| dc.contributor.author | Роман, В. І. | uk |
| dc.contributor.author | Бугайчук, М. І. | uk |
| dc.contributor.author | Острей, Я. С. | uk |
| dc.date.accessioned | 2026-01-20T13:50:05Z | |
| dc.date.available | 2026-01-20T13:50:05Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | Роман В. І., Бугайчук М. І., Острей Я. С. Методологія застосування штучних нейронних мереж для підвищення точності ультразвукових витратомірів // Наукові праці Вінницького національного технічного університету. Електрон. текст. дані. 2025. № 2. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/809/763. | uk |
| dc.identifier.issn | 2307-5376 | |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/50516 | |
| dc.description.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. | uk |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Наукові праці Вінницького національного технічного університету. № 2. | uk |
| dc.relation.uri | https://praci.vntu.edu.ua/index.php/praci/article/view/809/763 | |
| dc.subject | методологія | uk |
| dc.subject | ультразвуковий витратомір | uk |
| dc.subject | машинне навчання | uk |
| dc.subject | штучна нейронна мережа | uk |
| dc.subject | інтегрування | uk |
| dc.subject | спотворений потік | uk |
| dc.subject | підвищення точності вимірювання | uk |
| dc.subject | хордові акустичні канали | uk |
| dc.title | Методологія застосування штучних нейронних мереж для підвищення точності ультразвукових витратомірів | uk |
| dc.type | Article, professional native edition | |
| dc.type | Article | |
| dc.identifier.udc | 81.121.89.082.4 | |
| dc.relation.references | Білинський Й. Й., Стеценко А. А. Огляд сучасних тенденцій розвитку ультразвукових лічильників. Наукові праці ВНТУ. 2024. No 4. URL: https://doi.org/10.31649/2307-5376-2024-4-1-10. | uk |
| dc.relation.references | ISO 17089-1:2019. Measurement of fluid flow in closed conduits –Ultrasonic meters for gas. Part 1: Meters for custody transfer and allocation measurement. –Replaces ISO 17089-1:2010 ; effective from 2019-08-01. –Official edition. –Geneva : International Organization for Standardization, 2019. –114 p. | en |
| dc.relation.references | Dong J.,SongB.,He F., Xu Y.,Wang Q.,Li W.,Zhang P. Research on a Hybrid Intelligent Method for Natural Gas Energy Metering. Sensors. 2023. No23(14). URL: https://doi.org/10.3390/s23146528. | en |
| dc.relation.references | DongJ.,SongB., HeF.,XuY.,WangQ., LiW., ZhangP.An Intelligent Ultrasonic Flowmeter: Theoretical Analysis and Field Tests. Social Science Research Network. 2022. URL: http://dx.doi.org/10.2139/ssrn.4108347. | en |
| dc.relation.references | Zhijia Xu, Minghai Li. Accuracy of a multipath ultrasonic flowmeter with deep learning based on the velocity profile. Sensor Review.2024. No44(1). P. 13–21. URL: https://doi.org/10.1108/SR-08-2022-0306. | en |
| dc.relation.references | Дранишников Л. В. Інтелектуальні методи в управлінні: навчальний посібник. Кам'янське: ДДТУ, 2018. 416 с. | uk |
| dc.relation.references | Luntta E., Halttunen J. Neural network approachto ultrasonic flow measurements. Flow Measurement and Instrumentation.1999. No10. P. 35–43. URL: https://doi.org/10.1016/S0955-5986(98)00035-1. | en |
| dc.relation.references | Yeh T.T., Espina P.I. AnIntelligent Ultrasonic Flow MeterforImproved Flow Measurementand Flow Calibration Facility. IEEE Instrumentation and Measurement Technology Conference, Budapest, Hungary, 21-23 May 2001. URL: https://doi.org/10.1109/IMTC.2001.929499. | en |
| dc.relation.references | Huichao Zhao, Lihui Peng, Tsuyoshi Takahashi, Takuya Hayashi, Kazuyoshi Shimizu, Toshihiro Yamamoto. ANN based data integration for multi-pathultrasonic flowmeter. IEEE SensorsJournal. 2014. No14(2). URL: https://doi.org/10.1109/JSEN.2013.2282466. | en |
| dc.relation.references | Pannel C.N., Evans C.N., Jackson D.A. A new integration technique for flowmeters with chordal paths. Flow Measurement Instrumentation. 1990. No1. P. 216–224. URL: https://doi.org/10.1016/0955-5986(90)90016-Z. | en |
| dc.relation.references | LiangHu, LonghuiQin, KaiMao, WenyuChen, XinFu. Optimization of Neural Network by Genetic Algorithm for Flowrate Determination in Multipath Ultrasonic Gas Flowmeter. IEEE SensorsJournal. 2016. No16(5), P. 1158–1167. URL: https://doi.org/10.1109/JSEN.2015.2501427. | en |
| dc.relation.references | LonghuiQin, LiangHu, KaiMao, WenyuChen, XinFu. Application of extremelearning machine to gas flow measurement with multipath acoustic transducers. Flow Measurement and instrumentation. 2016. No 49. P. 31–39. URL: https://doi.org/10.1016/j.flowmeasinst.2016.03.003. | en |
| dc.relation.references | LonghuiQin, LiangHu, KaiMao, WenyuChen, XinFu. Flow profile identification with multipath transducers. Flow Measurement and Instrumentation. 2016. No52. P. 148–156. URL: https://doi.org/10.1016/j.flowmeasinst.2016.09.018. | en |
| dc.relation.references | HeitmannF., JulingM., Steinbock J. Performance of the LDA Volumetric Flow Rate Standard Under Severely Disturbed Flow Conditions. Flow Measurement and Instrumentation. 2020. No74. URL: https://doi.org/10.1016/j.flowmeasinst.2020.101756. | en |
| dc.relation.references | Gryshanova I., Rak A., Korobko I. The investigation of the correction factor for ultrasonic flowmeters. Measurement. 2023. 219. URL: https://doi.org/10.1016/j.measurement.2023.113326. | en |
| dc.relation.references | Abramovitz M., Stegum I.Handbook of mathematica lfunction with for mulas, graphs, and mathematical tables. NewYork : NBS, 1964. 1046 p. URL: https://physicsgg.me/wp-content/uploads/2019/11/handbook-of-mathematical-functions-by-m.-abramowitz-i.-stegun.pdf. | en |
| dc.relation.references | Tresch T., Gruber P., Staubli T. Comparison of integration methods for multipath acoustic discharge measurements. VI International Conference on International Groupfor Hydraulic Efficiency Measurement (IGHEM), Portland, July 30 –August 1 2006. URL: https://www.ighem.org/Paper2006/d6.pdf. | en |
| dc.relation.references | Новотарський М.А., Нестеренко Б.Б. Штучні нейронні мережі: обчислення .Праці Інституту математики НАН України. Т50. Київ: Ін-т математики НАН України, 2004. 408 с. | uk |
| dc.relation.references | Mbeledogu N., Paul R. Development of a Simulated Artificial Neural Network Model for Stock Prediction. Open Access Library Journal. 2024. No11. P.1–18. URL: https://doi.org/10.4236/oalib.1111498. | en |
| dc.relation.references | MATLAB Help Center. URL: https://www.mathworks.com/help/matlab/ref/rng.html. | en |
| dc.relation.references | РоманВ.І., ПрокопівВ.О. Алгоритм побудови тривимірного макета ультразвукового витратоміра для його CFD-аналізу. Науковий журнал «Комп’ютерно-інтегровані технології: освіта, наука, виробництво».2023. No53. С.300–308. URL: https://doi.org/10.36910/6775-2524-0560-2023-53-44. | uk |
