Um dos principais problemas relacionados ao transporte e manipulação de fluidos multifásicos refere-se a existência de regimes de escoamento e sua forte influência sobre importantes parâmetros de operação. Um bom exemplo disto ocorre em reatores químicos gás-líquido no qual máximos coeficientes de reação podem ser alcançados mantendo-se um escoamento a bolhas disperso, maximizando a área interfacial total. Assim, a habilidade de identificar automaticamente regimes de escoamento é de importância crucial, especialmente para operação adequada de sistemas multifásicos. Este trabalho se constituirá no desenvolvimento e implementação de uma rede neural auto-organizativa especializada ao problema de identificação de regimes de escoamento bifásico ar-água em tubo horizontal. Os regimes reconhecidos em tubo horizontal são seis: estratificado liso, estratificado ondulado, estratificado rugoso, intermitente, bolhas e anular. Para tanto, pretende-se tomar como ponto de partida as medidas capacitivas, variação de pressão da tubulação e medida de pressão "flutuante" como padrões associativos a serem armazenados na rede neural. Posteriormente, a fase de treinamento da rede neural consistirá em identificar os coeficientes sinápticos apropriados, a partir de um conjunto representativo de ensaios. Nesse trabalho optou-se por uma arquitetura com 10 neurônios na camada de entrada, portanto uma quantidade maior do que o número de regimes que se deseja identificar. O objetivo é ver se a rede neural consegue encontrar de forma autônoma os seis regimes já conhecidos, mesmo tendo 10 neurônios na grade. Isso demonstra a habilidade da rede neural auto-organizativa em identificar regimes de escoamento mesmo em situações onde não há conhecimento prévio dos mesmos. Serão feitas simulações para verificar o desempenho da rede neural a partir de dados experimentais coletados no oleoduto piloto do Núcleo de Engenharia Térmica e Fluidos da Escola de Engenharia de São Carlos.

One of the main problems related to the transport and manipulation of multiphase flow is the existence of flow regimes and its strong influence on important parameters of operation. As an example of it occurs in gas-liquid chemical reactor in which maximum coefficients of reaction can be reached by keeping a maximal flow bubbly dispersed into a total interfacial area. Thus, the ability to identify flow regimes automatically is very important, specially in order to obtain a properly operation of multiphase systems. This work consists in the development and implementation of a self-organizing neural networks specially for the problem of identification of regimes of two-phase flow air-water in horizontal pipe. The regimes recognized in horizontal pipe are six: estratified smooth, estratified wavy, estratified rugged, intermittent, bubbly and annular. The capacitive measures, variation of pressure of the piping and measure of flutuante pressure were considered as a starting point to be stored as associative standards in the neural networks. After, the phase of training of the neural networks consisted of an appropriate identification for the sinaptic coefficients from a representative set of tests. An architectural input-layer of 10 neurons was opted. Therefore a bigger amount of regimes than the ones usually required. The objective is to see if the neural network is able to find independently the six regimes already known, even having 10 neurons in the grid. This demonstrates the ability of the self-organizing maps neural network in identifying flow regimes in situations where one does not have previous knowledge of them. Simulations will be made to verify the performance of the neural network from experimental data collected in the pilot pipe-line of the Nucleus of Thermal Engineering and Fluids of the School of Engineering of São Carlos.