Ql.

La formation du modèle est plus précise. Le modèle est testé en utilisant les données en dehors de l'échantillon d'apprentissage, et le modèle d'atomisation est testé par les données de l'ensemble de test. Lorsque les résultats de la formation du réseau répondent à certaines exigences de précision, les 15 groupes de données restants sont utilisés pour tester le réseau GA-BP. Les résultats prédits du modèle sont présentés à la Fig. 12, les données de prédiction expérimentales spécifiques sont présentées au tableau 5. L'erreur de prédiction du réseau BP est supérieure à celle du réseau GA-BP et l'erreur de prédiction du réseau GA-BP est plus petite. Les valeurs prédites sont en bon accord avec les valeurs expérimentales.

Résultats du test GA-BP.

Le résultat de prédiction du réseau GA-BP est plus proche de la valeur SMD réelle que celle du réseau BP non optimisé, et la précision de prédiction de GA-BP est meilleure que celle de BP, et la précision de prédiction du réseau BP doit être améliorée. En effet : 1. L'ensemble de données d'échantillon n'est pas infini et le réseau n'étudie pas complètement la tendance de fluctuation de SMD. 2. La taille moyenne des gouttelettes n'est pas seulement liée aux variables d'entrée expérimentales, mais également aux facteurs changeants de l'environnement du laboratoire, tels que la température, l'humidité, le bruit, etc., de sorte que la distorsion du signal de sortie peut se produire dans la prédiction du réseau BP. Alors que GA-BP sélectionne et optimise les valeurs aléatoires du réseau par sélection, mutation et croisement, la précision de la sortie de prédiction est grandement améliorée.

La figure 13A montre la courbe de réponse d'erreur moyenne de l'apprentissage du réseau GA-BP. Les résultats expérimentaux montrent que le réseau BP amélioré par algorithme génétique peut ajuster de manière adaptative le taux de croisement et de mutation des individus dans le nombre de populations, accélérer sa vitesse de convergence et réduire efficacement le nombre d'étapes d'entraînement. L'algèbre d'évolution optimale est la 9e génération et la valeur de convergence minimale de MSE est de 1,1128 × 10–5.

Résultats de la formation. (a) Modèle de formation MSE. (b) Coefficient de corrélation du modèle GA-BP.

La figure 13b est un graphique de données matriciel avec 2 lignes et 2 colonnes. L'abscisse est la valeur cible, l'ordonnée est la valeur de sortie du réseau et la ligne diagonale (-Fit) est la meilleure courbe d'ajustement adaptatif de la valeur cible et de la valeur de sortie du réseau. Afin d'éviter le sur-ajustement, la méthode utilisée par MATLAB consiste à diviser les données en trois parties. La formation est les données de formation, la validation et le test sont respectivement les données de validation et les données de test. La corrélation entre la valeur de sortie du réseau formé et la valeur cible de formation est de 0,99997, (b en haut à gauche). Au fur et à mesure que l'apprentissage progresse, l'erreur entre les données de sortie d'apprentissage et les données cibles d'apprentissage devient de plus en plus petite, et les données de validation et de test sont les mêmes. L'erreur devient de plus en plus petite. La corrélation entre toutes les valeurs de sortie du réseau et toutes les valeurs cibles dans le quatrième chiffre (en bas à droite) est de 0,98865, et finalement une régression parfaite est formée.

L'erreur entre la valeur de sortie prédite et la valeur expérimentale basée sur le réseau BP et GA-BP est illustrée à la Fig. 14. L'analyse d'erreur du modèle de prédiction est illustrée au Tableau 5. La prédiction de R2 par BP est de 0,897 et la prédiction de R2 par GA-BP est de 0,979. Le degré d'ajustement du modèle GA-BP est plus élevé et l'effet de prédiction est meilleur. L'erreur de prédiction du réseau BP dans le modèle de test des 15 derniers groupes de données est importante, et les erreurs de prédiction de MSE, MAE et MAPE sont respectivement de 22,729, 4,172 et 0,072, comme le montre le tableau 6. Après optimisation par algorithme génétique, les erreurs de MSE, MAE et MAPE sont fortement réduites à 4,471, 1,811 et 0,031 respectivement, indiquant que le modèle d'atomisation SMD basé sur Le réseau GA-BP est un succès.

Erreur de prédiction du modèle.

Sur la base de la formation du modèle GA-BP, la relation entre SMD normalisé et les paramètres d'entrée normalisés est obtenue. SMD a diminué avec l'augmentation de Qg, montrant une corrélation positive, tandis que SMD a augmenté avec l'augmentation de d et Ql, montrant une corrélation négative. La relation entre les paramètres normalisés d'apprentissage du modèle et la sensibilité de SMD est la suivante : Qg > d > Ql.

Grâce au paramètre d'entrée débit de la phase gazeuse, le débit de la phase liquide, le diamètre d'entrée de la phase liquide et les paramètres de sortie sont formés et testés. Le R2 prédit par le modèle BP est de 0,897, tandis que celui de GA-BP est de 0,979, ce qui montre de solides performances d'apprentissage et d'adaptation et une qualité d'ajustement élevée. L'erreur quadratique moyenne (MSE), l'erreur absolue moyenne (MAE) et l'erreur absolue moyenne en pourcentage (MPE) de la prédiction GA-BP sont respectivement de 4,471, 1,811 et 0,031. Comparé à la prédiction du réseau BP, il a diminué de 18,258 et 0,041 respectivement. GA-BP peut améliorer efficacement la précision de la prédiction.

Le poids et le seuil du réseau neuronal BP sont améliorés par un algorithme génétique, l'adaptabilité intelligente globale du réseau est améliorée, la convergence du calcul du réseau BP est plus rapide et plus précise, et la taille des gouttelettes SMD peut être prédite rapidement. Le modèle de prédiction SMD de la taille des gouttelettes construit par le réseau GA-BP améliore considérablement la vitesse et la précision de la prédiction. Il est très important de guider quantitativement le réglage des paramètres de la phase gaz-liquide et l'amélioration du taux de transport de liquide dans le drainage par atomisation supersonique en fond de trou.

La buse d'atomisation supersonique est utilisée pour le drainage et la récupération des gaz. L'atomisation supersonique est uniforme, ce qui réduit efficacement la perte de vitesse de phase gaz-liquide, améliore l'efficacité de transport de liquide et améliore le taux de récupération. À l'heure actuelle, la nouvelle buse d'atomisation supersonique que nous avons conçue a été appliquée avec succès au bloc de champ gazier de Xushen de Daqing Oilfield et a obtenu de bons résultats. Il peut améliorer le taux de récupération du gaz naturel de 4,5 à 8,6 % et atténuer le problème d'accumulation de liquide près de la phase finale de l'exploration pétrolière.

Les jeux de données générés et analysés au cours de la présente étude sont disponibles dans le référentiel "dossier complémentaire". Les ensembles de données utilisés et analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande raisonnable. Toutes les données générées ou analysées au cours de cette étude sont incluses dans des fichiers d'informations supplémentaires.

Shen, Y. et al. Optimisation de la technologie de récupération des gaz de drainage par tubes enroulés dans un champ de gaz étanche. Adv. Méca. Ing. 9(5), 1687814017711333 (2017).

Article CAS Google Scholar

Chunsheng, W. et al. L'étude du mécanisme des outils vortex de récupération de gaz de drainage de puits de gaz. Adv. Essence. Explorateur. Dév. 7(1), 62–66 (2014).

Google Scholar

Ma, CB Le calcul de l'efficacité et l'optimisation structurelle du drainage composite Eddy et de la récupération des gaz. Adv. Mater. Rés. 838–841, 1909–1912 (2014).

Google Scholar

Huang, B. et al. Le mécanisme de récupération des gaz de drainage et l'optimisation de la structure d'un outil vortex interne dans un puits horizontal. J. Nat. Gaz Sci. Ing. 67, 233-241 (2019).

Article Google Scholar

Veeken, CAM & Belfroid, SPC Nouvelle perspective sur le chargement et le déchargement de liquide de puits de gaz. SPE Prod. Oper. 26(4), 343–356 (2011).

CAS Google Scholar

Chang, P. & Bai, B. Une méthode améliorée de déliquification de puits de gaz à l'aide d'une buse supersonique. Int. J. Chaleur Masse Transf. 108(1), 2262–2272 (2017).

Article Google Scholar

Surendra, M., Falcone, G. & Teodoriu, C. Enquête sur les écoulements tourbillonnants appliqués à l'industrie pétrolière et gazière. SPE Projet. facil. Contracter. 4(1), 1–6 (2009).

Google Scholar

Tropea, C. Caractérisation optique des particules dans les écoulements. Annu. Rév. Fluid Mech. 43(1), 399–426 (2011).

Article ANNONCES MATH Google Scholar

Chigier, N. Challenges for future research in atomization and spray technology: Arthur Lefebvre memorial lecture. Atome. Sprays 16(7), 727–736 (2006).

Article CAS Google Scholar

Han, H. et al. Effet de la pression d'alimentation en eau sur les caractéristiques d'atomisation et l'efficacité de réduction de la poussière de la buse d'atomisation d'air de mélange interne. Adv. Technologie Poudre. 31(1), 258–268 (2020).

Article Google Scholar

Prostański, D. Utilisation de systèmes de pulvérisation d'air et d'eau pour améliorer le contrôle de la poussière dans les mines. J. Soutenir. Min. 12(2), 29–34 (2013).

Article Google Scholar

Jian, F. Évaluation de l'application de la technologie de drainage par atomisation supersonique pour les puits de gaz à basse pression et à faible rendement. Pétrochimie. Technol. 28(11), 87–88 (2021).

Google Scholar

Ni, J., Liu, T., Yao, L. & Xu, J. Étude sur l'adaptabilité du processus de drainage par atomisation supersonique en fond de trou. Nat. Gazole 39(05), 94–99 (2021).

Google Scholar

Benjamin, MA, Mansour, A., Samant, UG et al. Épaisseur du film, mesures de la taille des gouttelettes et corrélations pour les grands atomiseurs à tourbillon de pression. Dans la conférence ASME/IGTI, Stockholm, Suède, 2–5 (1998).

Moon, S., Abo-Serie, E. & Bae, C. Débit d'air et pression à l'intérieur d'un spray à pression tourbillonnante et leurs effets sur le développement du spray. Exp. Thermie. Fluid Sci. 33, 222-231 (2009).

Article CAS Google Scholar

Lee, H. et al. Optimisation de la forme de la buse de pré-tourbillon et de l'emplacement radial pour augmenter le coefficient de décharge et la chute de température. J. Mech. Sci. Technol. 33(10), 4855–4866 (2019).

Article Google Scholar

Amsden, AA, O Rourke, PJ & Boter, TD Un programme informatique pour les flux chimiquement réactifs avec des pulvérisations. Rapport LA-11560-MS du Laboratoire national de Los Alamos (1989).

Lilan, H., Qian, J. & Pan, N. Étude sur les caractéristiques de taille des particules d'atomisation d'une buse à écoulement diphasique. J. Intel. Système flou 40(4), 7837–7847 (2021).

Article Google Scholar

Yu, H. et al. Etude expérimentale des performances d'atomisation d'un nouveau type de buse pour boues d'eau de charbon. Carburants énergétiques 22(2), 1170–1173 (2008).

Article CAS Google Scholar

Suh, H. & Chang, S. Effet de la cavitation dans l'orifice de la buse sur les caractéristiques d'atomisation du carburant diesel. Int. J. Heat Fluid Flow 29(4), 1001–1009 (2008).

Article Google Scholar

Xia, Y. et al. Caractéristiques de la taille et de la vitesse des gouttelettes d'un atomiseur à jet d'impact eau-air. Int. J. Multiphase Flow 94, 31–43 (2017).

Article CAS Google Scholar

Wang, D. et al. Étude sur la méthode de prédiction de la taille des particules atomisées de la buse centrifuge dans des conditions de travail variables. Dans les actes de la 6e conférence conjointe sur l'énergie aérospatiale et de la 42e réunion d'échange technique du troisième réseau d'information professionnel de l'aérospatiale de Chine et du forum de haut niveau sur le développement de la technologie des moteurs aéronautiques 2021 (volume 3). (2022).

Yuan, théorie de la conception HY et étude expérimentale de la buse d'éjection à tourbillon d'air (China University of Petroleum, 2016).

Google Scholar

Nonnenmacher, S. & Piesche, M. Conception de buses à pression tourbillonnante à cône creux pour atomiser les fluides newtoniens. Chim. Ing. Sci. 57, 4339–4348 (2000).

Article Google Scholar

Mohanty, YK et al. Effet du milieu de fluidisation secondaire sur l'hydrodynamique du lit fluidisé gaz-solide - Approches statistiques et ANN. Chim. Ing. J. 148(1), 41–49 (2009).

Article CAS Google Scholar

Zhikai, W., Honghua, Z. & Yibo, L. Modèle d'atomisation d'un pré-film basé sur un réseau de neurones [J/OL]. Adv. Technol. 10(7), 1–7 (2021).

Google Scholar

Liu, H. et al. Prédiction de la distribution de la taille des gouttelettes dans les pulvérisations des atomiseurs à jet d'air préfilmé. Chim. Ing. Sci. 61(6), 1741–1747 (2006).

Article CAS Google Scholar

Kaiser, R., Kim, S. & Lee, D. Analyse approfondie des données pour l'estimation de la pression d'aspiration dans un processus d'atomisation de gaz à haute pression utilisant un réseau neuronal artificiel. Chim. Ing. Process.-Process Intensif. 153, 107924 (2020).

Article CAS Google Scholar

Zhang, Y. et al. Simulation à grande échelle de la combustion par pulvérisation à l'aide de collecteurs générés par flammelettes combinés à des réseaux de neurones artificiels. Énergie AI 2, 100021 (2020).

Article Google Scholar

Télécharger les références

Les auteurs reconnaissent le soutien de la China National Petroleum Innovation Foundation (n° 2019D-5007-0206). La direction théorique de cet article a été aidée par mon tuteur, et la partie expérimentale de cet article a été aidée par les jeunes frères. Je tiens à les remercier pour leurs efforts pour ma thèse.

École d'ingénierie pétrolière, Northeast Petroleum University, Daqing, 163318, Chine

Chengting Liu et Liang He

Laboratoire clé de récupération assistée du pétrole (Northeast Petroleum University), ministère de l'Éducation, Da qing, Chine

Chengting Liu et Liang He

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

CL, recherche méthodologique, enquête sur les données, supervision expérimentale, rédaction-révision et édition ; Test LH Spray, validation expérimentale, analyse des données, analyse des résultats. Rédaction—préparation du brouillon original, rédaction sur papier.

Correspondance avec Liang He.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Liu, C., He, L. Prévision de la taille des gouttelettes atomisées pour le drainage supersonique de l'eau atomisée et l'extraction du gaz naturel. Sci Rep 12, 22192 (2022). https://doi.org/10.1038/s41598-022-26597-x

Télécharger la citation

Reçu : 15 août 2022

Accepté : 16 décembre 2022

Publié: 23 décembre 2022

DOI : https://doi.org/10.1038/s41598-022-26597-x

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.