Data-driven flow rate and operational status detection in pipeline fluid transportation

Traditional flow meters are instruments used in various industries to measure the quantity of fluid passing through a pipe over a specific time. Different types exist, each rooted in a distinct physical principle. However, they all share several installation, maintenance and cost challenges. Their installation requires the intervention of a qualified technician and can be complex, as they often require accurate design, specific spaces or arrangements, and integration into existing piping. Maintenance must be periodic and frequent to ensure accuracy and durability, involving activities such as cleaning, lubrication and recalibration. Hence, the costs associated with these operations are high, representing a significant expense for companies, especially in cases where flow measurement is a fundamental activity for developing further systems and technologies. Therefore, alternative approaches for fluid flow measurement, such as virtual flow metering, have emerged as the need to overcome the aforementioned challenges. By using available data, such as pressure readings, the reliance on traditional flow meters can be reduced, mitigating some of the traditional issues. The objective of this thesis is twofold. First, we aim to exploit pressure data readings at the inlet and outlet of a pipeline to detect flow rates without using traditional physical flow meters through a deterministic approach. Then, the objective is to infer possible flow regimes through a machine learning technique. Our Virtual Flow Metering results were validated twice and showed the coherence of the data in detecting a data-driven flow rate in two different datasets. As regards the operational status detection, the analysis successfully identified three distinct operational states providing valuable insights into the system's operation.

I flussimetri tradizionali sono strumenti utilizzati in diversi settori industriali per misurare la quantità di fluido che scorre attraverso una condotta in un determinato periodo di tempo. Esistono diversi tipi di misuratori di portata, ciascuno basato su un principio fisico distinto. Tuttavia, tutti presentano problematiche comuni relative a installazione, manutenzione e costi. La loro installazione richiede l'intervento di un tecnico qualificato e può essere complessa, poiché spesso necessita di una progettazione accurata, spazi o disposizioni specifiche e integrazione con le tubazioni esistenti. La manutenzione deve essere periodica e frequente per garantirne precisione e durata, e comprende attività come pulizia, lubrificazione e ricalibrazione. Di conseguenza, i costi associati a queste operazioni sono elevati, rappresentando una spesa significativa per le aziende, soprattutto nei casi in cui la misurazione del flusso è un'attività fondamentale per lo sviluppo di ulteriori sistemi e tecnologie. Pertanto, sono emersi approcci alternativi per la misurazione della portata del fluido, come la misurazione virtuale della portata. Utilizzando i dati disponibili, come le letture di pressione, è possibile ridurre la dipendenza dai misuratori di portata tradizionali, mitigando alcuni dei problemi consueti. Questa tesi ha un duplice obiettivo. Innanzitutto, si propone di sfruttare le letture dei dati di pressione in ingresso e in uscita da una condotta per rilevare la portata senza utilizzare i tradizionali misuratori di portata fisici attraverso un approccio deterministico. Successivamente, l'obiettivo è quello di dedurre possibili regimi di flusso attraverso una tecnica di apprendimento automatico. I risultati ottenuti dal nostro Misuratore di Portata Virtuale sono stati validati due volte e hanno dimostrato la coerenza dei dati nel rilevare una portata basata sui dati in due set di dati diversi. Per quanto riguarda il rilevamento dello stato operativo, l'analisi ha identificato con successo tre stati di funzionamento distinti fornendo informazioni preziose sul funzionamento del sistema.