Роль сурогатних моделей і машинного навчання в сучасній ультразвуковій витратометрії
| dc.contributor.author | Гришанова, І. А. | |
| dc.date.accessioned | 2024-11-07T11:53:58Z | |
| dc.date.available | 2024-11-07T11:53:58Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | 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. | |
| dc.description.abstractother | They have particular use where numerical simulations are involved and fast, more accurate predictions and optimized models are very much needed. In order to speed up experiments on a device or system model, it is necessary to speed up its execution (simulation). Instead of detailed models, you can create a surrogate. Its main task is fast execution, small amount of occupied memory and preservation of the specified error threshold in relation to the detailed model. This article demonstrates the integration of machine learning into the flow measurement process using ultrasonic flowmeters. The main source of errors in the application of the modern ultrasonic principle of flow measurement arises from the difficulty of taking into account the actual velocity profile of the measuring flow. In practice, the distribution of velocities in the cross-section of the pipeline differs from the theoretical one introduced in the calculation algorithm. However, if the velocity profile is known, an appropriate correction can be estimated and taken into account during calibration. This will increase the accuracy of measurements. In this study, an intelligent compensation of errors caused by profile distortion was presented to improve the accuracy of using multipath meters in such ultrasonic conditions. The purpose of such an intelligent correction arises in the search for the optimal layout and the minimum sufficient number of chords in the measuring transducer for various installation conditions. The adoption of a new approach based on a surrogate model with a neural network made it possible to take an approximate flow profile that has a certain distortion. So, for the chosen topology of the acoustic flow sensing channels, programmatically, by changing the location angle of the measuring system, instead of the local resistance, add such a position of the chords for which it is possible to set maximum admissible measurement accuracy. This means using a neural network for the required input correction model, especially in an environment characterized by a change in the velocity profile under the influence of different flow distortions. | |
| dc.format.pagerange | С. 40-48 | |
| dc.identifier.citation | Гришанова, І. А. Роль сурогатних моделей і машинного навчання в сучасній ультразвуковій витратометрії / Гришанова І. А. // Вісник КПІ. Серія Приладобудування : збірник наукових праць. – 2024. – Вип. 67(1). – С. 40-48. – Бібліогр.: 18 назв. | |
| dc.identifier.doi | https://doi.org/10.20535/1970.67(1).2024.306728 | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/70422 | |
| dc.language.iso | uk | |
| dc.publisher | КПІ ім. Ігоря Сікорського | |
| dc.publisher.place | Київ | |
| dc.relation.ispartof | Вісник КПІ. Серія Приладобудування : збірник наукових праць, Вип. 67(1) | |
| dc.title | Роль сурогатних моделей і машинного навчання в сучасній ультразвуковій витратометрії | |
| dc.type | Article |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: