Amir Ansari, S. Sina Hosseini Boosari, Shahab D. Mohaghegh
Es ist fast unmöglich, moderne Strömungsprobleme ohne den Einsatz von Computational Fluid Dynamics (CFD) zu lösen. In der Erdölindustrie unterstützen Strömungssimulationen Ingenieure bei der Entwicklung des effizientesten Bohrlochdesigns und es ist wichtig, die Details der Mehrphasenströmung zu verstehen. Trotz der hohen Genauigkeit liefert die numerische Simulation jedoch nicht die erforderlichen Ergebnisse in angemessener Zeit. Dieser Artikel präsentiert zwei Fallstudien zu Smart Proxy Models (SPM), die Techniken der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) verwenden, um das Verhalten des chaotischen Systems zu bewerten und die dynamischen Merkmale einschließlich Druck, Geschwindigkeit und Entwicklung des Phasenanteils innerhalb des Prozesses bei jedem Zeitschritt bei einer viel kürzeren Laufzeit vorherzusagen. Die vorgeschlagenen Fälle konzentrieren sich auf 2D-Dammbruch- und 3D-Wirbelschichtprobleme unter Verwendung der CFD-Softwareanwendungen OpenFOAM bzw. MFiX. Dieser Artikel konzentriert sich auf den Aufbau und die Verbesserung der Modelle künstlicher neuronaler Netze (KNN), die durch die Feedforward-Backpropagation-Methode und den Levenberg-Marquardt-Algorithmus (LMA) gekennzeichnet sind. Jede Fallstudie enthält mehrere Szenarien, um die Modellfähigkeiten zur Vorhersage der dynamischen Parameter schrittweise zu verbessern. Die Ergebnisse für beide Fälle zeigen, dass sich die Rechenzeit für die CFD-Simulation von 8 bis 10 Stunden auf wenige Minuten reduziert, wenn hierfür KI-basierte Modelle entwickelt werden und die Fehlerquote für den gesamten Prozess unter 10 % liegt.