Advancing Multiphase Flow Measurement: Machine Learning Vs. Traditional MPFM in Flow Loop Testing
Notice bibliographique
Résumé
Abstract A Physics-Informed Neural Network (PINN) was developed to solve the complex Navier-Stokes (N-S) equations for multiphase flow measurement including flowrates of individual phases in the multiphase mixture, and phase ratios. The results were compared against a mathematical based multiphase flow measurement approach and validated through a controlled loop test using oil, water, and gas. The PINN embeds fundamental fluid dynamics principles into its learning process, ensuring that the neural network adheres to the governing physical laws of motion, continuity, and conservation. Unlike traditional neural networks that rely solely on data-driven learning, PINNs incorporate fluid dynamics driven differential equations, to enhance model accuracy and reliability. This study evaluates the accuracy, efficiency, and repeatability of PINNs by comparing their results against traditional mathematical-based multiphase flow measurement (MPFM) technology and controlled test cases. The developed PINN successfully solved the Navier- Stokes (N-S) equations in their closest approximation to the original form, with minimal assumptions and simplifications, to estimate multiphase flow rates, integrating fundamental fluid dynamics principles into its learning process. The results demonstrated that the PINN-based approach achieved accuracy comparable to traditional mathematical multiphase flow measurement (MPFM) technologies, while significantly improving computational efficiency. During controlled loop tests with oil, water, and gas, the PINN model consistently captured flow dynamics with high precision, validating its effectiveness under real-world conditions. Moreover, the PINN method exhibited strong generalization capabilities, adapting to various flow regimes without the need for extensive empirical calibration. Compared to conventional MPFM technologies, PINN reduced reliance on predefined correlations and offered greater adaptability to changing fluid properties. The repeatability of results confirmed the model's reliability, positioning PINNs as a promising alternative for complex multiphase flow measurement applications. These findings highlight the potential of PINNs as an innovative, physics-guided, and data-efficient solution, effectively bridging the gap between traditional physics-based methods and modern machine learning techniques. This paper presents an innovative application of Physics-Informed Neural Networks (PINNs) for multiphase flow measurement, offering a data-driven yet physics-guided alternative to traditional mathematical MPFM technologies. By embedding fundamental physical laws into the neural network training process, the proposed approach enhances accuracy, computational efficiency, and adaptability, while minimizing reliance on extensive empirical calibration. This advancement significantly improves real-time flow monitoring, equipping practicing engineers with a more reliable, data-efficient, and scalable solution for complex multiphase flow measurement in industrial applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».