РОЛЬ СУРОГАТНИХ МОДЕЛЕЙ І МАШИННОГО НАВЧАННЯ В СУЧАСНІЙ УЛЬТРАЗВУКОВІЙ ВИТРАТОМЕТРІЇ
DOI:
https://doi.org/10.20535/1970.67(1).2024.306728Ключові слова:
ультразвуковий витратомір, машинне навчання, сурогатна модель, профіль швидкостейАнотація
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 системи, потрібно прискорити її виконання (симуляцію). На заміну детальним моделям можна створити сурогатну. 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 ультразвукового 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 поправку 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 вимірювачів. 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 апроксимований профіль потоку, що має певне спотворення, і для обраної топології акустичних каналів зондування потоку програмно, шляхом зміни кута розташування вимірювальної системи відносно місцевого опору, визначити такі положення хорд, для яких можна отримати максимально можливу точність вимірювання. Це означає використання нейромережі для необхідної моделі корекції за вхідними даними, особливо в середовищах, що характеризуються зміною профілю швидкостей під впливом гідравлічних опорів.
Посилання
S. J. Qin, L. H. Chiang, “Advances and opportunities in machine learning for process data analytics,” Comput. Chem. Eng., 126, pp. 465–473, 2019. DOI: 10.1016/j.compchemeng.2019.04.003
C. Shang, F. You, “Data analytics and machine learning for smart process manufacturing: recent advances and perspectives in the big data era,” Engineering, 5(6), pp. 1010–1016, 2019. DOI: 10.1016/j.eng.2019.01.019
C. Tsay, M. Baldea, “110th anniversary: Using data to bridge the time and length scales of process systems,” Ind. Eng. Chem. Res., 58, pp. 16696–16708, 2019. DOI: 10.1021/acs.iecr.9b02282
A.M. Schweidtmann, E. Esche, A. Fischer, M. Kloft, J.-U. Repke, S. Sager, A. Mitsos, “Machine learning in chemical engineering: A perspective,” Chem. Ing. Tech., 93 (12), pp. 2029–2039, 2021b. DOI: 10.1002/cite.202100083
A. Thebelt, J. Wiebe, J. Kronqvist, C. Tsay, R. Misener, “Maximizing information from chemical engineering data sets: Applications to machine learning,” Chem. Eng. Sci., 252, 117469, 2022b. DOI: 10.1016/j.ces.2022.117469
F. Cerdas, S. Thiede, C. Herrmann, “Integrated computational life cycle engineering - application to the case of electric vehicles,” CIRP Ann 67(1), pp. 25–28, 2018. DOI:10.1016/ j.cirp.2018.04.052
T. Wuest, C. Irgens, K. D. Thoben, “An approach to monitoring quality in manufacturing using supervised machine learning on product state data,” J Intell Manuf 25(5), pp. 1167–1180, 2014. DOI: 10.1007/s10845-013-0761-y
T. T. Ademujimi, M. P. Brundage, V. V. Prabhu, “A review of current machine learning techniques used in manufacturing diagnosis”, in: H. Lodding, R. Riedel, K. D. Thoben, G. von Cieminski, D. Kiritsis (eds), Advances in production management systems. The path to intelligent, collaborative and sustainable manufacturing, Springer International Publishing, Cham, pp. 407– 415, 2017.
D. Weichert, P. Link, A. Stoll, S. Ruping, S. Ihlen-feldt, S. Wrobel, “A review of machine learning for the optimization of production processes,” Int J Adv Manuf Technol, 104(5), pp. 1889–1902, 2019. DOI: 10.1007/s00170-019-03988-5
G. Hinton, L. Deng, D. Yu, G. E. Dahl, A.-r. Mohamed, N. Jaitly, A. Senior, V. Vanhoucke, P. Nguyen, & T. N. Sainath, “Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups,” IEEE Sig-nal processing magazine, 29(6), pp. 82-97, 2012.
B. Yazdanshenasshad, & M. Safizadeh, “Neural-network-based error reduction in calibrating utility ultrasonic flow meters,” Flow Measurement and Instrumentation, 64, pp. 54-63, 2018. DOI: 10.1016/j.flowmeasinst.2018.10.003
J. Lu, L. Liu, G. Chen, J. Li, C. Li, & Y. Liu, “Flow calibration method for gas-liquid two-phase flow of Coriolis flowmeter based on LSTM,” Journal of Physics: Conference Series, 2022. DOI: 10.1088/1742-6596/2369/1/012031
H. S. Park, Y. W. Park, O. H. Kwon, & S. H. Park, “Applying Clustered KNN Algorithm for Short-Term Travel Speed Prediction and Reduced Speed Detection on Urban Arterial Road Work Zones,” Journal of Advanced Transportation, 2022. DOI: 10.1155/2022/1107048
V. Kumar, M. K. Parida, R. Goswami, & D. Deb, “Model for predicting the threshold voltage of tunnel field-effect transistors using linear regression,” Journal of Electronic Materials, 50, pp. 6015-6019, 2021. https://link.springer.com/article/10.1007/s11664-021-09189-9
D. Li, & C. Ma, “Research on lane change predic-tion model based on GBDT,” Physica A: Statistical Mechanics and Its Applications, 608, 128290, 2022. DOI: 10.1016/j.physa.2022.128290
I. Gryshanova, “A Computational Investigation of Flow Meters,” in Proc. of 15th Int. Flow Measurement Conference 2010, FLOMEKO 2010, Taipei, Taiwan, pp. 888-895, 2010.
Ranzato Marc'Aurelio, Christopher Poultney, Sumit Chopra and Yann LeCun, “Efficient Learning of Sparse Representations with an Energy-Based Model,” in J. Platt et al. (Eds), Advances in Neural Information Processing Systems (NIPS 2006), MIT Press, 2006.
Y. LeCun, L. Bottou, G. Orr and K. Muller, “Efficient BackProp,” in G. Orr, and K. Muller (Eds), Neural Networks: Tricks of the trade, Springer, 1998
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Ірина Гришанова
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторське право на публікацію залишається за авторами.
Автори можуть використовувати власні матеріали в інших публікаціях за умови посилання на збірник наукових праць "Вісник Київського політехнічного інституту. Серія ПРИЛАДОБУДУВАННЯ" як на перше місце видання та на Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» як на видавця.
Автори публікують свої статті в збірнику на умовах ліцензії Creative Commons:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY 4.0, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на динаміці цитування опублікованої роботи.
Видавець (КПІ ім. Ігоря Сікорського) має право за будь-якого використання цього видання зазначати своє ім'я або вимагати такого зазначення.
Редакційна колегія залишає за собою право розміщувати опубліковані в збірнику статті в різних інформаційних базах для надання відкритого доступу до матеріалів з метою популяризації наукових досліджень та підвищення цитованості авторів.
