Bütünleşik CFD-KAN çerçevesi, sürükleme azaltıcı ajan içeren türbülanslı ham petrol boru hattı akışını önce hesaplamalı akışkanlar dinamiğiyle fiziksel olarak modelleyen, ardından bu doğrulanmış hesaplama verisini Kolmogorov–Arnold Ağı tabanlı hızlı bir vekil modele aktaran birleşik bir tahmin yaklaşımıdır. Fazeel Ahmad, Georgios E. Stavroulakis, Amir H. Mohammadi ve David Lokhat tarafından gerçekleştirilen çalışma; basınç düşümü (Δp), sürükleme azaltımı (DR), pompalama gücü azalımı (PPR), enerji tasarrufu (ES) ve akış performansını değerlendirmek için SST k-ω türbülans modeli kullanılan CFD ile çok çıktılı bir Kolmogorov–Arnold Network (KAN) modelini birleştirmiştir. Kaynakta incelenen DRA koşullarında maksimum DR %44,2, PPR yaklaşık 55 W ve enerji tasarrufu %30 olarak raporlanmıştır. KAN'ın farklı DRA türleri ve sıcaklıklardaki PPR tahmini için raporlanan belirleme katsayısı R² = 0,9318'dir. Ancak çalışma henüz geniş kapsamlı gerçek endüstriyel saha doğrulaması değildir; sonuçlar deneysel benchmarklarla doğrulanmış CFD ve bu doğrulanmış parametre alanından oluşturulan veri üzerinde geliştirilmiş bir vekil model çerçevesine aittir.

Çalışmanın temel mühendislik problemi, türbülanslı boru akışında sürtünme kaynaklı basınç kaybının pompanın sağlaması gereken gücü artırmasıdır. Polimer esaslı sürükleme azaltıcı ajanlar (drag-reducing agents, DRA) türbülans yapısıyla etkileşerek basınç kaybını azaltabilir; ancak bu etkinin büyüklüğü polimer derişimi, moleküler ağırlık, Reynolds sayısı, sıcaklık, boru çapı, uzunluğu ve yüzey pürüzlülüğü gibi birden fazla değişkene bağlıdır. Araştırma bu doğrusal olmayan ilişkileri yalnız deneysel korelasyonla değil, fizik tabanlı CFD ve veri tabanlı KAN modelini aynı mimaride kullanarak çözmeye çalışmaktadır.

CFD tarafında Reynolds-averaged Navier–Stokes (RANS) denklemleri SST k-ω türbülans modeliyle çözülmüş, DRA içeren akışkan güç yasası ile kayma incelmesi gösteren Newtonyen olmayan akışkan olarak temsil edilmiştir. CFD sonuçları önce yayımlanmış deneysel benchmark verilerine karşı sınanmış, ardından deneysel olarak doğrulanan parametre aralıklarında Latin Hypercube Sampling kullanılarak 1000 tasarım noktası oluşturulmuştur. Bu birleşik veri KAN modelinin geliştirilmesinde kullanılmıştır.

Neden boru hattında basınç düşümü enerji tüketimini belirler?

Boru boyunca ilerleyen akışkan, duvar sürtünmesi ve türbülans nedeniyle mekanik enerji kaybeder. Bu kayıp giriş ve çıkış arasında bir basınç düşümü oluşturur. Aynı debinin korunabilmesi için pompa bu enerji kaybını karşılamalıdır. Bu nedenle basınç düşümünün azaltılması yalnız hidrolik bir iyileştirme değil, doğrudan pompalama gücü ve enerji tüketimiyle ilişkili bir mühendislik problemidir.

Çalışma özellikle türbülanslı ham petrol akışına küçük miktarlarda polimer esaslı DRA eklenmesini araştırmaktadır. DRA'ların amacı akışkanın enerji içeriğini artırmak değildir; türbülanslı sürüklemenin ve duvar yakınındaki momentum kaybının azalmasına katkı sağlayarak aynı akış koşullarında gereken basınç farkını düşürmektir.

Sürükleme azaltıcı ajanlar pompalama gücünü nasıl azaltır?

Sürükleme azaltıcı ajanlar, çalışmanın modelinde türbülanslı akışın duvar yakınındaki yapısıyla etkileşen polimer katkılarıdır; basınç düşümü ve etkin sürtünme azaldığında aynı akış için gereken pompalama gücü de azalır. Kaynak çalışma bu ilişkiyi deneysel benchmarklar, SST k-ω CFD sonuçları ve KAN tahminleri üzerinden nicel olarak incelemektedir.

Araştırmadaki temel literatür boşluğu

Yazarlar önceki DRA çalışmalarının önemli bölümünün deneysel korelasyonlara veya sınırlı simülasyon karşılaştırmalarına dayandığını belirtmektedir. DRA derişimi, Reynolds sayısı, sıcaklık, debi, boru çapı ve pürüzlülük arasındaki doğrusal olmayan etkileşimleri aynı anda fizik tabanlı ve veri tabanlı biçimde işleyen modellerin sınırlı olduğu vurgulanmaktadır.

Çalışmanın özgünlüğü bu nedenle iki katmanlıdır. Birinci katmanda duvar yakınındaki türbülansı çözmek için SST k-ω tabanlı CFD kullanılır. İkinci katmanda CFD ile deneysel verinin birlikte oluşturduğu parametre alanı, daha hızlı tahmin yapabilen KAN vekil modeline aktarılır.

Kütlenin korunumu ve akışın temel denklemi

CFD çözümünün başlangıç noktalarından biri kütlenin korunumu denklemidir:

\[ \frac{\partial \rho}{\partial t}+\nabla\cdot(\rho \mathbf{u})=0 \tag{1} \]

Burada \(\rho\) akışkan yoğunluğunu, \(t\) zamanı ve \(\mathbf{u}\) hız vektörünü temsil eder. Çalışmanın kararlı ve sıkıştırılamaz akış varsayımında yoğunluk sabit kabul edildiğinden denklem:

\[ \nabla\cdot\mathbf{u}=0 \tag{2} \]

biçimine indirgenir. Fiziksel olarak bu ifade, hesaplama hacmine giren ve çıkan kütlenin dengede olması gerektiğini belirtir.

RANS yaklaşımı neden kullanılıyor?

Türbülanslı akışta anlık hız, ortalama ve dalgalanan bileşenlere ayrılır:

\[ \mathbf{u}=\overline{\mathbf{u}}+\mathbf{u}' \tag{3} \]

Bu ayrıştırma, doğrudan sayısal simülasyonla bütün türbülans ölçeklerini çözmek yerine zaman ortalamalı akışın ve türbülans etkilerinin modellenmesini sağlar. Yüksek Reynolds sayılı mühendislik akışlarında DNS'nin hesaplama maliyetinin çok yüksek olması nedeniyle çalışma Reynolds-averaged Navier–Stokes yaklaşımını seçmektedir.

Kaynakta verilen momentum denkleminin RANS biçimi, ortalama momentum taşınımına ek olarak hız dalgalanmalarından doğan Reynolds gerilmelerini de içerir. Bu kapanış problemi seçilen türbülans modeli aracılığıyla ele alınmaktadır.

SST k-ω modeli

Shear Stress Transport (SST) k-ω modeli, duvara yakın bölgede k-ω formülasyonunu, serbest akım bölgesinde ise k-ε yaklaşımının özelliklerini bir blending fonksiyonuyla birleştiren iki denklemlik bir RANS türbülans modelidir. Kaynak çalışma bu modeli özellikle duvar kayma gerilimi, sınır tabaka davranışı, basınç kaybı ve DRA kaynaklı türbülans değişiminin incelenmesi için kullanmaktadır.

Türbülans kinetik enerjisi için kaynakta kullanılan temel taşıma denklemi:

\[ \frac{\partial(\rho k)}{\partial t} + \frac{\partial(\rho k u_i)}{\partial x_i} = \frac{\partial}{\partial x_j} \left[ (\mu+\sigma_k\mu_t) \frac{\partial k}{\partial x_j} \right] +P_k-\beta^{*}\rho k\omega \tag{11} \]

biçimindedir. Burada \(k\) türbülans kinetik enerjisini, \(P_k\) türbülans kinetik enerjisinin üretimini, \(\mu_t\) türbülans viskozitesini ve \(\omega\) özgül dissipasyon oranını temsil eder.

İkinci denklem \(\omega\)'nın taşınımını tanımlar. Bu iki alanın birlikte çözülmesi, momentum denklemlerinde kullanılacak türbülans özelliklerinin hesaplanmasını sağlar.

DRA çözeltisinin Newtonyen olmayan davranışı

Çalışma DRA polimer çözeltisini kayma incelmesi gösteren Newtonyen olmayan bir akışkan olarak temsil etmek için güç yasası modelini kullanmaktadır:

\[ \tau=K\dot{\gamma}^{\,n} \tag{8} \]

\[ \mu_{\mathrm{app}}=K\dot{\gamma}^{\,n-1} \tag{9} \]

\(\tau\) kayma gerilimi, \(K\) tutarlılık indeksi, \(\dot{\gamma}\) kayma hızı ve \(n\) akış davranışı indeksidir. \(n<1\) olan bir güç yasası akışkanında kayma hızı arttıkça görünür viskozite azalır. Çalışmada bu yaklaşım DRA içeren polimer çözeltisinin kayma incelmesini temsil etmek amacıyla kullanılmaktadır.

Bu model önemli bir yaklaşım olmakla birlikte polimerin bütün viskoelastik davranışını içermez. Makalenin kendi tartışmasında yüksek DRA derişimlerindeki CFD–deney farklarının artmasının nedenlerinden biri olarak elastisite, uzama viskozitesi, gevşeme süresi, zincir uzayabilirliği ve mekanik zincir kırılmasının eksik modellenmesi gösterilmektedir.

Darcy–Weisbach ile basınç düşümü

Boru akışındaki basınç kaybı için çalışma Darcy–Weisbach ilişkisini kullanmaktadır:

\[ \Delta p=f\frac{L}{D}\frac{\rho v^2}{2} \tag{13} \]

Burada \(f\) sürtünme faktörü, \(L\) boru uzunluğu, \(D\) boru çapı, \(\rho\) yoğunluk ve \(v\) ortalama akış hızıdır. Denklem, diğer değişkenler aynı kaldığında daha büyük sürtünme faktörü veya daha uzun borunun basınç kaybını artırdığını; daha büyük çapın ise \(L/D\) oranı üzerinden basınç kaybını azaltıcı yönde etkilediğini gösterir.

DRA varlığında aynı ilişki DRA'lı sürtünme faktörü kullanılarak yeniden hesaplanır. Sürükleme azaltımı için kaynakta verilen temel yüzde ilişkisi:

\[ DR(\%)= \frac{\Delta p_0-\Delta p_{\mathrm{DRA}}} {\Delta p_0} \times100 \tag{15} \]

şeklindedir. Bununla birlikte kaynak metinde bu denklemin hemen altındaki \(\Delta p_0\) ve \(\Delta p_{\mathrm{DRA}}\) sözel tanımlarında DRA'lı ve DRA'sız durumların yer değiştirmiş göründüğü bir iç tutarsızlık bulunmaktadır. Bu nedenle Verianla metni formülü korumakta, kaynağın sözel tanımındaki çelişkiyi sessizce düzeltmemektedir.

Kolmogorov–Arnold Ağı bu çalışmada ne yapıyor?

Kolmogorov–Arnold Ağı (KAN), çalışmada Reynolds sayısı, DRA derişimi, moleküler ağırlık, sıcaklık, boru çapı, uzunluğu ve pürüzlülüğünü girdi olarak alan; basınç düşümü, sürükleme azaltımı, pompalama gücü azalımı ve enerji tasarrufu gibi hidrolik performans göstergelerini hızlı biçimde tahmin etmek için eğitilen çok çıktılı bir sinir ağı tabanlı vekil modeldir.

KAN girdileri

Kaynağın Denklem 17'sinde KAN girdi vektörü:

\[ X=[C,M_w,Re,T,\varepsilon,D,L] \tag{17} \]

olarak tanımlanmaktadır. \(C\) polimer derişimi, \(M_w\) moleküler ağırlık, \(Re\) Reynolds sayısı, \(T\) sıcaklık, \(\varepsilon\) boru pürüzlülüğü, \(D\) boru çapı ve \(L\) boru uzunluğudur.

Makalenin ayrıntılı KAN açıklamasında ağın 7 giriş düğümü, iki gizli katmanda toplam 11 nöron ifadesi ve dört çıktı düğümü kullandığı belirtilmektedir. Çıktılar DR, Δp, PPR ve ES'dir. Katmanlar arası bağlantılarda öğrenilebilir B-spline fonksiyonları kullanılmaktadır.

Pompalama gücü hesabı

Kaynakta pompalama gücü basınç düşümü ve debiden:

\[ P_0=\frac{\Delta p_0 Q}{\eta_p} \tag{20} \]

ve KAN'ın DRA'lı basınç tahmini için:

\[ P_{\mathrm{DRA}}^{\mathrm{KAN}} = \frac{\Delta p_{\mathrm{DRA},i}^{\mathrm{KAN}}Q}{\eta_p} \tag{21} \]

olarak hesaplanmaktadır. \(Q\) debi, \(\eta_p\) pompa verimidir. Basınç kaybı azaldığında, aynı debi ve pompa verimi altında gereken hidrolik pompalama gücü de azalır.

Kaynak ayrıca:

\[ \frac{P_0-P_{\mathrm{DRA}}}{P_0}\times100 \tag{22} \]

biçiminde bir göreli pompalama gücü azalımı ifadesi vermektedir. Kaynağın Denklem 22 ve 23 başlıklarında yüzde işareti ile “W” biriminin birlikte kullanılması bir birim/etiketleme belirsizliği oluşturduğundan, yüzde azalma ile watt cinsinden mutlak PPR değerleri bu Verianla metninde birbirine karıştırılmamıştır.

Fizik bilgisi KAN kayıp fonksiyonuna nasıl ekleniyor?

Çalışmanın önemli özelliklerinden biri, KAN eğitimini yalnız veri uyumuna bırakmamasıdır. Kaynakta sunulan kayıp fonksiyonu veri hatası ile Darcy–Weisbach tabanlı fiziksel ceza terimini birlikte kullanmaktadır:

\[ Loss= \frac{1}{N}\sum_{i=1}^{N}(y_i-\hat{y}_i)^2 + \lambda\frac{1}{N} \sum_{i=1}^{N} \left( \Delta P_{\mathrm{DRA},i}^{\mathrm{physics}} - \Delta P_{\mathrm{DRA},i}^{\mathrm{KAN}} \right)^2 \tag{26} \]

Birinci terim KAN tahmini ile CFD hedefi arasındaki veri hatasını azaltır. İkinci terim KAN tahmininin fiziksel olarak hesaplanan basınç düşümünden aşırı uzaklaşmasını cezalandırır. \(\lambda\), bu fiziksel cezanın kayıp fonksiyonundaki ağırlığını belirler.

Kaynak ayrıca standardizasyon için:

\[ X_{\mathrm{scaled}}= \frac{X-\mu_X}{\sigma_X} \tag{27} \]

ifadesini vermektedir. Ancak makalenin bu denklemi izleyen sözel açıklamasında \(X\) ile \(\mu_X\)'in tanımları matematiksel ifadeyle uyumsuz biçimde yazılmış görünmektedir. Verianla metni bu kaynak içi sorunu görünür tutar ve kaynakta yazılmayan yeni bir tanım üretmez.

CFD'den KAN'a veri zinciri

CFD sınır koşulları ve varsayımları

Simülasyonda boru girişine sabit hız sınır koşulu uygulanmış ve türbülans yoğunluğu %10 olarak verilmiştir. Çıkış, sıfır gösterge basınçlı pressure-outlet olarak tanımlanmıştır. Boru duvarlarında kaymama koşulu uygulanmış ve duvar yakınındaki akışın çözülmesine yönelik uygun duvar işlemi kullanılmıştır.

Akış kararlı, sıkıştırılamaz ve izotermal kabul edilmiştir. Boru duvarı geçirimsizdir. İncelenen Reynolds aralığında akış tam gelişmiş türbülanslı iç akış olarak modellenmiştir. Yerçekimi, eksenel basınç düşümüne katkısının önemsiz kabul edildiği durumlarda ihmal edilmiştir. Polimer zincirlerinin türbülans nedeniyle mekanik parçalanması CFD içinde doğrudan modellenmemiştir.

Basınç-hız bağlaşımı SIMPLE algoritmasıyla çözülmüş; momentum ve türbülans taşıma denklemlerinde ikinci dereceden ayrıklaştırma şemaları uygulanmıştır. Kaynakta süreklilik, momentum ve türbülans residual sınırları \(10^{-3}\)'ün altında olacak biçimde verilmiştir.

Boru geometrileri ve hesaplama alanı

Kaynak Tablo 1'de Reynolds sayısını 6104,88–16.777,77 aralığında vermektedir. Buna karşılık daha sonraki deney–CFD doğrulama grafiklerinde bazı seriler için \(2\times10^3\) ile \(2,2\times10^5\) gibi daha geniş Reynolds aralıkları raporlanmaktadır. Bu nedenle bütün makalenin tek bir Reynolds aralığıyla temsil edilmesi doğru değildir; kullanılan aralık ilgili boru, DRA ve doğrulama senaryosuna göre okunmalıdır.

Çalışmanın Yöntemi ve Bulguları

Mesh bağımsızlığı nasıl kontrol edildi?

Çalışmada beş farklı ağ çözünürlüğü karşılaştırılmıştır. En ince Mesh 5 yaklaşık \(3,8\times10^5\) eleman, ortalama 1,5 mm eleman boyutu, ortalama \(y^+=0,55\) ve maksimum \(y^+=1\) ile son hesaplama ağı olarak seçilmiştir. Bu mesh için kaynak tablo Δp = 133,10 Pa, DR = %32,00 ve PPR = 36,00 W bildirmektedir.

Mesh 4 ile Mesh 5 arasındaki Δp, DR ve PPR farklarının %1'in altına yaklaşması, yazarların mesh bağımsızlığını destekleyen temel göstergelerinden biridir. GCI değerlerinin yaklaşık %0,93–1,15 aralığında verilmesi de incelenen küresel sonuçlarda artık mesh kaynaklı değişimin görece düşük olduğunu göstermektedir.

Veri kümesi nasıl genişletildi?

Kaynak çalışma deneysel benchmark tarafından belirlenen minimum ve maksimum girdi aralıkları içinde Latin Hypercube Sampling kullanarak \(N=1000\) tasarım noktası oluşturmuştur. Her kombinasyon doğrulanmış VOF/CFD modeline ayrı bir tasarım noktası olarak verilmiş; Δp, DR, PPR ve ES gibi çıktılar CFD'den elde edilmiştir.

Bu 1000 örnek kaynakta %80 eğitim ve %20 doğrulama olarak bölünmüş, yani 800 eğitim ve 200 doğrulama örneği kullanılmıştır. Ölçekleme parametrelerinin yalnız eğitim verisinden hesaplandığı, dış test gözlemlerinin model geliştirme tamamlandıktan sonra değerlendirildiği ve yinelenen çalışma koşullarının eğitim/test arasında kontrol edildiği belirtilmektedir.

KAN mimarisi ve hiperparametreleri

KAN modelinin ayrıntılı açıklamasında yedi giriş, iki gizli katmanda 11 nöron ve dört çıktı düğümü raporlanmıştır. Katmanlar arası dönüşümler öğrenilebilir B-spline fonksiyonlarıyla gerçekleştirilmiştir. L2 düzenlileştirme katsayısı \(\lambda=0,01\), Adam optimizer öğrenme oranı 0,001 olarak verilmiş; doğrulama kaybına dayalı erken durdurma uygulanmıştır.

Hiperparametre şemasında maksimum 1000 epoch da raporlanmaktadır. Bununla birlikte kaynak başka bir yerde mimariyi “7-11-4” olarak özetlemektedir. Bu ifade iki gizli katman anlatımıyla tam olarak aynı mimari tarifini vermediğinden Verianla metni model mimarisini kaynakta geçen iki sunum biçimiyle birlikte değerlendirir; aradaki belirsizlik yeni bir katman yapısı uydurularak kapatılmaz.

Drag reduction tahmin performansı

29 °C'de, DRA1–DRA3 ve 25–200 ppm koşullarındaki parity analizinde KAN için DR tahmininde \(R^2=0,9753\), MSE = 3,1512, RMSE = 1,7752 ve MAE = 1,3082 raporlanmıştır. Kaynakta tahminlerin büyük bölümünün ±%10 sapma sınırları içerisinde kaldığı belirtilmektedir.

Sıcaklık 4–41 °C arasında değiştirildiğinde DR tahmini için \(R^2=0,9413\), MSE = 7,9508, RMSE = 2,1897 ve MAE = 2,0157 bildirilmiştir. Farklı borular arasında 29 °C sabit sıcaklık karşılaştırmasında ise DR için \(R^2=0,8362\), MSE = 8,9486, RMSE = 2,9914 ve MAE = 2,3420 raporlanmıştır. Bu daha düşük \(R^2\), boru çapı, pürüzlülük ve hidrodinamik koşullar değiştiğinde modelleme probleminin zorlaştığını gösteren kaynak bulgusudur.

Pompalama gücü tahmin performansı

Üç DRA ve 4–41 °C sıcaklık aralığındaki PPR parity analizinde \(R^2=0,9318\), MSE = 6,0850, RMSE = 2,4668 ve MAE = 1,9940 raporlanmıştır. Sabit \(Q=3980\) L/h koşulunda yapılan başka bir PPR değerlendirmesinde \(R^2=0,9687\), MSE = 4,2353, RMSE = 2,0580 ve MAE = 1,5669 elde edilmiştir.

Bu iki R² değeri birbiriyle çelişen tek bir performans değeri olarak görülmemelidir; farklı değerlendirme koşullarına aittir. Kaynağın özet ve sonuç bölümünde genel PPR tahmin performansı vurgusu için \(R^2=0,9318\) değeri kullanılmıştır.

CFD deneysel sürükleme azaltımını ne kadar yakaladı?

DRA1'in 150 ppm koşulunda 4–41 °C arasında yapılan karşılaştırmalarda CFD ve deneysel DR eğrileri benzer genel eğilim göstermiştir. Örneğin kaynak, 4 °C'de CFD'nin yaklaşık %10–38, deneyin %12–40; 15 °C'de CFD'nin %15–43, deneyin %16–44; 29 °C'de CFD'nin %20–48, deneyin %21–49 düzeyinde değiştiğini raporlamaktadır.

DRA2 ve DRA3 için yapılan doğrulamalarda da CFD ve deney arasında genel eğilim korunmuş; kaynak bu karşılaştırmalardaki farkları yaklaşık ±%10–15 aralığında nitelemiştir. Özellikle yüksek DRA derişiminde farkların artması, kullanılan güç yasası modelinin polimer elastisitesi ve zincir dinamiğinin tamamını temsil etmemesiyle ilişkilendirilmiştir.

DRA derişimi arttığında ne oldu?

Kaynak Tablo 9'da 25–200 ppm aralığında deneysel ve CFD basınç düşümü/DR değerleri karşılaştırılmaktadır. En yüksek raporlanan çalışma noktalarından birinde, Reynolds sayısı 16.777,77 ve 200 ppm koşulunda deneysel DR %44,06, CFD sonucu %44,2 olarak verilmiştir; ilgili hata %0,3 olarak raporlanmıştır.

Düşük ve orta derişimlerde CFD deneysel eğilimi yakından izlerken, yüksek polimer derişiminde fiziksel modelin eksikleri daha görünür hale gelmektedir. Yazarlar özellikle polimer zincir kırılması, değişen moleküler ağırlık, elastisite, gevşeme süresi ve türbülans anizotropisinin doğrusal eddy-viscosity kapanışıyla tam temsil edilememesini sınırlılık olarak tartışmaktadır.

Duvar yakınındaki türbülans göstergeleri

Çalışmada \(y^+\), türbülans dissipasyon oranı ve türbülans kinetik enerjisi DRA1, DRA2 ve DRA3 için 25, 75 ve 200 ppm koşullarında CFD konturlarıyla karşılaştırılmıştır. Sayfa 27–29'daki Şekil 21–23, boru kesitlerinde bu büyüklüklerin dağılımlarını göstermektedir.

Kaynakta 200 ppm'de maksimum türbülans dissipasyon oranının DRA1 için yaklaşık 3,81, DRA2 için 4,71 ve DRA3 için 6,25 olarak verildiği görülmektedir. Türbülans kinetik enerjisi üretiminde ise 75 ppm civarında daha yüksek değerler, 200 ppm'de daha düşük değerler raporlanmakta ve yazarlar bunu yüksek DRA derişiminde girdap oluşumunun ve hız dalgalanmalarının zayıflamasıyla yorumlamaktadır.

Ancak sonuç bölümündeki “200 ppm ve 41 °C'de \(y^+\) 246'dan 1'e düştü” ifadesi, Şekil 21'i açıklayan metindeki 200 ppm \(y^+\) aralıklarıyla açık biçimde örtüşmemektedir. Bu nedenle bu sayı Verianla'da kaynak içi tutarsızlık uyarısı olmadan kesin fiziksel sonuç olarak genellenmemelidir.

Enerji tasarrufu ve PPR

Kaynağın Şekil 25'ine göre sıcaklık 4 °C'den 41 °C'ye yükselirken enerji tasarrufu bütün DRA türlerinde artmaktadır. DRA1 için ES yaklaşık %1,5–3 düzeyinden %17–23'e; DRA2 için yaklaşık %2–3,5'ten %20–27'ye; DRA3 için yaklaşık %2,5–4'ten %23–30'a çıkmaktadır.

Şekil 26'da PPR da sıcaklık ve Reynolds sayısıyla artan bir eğilim göstermektedir. Kaynak DRA1 için yaklaşık 2–4 W'tan 32–42 W'a, DRA2 için 2,5–4,5 W'tan 38–50 W'a ve DRA3 için 3–5 W'tan 45–55 W'a yükselme bildirmektedir. En yüksek PPR yaklaşık 55 W ile DRA3, 41 °C ve Reynolds sayısı yaklaşık \(1,8\times10^4\) koşulunda raporlanmıştır.

Çalışmanın ana sonucu

İncelenen parametre alanında en güçlü performans DRA3 için bildirilmiştir. Kaynak sonuç bölümü maksimum DR'yi %44,2, maksimum PPR'yi 55 W ve maksimum enerji tasarrufunu %30 olarak özetlemektedir. Akış oranı artışı da 5–10 L/gün olarak raporlanmaktadır.

Bu sonuçların önemli tarafı yalnız DRA3'ün yüksek performansı değildir. Çalışmanın ana metodolojik önerisi, ayrıntılı fakat hesaplama maliyetli CFD'nin fiziksel doğrulama ve veri üretimi için; daha hızlı KAN modelinin ise doğrulanmış parametre alanı içinde çok değişkenli tahmin için birlikte kullanılabilmesidir.

Bu çalışma gerçek bir endüstriyel boru hattında saha ölçeğinde doğrulandı mı?

Hayır. Çalışma yayımlanmış deneysel benchmark verileriyle doğrulanan CFD simülasyonlarını ve bu doğrulanmış parametre alanından oluşturulan verilerle eğitilen KAN vekil modelini kullanmaktadır; yazarlar geniş deneysel ve gerçek saha ölçekli doğrulamayı gelecekte yapılması gereken temel çalışmalar arasında açıkça belirtmektedir.

Çalışmanın desteklediği sonuçlar

Çalışma, kendi incelenen koşulları içinde DRA eklenmesinin basınç düşümü, DR, PPR ve enerji tasarrufu üzerindeki değişimini CFD ile yeniden üretilebildiğini; DRA3'ün incelenen durumlarda en yüksek performansı verdiğini ve KAN'ın doğrulanmış parametre alanı içindeki karmaşık doğrusal olmayan ilişkileri faydalı doğrulukla yakalayabildiğini desteklemektedir.

Çalışma ayrıca mesh bağımsızlığı ve GCI analiziyle CFD'nin belirli küresel çıktılarındaki sayısal ağ belirsizliğinin düşük düzeye indirildiğine ilişkin kanıt sunmaktadır.

Çalışmanın desteklemediği genellemeler

Bu çalışma herhangi bir ham petrol boru hattında DRA3'ün mutlaka %44,2 sürükleme azaltımı veya 55 W güç tasarrufu sağlayacağını göstermez. Sonuçlar incelenen boru geometrileri, akışkan modeli, sıcaklıklar, Reynolds sayıları ve DRA parametreleriyle sınırlıdır.

KAN'ın eğitim aralığının dışındaki koşullarda güvenilir ekstrapolasyon yaptığı da gösterilmemiştir. Kaynak model varsayımları açık biçimde KAN tahminlerinin esas olarak model geliştirmede kullanılan giriş aralıklarında güvenilir kabul edildiğini ve bu aralığın dışına ekstrapolasyonun değerlendirilmediğini belirtmektedir.

Çalışma polimer zincir kırılmasını CFD'de doğrudan çözmemekte; güç yasası yaklaşımı da elastik polimer dinamiğinin tamamını temsil etmemektedir. Bu nedenle yüksek DRA konsantrasyonu ve yüksek DR rejimlerindeki fiziksel davranış daha gelişmiş viskoelastik ve türbülans modelleri gerektirebilir.

Gelecek çalışmalar

Yazarlar daha geniş Reynolds sayısı, sıcaklık, basınç, geometri, pürüzlülük ve ham petrol özelliklerinde deneysel ve saha doğrulaması önermektedir. DRA moleküler ağırlığı, yapı, çözünürlük ve uzun dönem mekanik/termal stabilitenin daha ayrıntılı incelenmesi de öneriler arasındadır.

Çerçevenin dikey, eğimli, kavisli ve değişken çaplı borulara; gaz-sıvı ve yağ-su-polimer çok fazlı sistemlere genişletilmesi önerilmektedir. Ayrıca daha büyük ve çeşitli veri kümeleriyle KAN'ın genelleme yeteneğinin geliştirilmesi, fizik güdümlü başka öğrenme yöntemleriyle karşılaştırılması ve gerçek zamanlı endüstriyel verilerle dijital ikiz uygulamalarının araştırılması gelecekteki çalışmalar arasında sayılmaktadır.

Kaynak ve Yöntem Notu

Özgün başlık: Pumping Power Reduction in Crude-Oil Pipeline Transportation: CFD Validation and Kolmogorov–Arnold Network Surrogate Modelling.

Yazarlar: Fazeel Ahmad; Georgios E. Stavroulakis; Amir H. Mohammadi; David Lokhat.

Corresponding author: Fazeel Ahmad.

Kurumlar: University of KwaZulu-Natal, Güney Afrika; University of Wah, Pakistan; Technical University of Crete, Yunanistan; Khazar University, Azerbaycan.

Dergi: Eng.

Yayınevi: MDPI, Basel, İsviçre.

Yayın bilgisi: 2026, Cilt 7, Sayı 9, Makale 453.

Yayın tarihi: 4 Eylül 2026.

DOI: 10.3390/eng7090453.

Kaynak türü: Hakemli mühendislik araştırma makalesi; deneysel benchmark doğrulaması, CFD simülasyonu ve makine öğrenmesi tabanlı vekil modelleme.

Lisans: Creative Commons Attribution 4.0 International (CC BY 4.0). Telif hakkı yazarlara aittir.

Temel yazılım: ANSYS Fluent 24 Academic.

Temel CFD modeli: RANS tabanlı SST k-ω iki denklemlik türbülans modeli.

Temel ML modeli: Çok çıktılı Kolmogorov–Arnold Network (KAN), öğrenilebilir B-spline bağlantıları.

Veri oluşturma: Deneysel benchmark ile doğrulanan CFD parametre alanında Latin Hypercube Sampling kullanılarak 1000 örnek.

Veri ayrımı: Kaynakta 800 eğitim ve 200 doğrulama örneği olarak %80/%20 bölünme raporlanmıştır; ayrıca bağımsız dış deneysel test gözlemlerinden söz edilmektedir.

Performans metrikleri: R², MSE, RMSE ve MAE.

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmiştir.

Veri erişilebilirliği: Veriler, üniversitenin araştırma politikası kısıtlamaları nedeniyle corresponding author'dan talep üzerine edinilebilir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını bildirmiştir.

Yazar katkıları: Fazeel Ahmad — özgün taslak, metodoloji, araştırma, CFD doğrulaması ve ML modelleme; Amir H. Mohammadi — danışmanlık, veri kürasyonu, araştırma, inceleme ve düzenleme; Georgios E. Stavroulakis — danışmanlık, KAN doğrulaması, inceleme ve düzenleme; David Lokhat — danışmanlık, fon edinimi, yazılım, inceleme ve düzenleme.

Temel yöntemsel sınır: Çalışma geniş kapsamlı gerçek saha doğrulaması değildir. CFD modeli polimer zincir kırılması, tam viskoelastik gerilme taşınımı ve bütün moleküler mekanizmaları çözmemektedir. KAN'ın güvenilirliği esas olarak eğitim ve doğrulamada kullanılan parametre alanıyla sınırlıdır.

Kaynak içi raporlama notu: Kaynakta 20 ppm/25–200 ppm ifadeleri, bazı DRA konsantrasyon listeleri, Şekil 23'te 2000 ppm/200 ppm yazımı, Denklem 15'in değişken açıklamaları, y+ sonuçlarının bazı bölümlerdeki sunumu ve 5-fold cross-validation tablolarının düzeni arasında iç tutarsızlıklar bulunmaktadır. Bu Verianla makalesi söz konusu boşlukları tahmin ederek düzeltmemiştir.

Görsel notu: Kaynağın CFD konturları, KAN mimarisi, mesh analizi ve enerji/PPR grafikleri bilimsel olarak önemlidir. CC BY lisansı uyarlamaya izin verse de Verianla için tercih edilen yöntem, kaynağa atıflı fakat görsel tasarımı bağımsız yeniden çizimlerdir.