Submitted by Marcele Costal de Castro (costalcastro@gmail.com) on 2017-09-27T15:49:43Z No. of bitstreams: 1 CESAR MARQUES SALGADO D.PDF: 3287236 bytes, checksum: e8cb423520d25b201049a40e5dc0babf (MD5) / Made available in DSpace on 2017-09-27T15:49:43Z (GMT). No. of bitstreams: 1 CESAR MARQUES SALGADO D.PDF: 3287236 bytes, checksum: e8cb423520d25b201049a40e5dc0babf (MD5) Previous issue date: 2010-02 / Este trabalho apresenta uma nova metodologia baseada nos princípios de atenuação de raios gama, por meio de simulações de Monte Carlo (MC), e redes neurais artificiais (RNAs) supervisionadas para predições de frações de volume e identificação de regimes de fluxo em sistemas multifásicos tipo, gás, água e óleo encontrados na indústria petrolífera off-shore. O princípio baseia-se no reconhecimento das distribuições de altura de pulsos obtidas por detectores cintiladores que são utilizadas inteiramente para alimentar de forma simultânea as RNAs. As curvas-resposta (resolução energética e eficiência) de um detector real são consideradas. O sistema de detecção simulado utiliza dois detectores NaI(Tl) e duas energias de raios gama com feixe largo. A geometria proposta considera os feixes transmitido e espalhado tornando o sistema menos dependente do regime de fluxo. O conjunto de padrões necessário para treinamento e avaliação das RNAs foi gerado por meio do código computacional MCNP-X baseado no método de MC a partir de modelos teóricos ideais e estáticos de regimes multifásicos - anular, estratificado e homogêneo. As RNAs mapearam adequadamente os dados simulados com as frações de volume sem a necessidade do conhecimento, a priori, do regime de fluxo. As RNAs identificaram corretamente todos os regimes com predição satisfatória das frações de volume em sistemas multifásicos indicando a possibilidade de aplicação desta metodologia para tal propósito. / This work presents a new methodology for flow regimes identification and volume fractions prediction in gas-water-oil multiphase systems found in off-shore petroleum industry. The approach is based on gamma-ray pulse height distributions (PHDs) pattern recognition by means the artificial neural networks (ANNs). The detection system uses appropriate fan beam geometry, comprised of a dual-energy gamma-ray source and two NaI(Tl) detectors adequately positioned in order calculate transmitted and scattered beams, which makes it less dependent on the flow regime. The system comprises four ANNs, the first identifies the flow regime and the other three ANNs are specialized in volume fraction prediction for each specific regime. The PHDs are directly used by the ANNs without any parameterization of the measured signal. The energy resolution and efficiency of NaI(Tl) detectors are also considered on the mathematical model. The ideal and static theoretical models for annular, stratified and homogenous flow regimes have been developed using MCNP-X mathematical code (simulations by means of Monte Carlo method), which was used to provide training, test and validation data for the ANNs. The proposed ANNs could correctly identified all three different regimes with satisfactory prediction of volume fraction in gas-water-oil multiphase system demonstrating to be a promising approach for this purpose.