Teknik untuk mengenali minyak dan corak aliran gas dalam satu paip adalah diperlukan dalam minyak dan gas industri untuk memantau keadaan bagi minyak dan gas dalam sistem paip. Sebarang kesilapan atau pincang tugas mungkin membawa kepada kerugian besar dan membahayakan nyawa dan persekitaran. Umumnya terdapat banyak corak aliran seperti homogen, penuh, strata, gelembung, teras dan anulus. Teknik tomografi kemuatan elektrik (TKE) telah digunakan secara meluas dalam pengambilan data keratan rentas bagi paip. Rangkaian Neural Buatan (RNB) telah digunakan untuk mengecam aliran pola-pola. Projek ini menggunakan Perceptron berbilang lapisan (MLP) sebagai model RNB. MLP dilatih, disahkan, dan diuji dengan data TKE. Data TKE dibahagi kepada tiga kumpulan iaitu latihan, pengesahan, dan ujian. Perisian Matlab digunakan bagi membina seni bina MLP. Algoritma pembelajaran yang digunakan untuk projek ini ialah algoritma Levenberg Marquardt dan algoritma Quasi Newton. Keputusan menunjukkan bahawa MLP yang telah dilatih mampu memberikan ketepatan pengkelasan aliran minyak-gas sebanyak 99.102%. Ini menunjukkan bahawa MLP sesuai digunakan untuk proses pengkelasan dan pengecaman colak aliran minyak-gas.
___________________________________________________________________________________
The technique to recognize the oil and gas flow pattern in a pipe is needed in the oil and gas industry to monitoring the condition of the oil and gas pipe system. Any mistake or malfunction may lead to serious loss and endanger the workers and environments. Generally there are lots of flow pattern such as Empty, Full, Stratified, Bubble, Core and Annular. The Electrical Capacitance Tomography (ECT) technique is used to take the cross sectional data of the pipe. The Artificial Neural Networks (ANNs) is used to recognize the flow patterns. This project uses the Multilayer Perceptron (MLP) as the ANNs model. The MLP is trained, validated, and tested with the ECT data. The ECT data is divided into three groups, training, validation, and testing. The Matlab software is used to build the MLP architecture. The learning algorithms used for this project is the Levenberg-Marquardt algorithms and the Quasi-Newton algorithms. Result show that trained MLP is able to give a percentage of accuracy of 99.102% in oil and gas flow pattern recognition. This shows that the MLP is suitable to be used in the oil and gas flow pattern recognition.