Upload
munkkkk
View
215
Download
0
Embed Size (px)
Citation preview
7/25/2019 Prediccin de Patrones de Flujo Bifsico
1/7
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/272830586
Prediccin de patrones de flujo bifsico mediantemquinas de soporte vectorial
CONFERENCE PAPER JANUARY 2010
READS
7
4 AUTHORS, INCLUDING:
Pablo Guillen
University of Houston
105PUBLICATIONS 28CITATIONS
SEE PROFILE
Carlos F Torres
University of the Andes (Venezuela)
52PUBLICATIONS 119CITATIONS
SEE PROFILE
All in-text references underlined in blueare linked to publications on ResearchGate,
letting you access and read them immediately.
Available from: Carlos F Torres
Retrieved on: 08 March 2016
https://www.researchgate.net/profile/Pablo_Guillen3?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_4https://www.researchgate.net/profile/Pablo_Guillen3?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_5https://www.researchgate.net/profile/Carlos_Torres22?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_5https://www.researchgate.net/?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_1https://www.researchgate.net/profile/Carlos_Torres22?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_7https://www.researchgate.net/institution/University_of_the_Andes_Venezuela?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_6https://www.researchgate.net/profile/Carlos_Torres22?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_5https://www.researchgate.net/profile/Carlos_Torres22?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_4https://www.researchgate.net/profile/Pablo_Guillen3?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_7https://www.researchgate.net/institution/University_of_Houston?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_6https://www.researchgate.net/profile/Pablo_Guillen3?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_5https://www.researchgate.net/profile/Pablo_Guillen3?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_4https://www.researchgate.net/?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_1https://www.researchgate.net/publication/272830586_Prediccion_de_patrones_de_flujo_bifasico_mediante_maquinas_de_soporte_vectorial?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_3https://www.researchgate.net/publication/272830586_Prediccion_de_patrones_de_flujo_bifasico_mediante_maquinas_de_soporte_vectorial?enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ%3D%3D&el=1_x_27/25/2019 Prediccin de Patrones de Flujo Bifsico
2/7
PREDICCIN DE PATRONES DE FLUJO BIFSICO MEDIANTEMQUINAS DE SOPORTE VECTORIAL
Brito E.Snchez J.
Guilln [email protected] de Simulacin y Modelos (CESIMO), Universidad de Los Andes, Mrida, Venezuela.
Torres-Monzn [email protected]
Facultad de Ingeniera, Escuela de Mecnica, Universidad de Los Andes, Mrida, Venezuela.
Resumen. Predecir patrones de flujo en tuberas de flujo bifsico es un problema actual deinvestigacin y desarrollo. El enfoque usual consiste en coleccionar datos de flujo (gas y
lquido), las propiedades del fluido (densidad del gas, densidad del lquido, viscosidad del gas,
viscosidad del lquido, velocidad superficial del gas, velocidad superficial del lquido, dimetro y
ngulo de la tubera), y visualmente determinar los patrones de flujo a travs de una seccintransparente de la tubera. Seguidamente los datos son representados en un diagrama 2D
(velocidad superficial del gas versus velocidad superficial del lquido) lo que permite localizar
fronteras de transicin entre patrones. En este trabajo un mtodo para predecir la transicin
entre patrones de flujo basados en mquinas de aprendizaje supervisado es presentado. El
mtodo de prediccin hace uso de una mquina de aprendizaje denominada Mquinas de
Soporte Vectorial (SVM). Los patrones considerados son intermitente, estratificado, anular y
burbujas dispersas. Las SVM son construidas con diferentes funciones ncleo y parmetros
asociados. Cuatro clases son construidas con los datos concernientes a cada patrn,
seguidamente la mquina de aprendizaje es entrenada con un 50% de los datos y el resto de los
datos es utilizado para la validacin. Predicciones binarias (entre cada 2 clases) y multiclase
(cuatro clases) en un rango del 75% al 100% se logran alcanzar entre los diferentes patrones de
flujo. En conclusin los resultados obtenidos mediante el uso de una mquina de aprendizaje
supervisado como la SVM pueden ser utilizados para predecir los patrones de flujo bifsico.
Palabras Claves: Patrones de Flujo, Flujo Bifsico, Aprendizaje Supervisado, Prediccin,
Mquinas de Soporte Vectorial
7/25/2019 Prediccin de Patrones de Flujo Bifsico
3/7
1. INTRODUCCIN
En la industria para poder llevar a cabo los procesos de separacin, transporte y medicin delos diferentes compuestos, se debe conocer el patrn de flujo que circula por una tubera, los
cuales bsicamente se forman dependiendo de la cantidad de lquido y gas que contenga el fluido
[1-3]. El enfoque usual consiste en coleccionar datos de flujo (densidad del gas, densidad dellquido, viscosidad del gas, viscosidad del lquido, velocidad superficial del gas, velocidad
superficial del lquido, dimetro y ngulo de la tubera) para luego visualmente determinar los
patrones de flujo a travs de una seccin transparente de la tubera. Seguidamente los datos sonrepresentados en un diagrama 2D (velocidad superficial del gas versusvelocidad superficial del
lquido) lo que permite localizar fronteras de transicin entre los patrones [4].Es por esto, que elobjetivo fundamental de esta investigacin consiste en identificar cada uno de los patrones de
flujo que pueden circular por una tubera, haciendo uso de una mquina de aprendizaje
supervisado basado en Mquinas de Vectores de Soporte (SVM), como una herramienta de
diagnstico automatizado para una mejor toma de decisin en el proceso de produccin.
2.
METODOLOGA2.1 Mquinas de Soporte Vectorial
Las mquinas de soporte vectorial (SVM) representan una tcnica de clasificacin yprediccin basada en aprendizaje supervisado y no supervisado que ha estado ganando
popularidad en los ltimos aos [5,6].Las SVM pertenecen a la familia de clasificadores linealespuesto que inducen separadores lineales o hiperplanos en espacios de caractersticas de muy alta
dimensionalidad (introducidas por funciones ncleo o kernel) con un sesgo inductivo muy
particular (maximizacin del margen). Sin embargo, la formulacin matemtica de las SVM varadependiendo de la naturaleza de los datos, ya que existen formulaciones para casos lineales y
para casos no lineales [6].Principalmente las SVM se utilizan como clasificador binario, perotambin se pueden utilizar como clasificador multiclases, utilizando los mtodos uno contratodos uno contra uno, donde el primero consiste en comparar cada clase con todas las
dems, mientras que en el segundo cada clase se compara con las restantes individualmente. Esimportante destacar que el objetivo fundamental de las SVM para clasificacin es encontrar un
hiperplano ptimo que separe las clases. .
2.2 SVM: Caso lineal
Las SVM lineal con margen mximo es el modelo ms sencillo de clasificacin de estatcnica y el que tiene menos condiciones de aplicabilidad debido a que parte del supuesto de que
el conjunto de entrada es linealmente separable en el espacio de entrada, es decir, que los
ejemplos pueden ser separados por un hiperplano de tal forma, que en cada lado del mismo, sloqueden ejemplos de una misma clase sin hacer ninguna transformacin de los datos.
2.3 SVM: Caso no lineal
En los problemas de clasificacin regresin que se encuentran en la vida real es comn que
la naturaleza de los datos no sean linealmente separables, es por ello que las SVM proponen una
https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==7/25/2019 Prediccin de Patrones de Flujo Bifsico
4/7
manera para resolver este tipo de problemas mediante una transformacin no lineal del espacio deatributos de entrada en un espacio de caractersticas mucho mayor, donde s es posible separar
linealmente los problemas a travs de las llamadas funciones ncleos o kernels, las cuales
calculan el producto escalar de dos vectores en el espacio de caractersticas sin necesidad decalcular de forma explcita las transformaciones de los ejemplos de aprendizaje. En la Tabla 1 se
presentan las funciones kernel a utilizar en este estudio.
Tabla 1.Funciones kernel
Kernel Funcin Parmetros a ajustar
LinealRBF
Polinomial
Ninguno
: Gamma
d: grado del polinomio
2.4 Teorema de Vaschy-Buckingham
Este teorema mejor conocido como Teorema Pi () permite cambiar el conjunto originalde los parmetros de entrada dimensionales de un problema fsico por otro conjunto de
parmetros de entrada adimensionales ms reducido, con la finalidad de simplificar el estudio de
cualquier fenmeno fsico, disminuyendo el nmero de variables independientes para as obtenerresultados compactos que pueden ser aplicados a otras situaciones similares. Los parmetros
adimensionales se obtienen mediante combinaciones adecuadas de los parmetros dimensionales
y debe existir un nmero mnimo necesario para estudiar cada sistema. De este modo, al obtener
uno de estos conjuntos de tamao mnimo se consigue analizar con mayor facilidad el sistemaobjeto de estudio y reducir drsticamente el nmero de ensayos que debe realizarse paraaveriguar el comportamiento o respuesta del sistema.
3.
RESULTADOS
El proceso de prediccin de patrones de flujo se lleva a cabo en 2 fases, en la primera, Fase I,se busca el modelo que genere buenos resultados con variables dimensionales (8 variables;
densidad del gas, densidad del lquido, viscosidad del gas, viscosidad del lquido, velocidad
superficial del gas, velocidad superficial del lquido, dimetro y ngulo de la tubera), mientras
que para la Fase II se busca el modelo que genere buenos resultados con variables adimensionales(5 variables). Para ambos casos se emplearon 763 datos, los cuales se dividieron en dos grupos,
382 para entrenar y 381 para validar, es importante sealar que los datos utilizados corresponden
slo a tuberas horizontales. En la Tabla 2 se muestran los patrones de flujo que se tienen encuenta para la realizacin del estudio.
Tabla 2.Patrones de Flujo
Clase Patrn de Flujo Cantidad de datos
1
23
4
Burbujas dispersas
EstratificadoAnular
Intermitente
52
158119
434
http://es.wikipedia.org/wiki/Sistemahttp://es.wikipedia.org/wiki/Sistema7/25/2019 Prediccin de Patrones de Flujo Bifsico
5/7
3.1 Resultados de la Fase I
En esta fase se realizaron predicciones multiclases (4 clases) donde se logr alcanzar un77.98% (595/763) de instancias identificadas correctamente, este resultado se obtiene con el
kernel polinomial de grado 2 y parmetros C=10, =0.1 y r=0.1, luego de obtener estos
resultados se procedi a representar grficamente los datos de entrenamiento y los datosidentificados correctamente por la SVM, ver Figs. 3, 4, 5 y 6.
Figura 3- Patrn de Flujo Burbujas Dispersas
Figura 4- Patrn de Flujo Anular
3.2 Resultados de la Fase II
En esta fase se realizaron predicciones multiclases (3 y 4 clases) y predicciones binarias (2
clases), en el caso de las predicciones de 4 clases se alcanz un 76.02% (580/763) de instanciasidentificadas correctamente, este resultado se obtiene con el kernel polinomial de grado 2 y
parmetros C=1000, =0.4 y r=10.
7/25/2019 Prediccin de Patrones de Flujo Bifsico
6/7
Figura 5- Patrn de Flujo Estratificado
En las predicciones de 3 clases se alcanz un 91.49% (301/329) con el kernel polinomial de
grado 2 y parmetros C=1000, =0.33 y r=10, finalmente en las predicciones binarias se alcanz
el 100% de instancias identificadas correctamente con el kernel polinomial de grado 2 y
parmetros C=0.1, =0.33 y r=1000, tal resultado se alcanz tambin con el kernel lineal de
parmetro C=100.
Luego de obtener estos resultados se procedi a representar grficamente los datos
identificados correctamente por la SVM, ver Fig. 7.
Figura 6- Patrn de Flujo Intermitente
7/25/2019 Prediccin de Patrones de Flujo Bifsico
7/7
Figura 7- Representacin grfica de los patrones de flujo, variables adimensionales.
4. CONCLUSIONES
Las Mquinas de Vectores de Soporte implantada en esta investigacin adicionalmente al
proceso de prediccin, logr identificar que el patrn de flujo anular y el patrn de flujo
estratificado son los que causan un mayor conflicto al momento de realizar la clasificacin. Cabedestacar tambin la eficiencia que tienen las SVM como mtodo de prediccin multiclases y
binaria, ya que a pesar de que los datos utilizados para la realizacin de este estudio son
recolectados de manera visual a travs de una seccin transparente de la tubera los resultadosobtenidos fueron satisfactorios.
REFERENCIAS
[1].
Arirachakaran, S. (1991). Intelligent utilization of a unified flow pattern predictionmodel in production system optimization., Society of Petroleum Engineers 22869
[2].Barnea, D. (1986). A unified model for predicting flow pattern transitions for whole
range of pipe inclinations.Faculty of Engineering, Department of Fluid Mechanics and
Heat Transfer, Tel-Aviv University, Ramat-Aviv 69978, Israel
[3].El-Sayed, O. (2004).Artificial neural networks models for identifying flow regimes and
predicting liquid holdup in horizontal multiphase flow. Society of Petroleum Engineers86910.
[4].
Shoham, O (2006). Mechanistic modeling of gas liquid two phases flow in pipes.Society of Petroleum Engineers. United States of America.
[5].Gunn, S (1998). Suppot Vector Machines for classification and regression.University of
Southampton, United Kingdom.
[6].Orallo, J. (2004). Introduccin a la minera de datos. Editorial Pearson Prentice Hall,Primera edicin, Madrid Espaa.
https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/27299791_Introduccion_a_la_Mineria_de_Datos?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/37535445_Support_Vector_Machines_for_Classification_and_Regression_Technical_Report?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/50857741_Mechanistic_Modeling_of_Gas-Liquid_Two-Phase_Flow_in_Pipes?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/254511287_Artificial_Neural_Network_Models_for_Identifying_Flow_Regimes_and_Predicting_Liquid_Holdup_in_Horizontal_Multiphase_Flow?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==https://www.researchgate.net/publication/223156144_A_Unified_Model_for_Predicting_Flow-Pattern_Transitions_for_the_Whole_Range_of_Pipe_Inclinations?el=1_x_8&enrichId=rgreq-22d18964-83c7-46ed-b980-1d763e847ea8&enrichSource=Y292ZXJQYWdlOzI3MjgzMDU4NjtBUzozMTY4OTY0MjE4NDI5NDRAMTQ1MjU2NTQwMjM1OQ==