Методологія застосування штучних нейронних мереж для підвищення точності ультразвукових витратомірів

Abstract

Стаття присвячена розробці методології застосування штучних нейронних мереж для підвищення точності вимірювання витрати багатоканальних хордових ультразвукових витратомірів в умовах складних спотворень структури потоку. Проведений в роботі аналіз наукових праць за темою дослідження, дозволив сформувати концептуальні запитання, відповіді на які формують кроки такої методології. Використовуючи розроблену в роботі методологію, в науковій статті наведено конкретний приклад із детальним висвітленням відповідей на кожне з цих питань. В прикладі досліджено чотириканальний хордовий ультразвуковий витратомір встановлений на відстані 0D після місцевого опору «два коліна в різних площинах» (виступає в ролі джерела спотворення структури потоку). Для порівняння ефективності «роботи» тришарової штучної нейронної мережіпрямого розповсюдження сигналу для інтегрування швидкостей багатоканального ультразвукового витратоміра, в роботі проведено таке ж інтегрування із застосуванням числового методу Гауса-Якобі. Результати порівняння, проведені із використанням CFD-пакета Flow Simulations Solid Works та MATLAB, вказують на те, що в цьому конкретному випадку, описана штучна нейронна мережа спроможна інтегрувати швидкості спотвореного потоку з похибкою ±1 % на всьому навчальному діапазоні масової витрати 0,0013…0,2175 кг/с. При цьому, числовий метод інтегрування Гауса-Якобі за таких самих умов дає похибку більшу за 5 %. Такий результат методології застосування штучних нейронних мереж для інтегрування швидкостей ультразвукових витратомірів в умовах спотворень структури потоку, дозволяє стверджувати, що машинне навчання може бути застосоване для розробки алгоритмів розрахунку витрати, що адаптуються до конкретних умов роботи витратомірів цього типу шляхом перенавчання (за потреби) нейромережі. На додачу, цей процес є досить гнучким, адже відтворити складні умови експлуатації ультразвукового витратоміра, задля створення навчальних даних, займає набагато менше часу, аніж проведення реальних експериментів в лабораторних чи виробничих умовах.