Вісник КПІ. Серія Приладобудування: збірник наукових праць, Вип. 67(1)
Постійне посилання зібрання
Переглянути
Перегляд Вісник КПІ. Серія Приладобудування: збірник наукових праць, Вип. 67(1) за Автор "Гришанова, І. А."
Зараз показуємо 1 - 1 з 1
Результатів на сторінці
Налаштування сортування
Документ Відкритий доступ Роль сурогатних моделей і машинного навчання в сучасній ультразвуковій витратометрії(КПІ ім. Ігоря Сікорського, 2024) Гришанова, І. А.Останні розробки в галузі машинного навчання знайшли своє застосування у широкому спектрі процесів проєктування. Особливе використання вони мають там, де задіяні числові симуляції й дуже потрібні швидкі, більш точні прогнози та оптимізовані моделі. Щоб прискорити експерименти над моделлю приладу або сис- теми, потрібно прискорити її виконання (симуляцію). На заміну детальним моделям можна створити сурога- тну. Її основне завдання – швидкісне виконання, невеликий обсяг необхідної пам'яті та дотримання заданої границі помилки щодо детальної моделі. У цій статті демонструється інтеграція машинного навчання в процес вимірювання витрати потоків з використанням ультразвукових витратомірів. Основне джерело похибок при застосуванні сучасного ультра- звукового принципу вимірювання витрати полягає в складності врахування фактичного профілю швидкості вимірюваного потоку. На практиці розподіл швидкостей в поперечному перерізі трубопроводу відрізняється від теоретичного, введеного в алгоритм розрахунку. Однак, якщо відомий профіль швидкості, відповідну по- правку можна оцінити та врахувати під час калібрування. Це підвищить точність вимірювань. У цьому дослідженні була представлена інтелектуальна компенсація похибок, викликаних спотворенням профілю, для підвищення точності використовуваних в таких умовах ультразвукових багатопроменевих вимі- рювачів. Мета такої інтелектуальної корекції полягає в пошуку оптимального компонування та мінімально достатньої кількості хорд у вимірювальному перетворювачі за різних умов інсталяції. Прийняття нового підходу на базі сурогатної моделі з нейронною мережею дало можливість взяти апро- ксимований профіль потоку, що має певне спотворення, і для обраної топології акустичних каналів зондування потоку програмно, шляхом зміни кута розташування вимірювальної системи відносно місцевого опору, визна- чити такі положення хорд, для яких можна отримати максимально можливу точність вимірювання. Це озна- чає використання нейромережі для необхідної моделі корекції за вхідними даними, особливо в середовищах, що характеризуються зміною профілю швидкостей під впливом гідравлічних опорів.