Resumen Este trabajo presenta el uso de inteligencia artificial en flujos multifásicos, implementando una red neuronal artificial de perceptrón multicapa con retropropagación, y utilizando la función de activación tangente sigmoidea, para generar un modelo predictivo capaz de obtener la fracción volumétrica de un flujo bifásico compuesto por agua y aceite mineral en una tubería horizontal de 12 m. La red neuronal artificial se desarrolla a partir de una capa de entrada, formada por el diferencial de presión en la línea y las velocidades superficiales de los fluidos de trabajo, además, tiene dos capas ocultas y una capa de salida, que está formada por las fracciones volumétricas de los fluidos. El modelo predictivo de mejor rendimiento muestra un error medio porcentual absoluto del 3,07 % y un coeficiente de determinación R 2 de 0,985 utilizando 15 neuronas en las dos capas ocultas de la red neuronal. Los 56 datos experimentales utilizados en el estudio se obtuvieron en el laboratorio LEMI EESC-USP (Brasil).

Abstract This work presents the use of artificial intelligence in multiphase flows, implementing a multilayer perceptron artificial neural network with back-propagation, and using the sigmoid tangent activation function, to generate a predictive model capable of obtaining the holdup of a two-phase flow composed of water and mineral oil in a horizontal pipe of 12 m. The artificial neural network is developed using an input layer, formed by the pressure differential in the line and the superficial velocities of the working fluids, also, it has two hidden layers and an outlet layer, which is made up of the volumetric fractions of the fluids. The best-performing predictive model shows a mean percentage absolute error of 3.07 % and a coefficient of determination R2 of 0.985 using 15 neurons in the two hidden layers of the neural network. The 56 experimental data used in the study were obtained in the laboratory LEMIEESC-USP (Brazil).

Resumen La cavitación hidrodinámica es una tecnología implementada recientemente para aplicaciones industriales, como el tratamiento de aguas, la generación de biocombustibles o el mejoramiento de los crudos pesados. Los crudos pesados se caracterizan por su baja gravedad API y su alta viscosidad, lo que resulta en un mayor costo de extracción, transporte y refinamiento, y un menor precio de venta por su menor contenido de fracciones livianas como la nafta. Por lo tanto, los reactores de cavitación hidrodinámica se utilizan para cavitar el crudo y mejorar la viscosidad, y la eficiencia depende en gran medida de los parámetros operativos, como la presión de entrada, la temperatura y el porcentaje de un donante de hidrógeno. En este trabajo se analiza el efecto de la temperatura sobre la dinámica de fluidos del crudo en el interior del reactor Vortex HCR-Nano, tomando como variable de respuesta la fracción volumétrica de vapor. El estudio CFD se realizó utilizando Ansys Fluent, con cinco temperaturas diferentes entre 92°F y 350° F, modelado 3D de flujo en estado estacionario para fluido multifásico líquido-vapor, con modelo de turbulencia realisable k-e y cavitación Schnerr-Sauer. Los resultados muestran que el volumen de vapor aumenta con la temperatura hasta, hasta un volumen de 1.507 cm3, donde la principal contribución se debe al efecto Vortex. Investigación adicional incluye el comportamiento de la cavitación hidrodinámica con diferentes crudos y parámetros operativos.

Abstract Hydrodynamic cavitation is a technology recently implemented for industry applications, such as water treatment, biofuel generation or upgrading of heavy crudes. Heavy crudes are characterised by their low API gravity and high viscosity, which results in higher extraction, transport, and refining costs, and a lower selling price due to their lower content of light fractions such as naphtha. Thus, hydrodynamic cavitation reactors are used to cavitate the crude oil and improve viscosity, and the efficiency is highly dependent on the operating parameters, such as inlet pressure, temperature, and percentage of a hydrogen donor. In this work, the effect of temperature on the fluid dynamics of the crude oil inside the Vortex HCR-Nano reactor is analysed, taking as a response variable the volume fraction of vapour. The CFD study was done using Ansys Fluent, with five different temperatures between 92°F and 350°F, 3D steady-state flow modelling for liquid-vapour multiphase fluid, with realisable k-e turbulence model, and Schnerr-Sauer cavitation. Results show that the volume of vapour increases with temperature, up to a volume of 1.507 cm3, where its main contribution is due to the Vortex effect. Further research includes the behaviour of hydrodynamic cavitation with different crude oils and operating parameters.

This work shows the estimation of the volumetric fiber content (Vf) using image processing techniques. The Vf is needed to establish mechanical properties of composites using the rule of mixtures or other more advanced prediction models for the mechanical properties. The proposed method is tested with images acquired for carbon, Kevlar, and fiberglass fiber bundles used in the fiber deposition modeling (FDM) in the additive manufacturing process. The fiber bundles are provided by Markforged ® and are used in the Markforged Two ® printer. Then, different gray threshold and segregation algorithms are convolved with the digitized images to to isolate matrix from fibers such that a separate fiber and matrix area counting can be done and an appropriate Vf can be established. Results obtained with image analysis are close to values reported using technical standards, hence validating the proposed method.