Estimación de la caída de presión en flujos bifásicos gas-líquido mediante un modelo de regresión polinomial.
DOI:
https://doi.org/10.67158/jmvqv806Keywords:
Flujos bifásicos; Caída de presión; Modelo polinomial; Tubería horizontal; Regresión lineal.Abstract
La caída de presión en flujos bifásicos gas-líquido constituye un parámetro fundamental para el diseño, operación y optimización de sistemas de transporte en tuberías, debido a su influencia directa en el consumo energético y el desempeño hidráulico. En este trabajo se propone un modelo de regresión polinomial para estimar la caída de presión en una tubería horizontal de 9.15 m de longitud y 0.0254 m de diámetro, utilizando una base de datos experimental compuesta por 751 registros correspondientes a sistemas Aire-Agua, Aire-Glicerina, Aire-Surfactante, Aire-CaBr2 y Aire-Surfactante puro. Como variables de entrada se emplearon el tipo de sistema, densidad, viscosidad, tensión superficial, velocidad superficial del líquido y velocidad superficial del gas. A diferencia de métodos basados en redes neuronales y algoritmos de aprendizaje automático, el modelo propuesto presenta una menor complejidad computacional y una interpretación directa de las variables involucradas. Los coeficientes fueron ajustados mediante regresión por mínimos cuadrados, obteniéndose un coeficiente de determinación R² = 0.9608 y un RMSE de 0.2425, lo que evidencia una adecuada capacidad para reproducir el comportamiento experimental de la caída de presión en los sistemas analizados. Los resultados muestran que la regresión polinomial constituye una alternativa práctica para la predicción de parámetros hidráulicos en flujos bifásicos.
References
1. Yaqop, B.N. Gas-liquid two-phase flow pressure drop in flattened tubes: An experimental and numerical study. J. Therm. Eng. *2024, *10, 196–206. DOI: https://doi.org/10.18186/thermal.1429927
2. Li, N.-L.; Chen, B. Evaluation of frictional pressure drop correlations for air-water and air-oil two-phase flow in pipeline-riser system. Pet. Sci. *2024, *21, 1305–1319. DOI: https://doi.org/10.1016/j.petsci.2023.09.020
3. Motil, B. Microgravity liquid–gas two-phase flow: Review of pressure drop and heat transfer correlations and guidelines for equipment operability. Int. J. Multiph. Flow *2022, *148, 103967.
4. Zhang, Y.; Liu, Y.; Wang, L.; Zhao, J. Experimental investigation of gas–liquid two-phase flow pressure drop characteristics in horizontal pipes. Energies *2023, *16, 1686.
5. Kanin, E.A.; Osiptsov, A.A.; Vainshtein, A.L.; Burnaev, E.V. A predictive model for steady-state multiphase pipe flow: Machine learning on lab data. arXiv *2019*, arXiv:1905.09746. DOI: https://doi.org/10.1016/j.petrol.2019.05.055
6. Song, H.-E.; Kang, Y.-H.; Yang, S.-K.; Ahn, Y.-C. Prediction of pressure drop from multivariate polynomial regression for membrane-based air-to-air energy recovery ventilator cores. Sci. Technol. Built Environ. *2023, *29, 339–346. DOI: https://doi.org/10.1080/23744731.2023.2172284
7. Jankovič, D.; Pipan, M.; Šimic, M.; Herakovič, N. Polynomial regression-based predictive expert system for enhancing hydraulic press performance over a 5G network. Appl. Sci. *2024, *14, 12016. DOI: https://doi.org/10.3390/app142412016
8. Al-Dogail, A.S.; Gajbhiye, R.N. Dataset of flow experiment: Effects of density, viscosity and surface tension on flow regimes and pressure drop of two-phase flow in horizontal pipes. Data Brief *2021, *38, 107396. DOI: https://doi.org/10.1016/j.dib.2021.107396
9. Escobedo-Trujillo, B.A.; Valdés-Parada, F.; Ochoa-Tapia, J.A. Polynomial prediction of coefficients of performance for an absorption heat transformer integrated with water purification and energy recovery processes. Rev. Mex. Ing. Quím. *2014, *13, 907–917.
10. Hastie, T.; Tibshirani, R.; Friedman, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed.; Springer: New York, NY, USA, 2009. Available online: [https://hastie.su.domains/ElemStatLearn/] (https://hastie.su.domains/ElemStatLearn/) (accessed on 8 June 2026).
11. Bishop, C.M. Pattern Recognition and Machine Learning; Springer: New York, NY, USA, 2006. Available online: [https://link.springer.com/book/10.1007/978-0-387-45528-0] (https://link.springer.com/book/10.1007/978-0-387-45528-0) (accessed on 8 June 2026).
12. James, G.; Witten, D.; Hastie, T.; Tibshirani, R. An Introduction to Statistical Learning: With Applications in R, 2nd ed.; Springer: New York, NY, USA, 2021. Available online: (https://www.statlearning.com/) (https://www.statlearning.com/) (accessed on 8 June 2026).
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Revista INEMATD SCIENCE - ISSN 3122-4091
This work is licensed under a Creative Commons Attribution 4.0 International License.
Los artículos publicados en esta revista se distribuyen bajo la licencia Creative Commons Reconocimiento 4.0 Internacional (CC BY 4.0), que permite el uso, distribución y reproducción en cualquier medio, siempre que se otorgue el crédito adecuado a los autores y a la revista. https://creativecommons.org/licenses/by/4.0/
