Evaluación de técnicas de entrenamiento de redes neuronales para estudios geotermométricos de sistemas geotérmicos
Título del documento: Evaluación de técnicas de entrenamiento de redes neuronales para estudios geotermométricos de sistemas geotérmicos
Revista: Revista mexicana de ingeniería química
Base de datos: PERIÓDICA
Número de sistema: 000374988
ISSN: 1665-2738
Autores: 1
1
2
1
Instituciones: 1Universidad Autónoma del Estado de Morelos, Facultad de Ciencias, Cuernavaca, Morelos. México
2Universidad Nacional Autónoma de México, Centro de Investigación en Energía, Temixco, Morelos. México
Año:
Periodo: Abr
Volumen: 12
Número: 1
Paginación: 105-120
País: México
Idioma: Español
Tipo de documento: Artículo
Enfoque: Experimental, aplicado
Resumen en español En este trabajo se reportan los resultados de un análisis multivariado usando redes neuronales artificiales para determinar la contribución relativa de la composición catiónica de fluidos (Na, K, Mg, Ca y Li) en la estimación de la temperatura de fondo de pozos geotérmicos. En este estudio se utilizó una base de datos de composición de 219 muestras de fluidos geotérmicos y mediciones de temperatura de fondo medidas en pozos productores de diversas partes del mundo. Se evaluaron las arquitecturas neuronales usando diferentes técnicas numéricas de entrenamiento, funciones de activación logísticas y lineales, diferentes combinaciones de las entradas, 20 neuronas como máximo en la capa oculta y la temperatura como salida. Los resultados obtenidos de este estudio mostraron que la relación log(Na/K) presentó la más alta contribución relativa (69% al 75%), mientras que las variables log(Mg/Na2) y log(Ca/Na2) mostraron una menor contribución (3-13% y 12-22%, respectivamente). Las variables log(Na/Li), log(Li/√Mg) y Li obtuvieron un 3%. Detalles de la metodología y los resultados de validación son reportados en este trabajo
Resumen en inglés A multivariate analysis using artificial neural networks for determining the relative contribution of the cationic composition of fluids (Na, K, Mg, Ca and Li) for the estimation of downhole temperature of geothermat wells is here reported. Neural architectures were evaluated using different numerical techniques of training, activation function logistic and linear, several combinations of inputs, at most 20 neurons in the hidden layer and the measured temperatures as the targets. The obtained results in this paper shows that the relation log(Na/k) obtained the highest relative contribution (69% al 75%), whereas other variables such as, log (Mg/Na2) and log (Ca/Na2), showed a less contribution (3-13% and 12-22 %, respectively). log(Na/Li), log (Li/√Mg) and Li obtained 3% variables had a relative contribution = 3%. The details of the methodology and the validation results are reported in this paper
Disciplinas: Ingeniería,
Ciencias de la computación
Palabras clave: Ingeniería de energéticos,
Inteligencia artificial,
Redes neuronales artificiales,
Energía geotérmica,
Geotermómetros,
Pozos geotérmicos,
Equilibrio termodinámico,
Equilibrio químico
Keyword: Engineering,
Computer science,
Energy engineering,
Artificial intelligence,
Artificial neural networks,
Geothermal energy,
Geothermometers,
Geothermal wells,
Thermodynamic equilibrium,
Chemical equilibrium
Texto completo: Texto completo (Ver HTML)