Огляд методів машинного навчання для задач автоматизованого вимірювання витрати

Abstract

Наукова стаття присвячена огляду наукових праць за останні 25 років, в яких методи машинного навчання використовувались (як основні чи допоміжні методи дослідження) для вирішення різноманітних задач автоматизованого вимірювання витрати плинних середовищ. Одним із основних критеріїв при відборі наукових праць слугував той факт, що системи вимірювання витрати були побудовані на базі або ультразвукових витратомірів або на базі методу змінного перепаду тиску. За результатами аналізу відібраних 42 наукових праць, авторами створено класифікацію сфер застосування методів машинного навчання для вирішення задач автоматизованого вимірювання витрати. До цієї класифікації увійшли наступні п’ять сфер (із відсотковою часткою праць серед всього загалу, які репрезентували конкретну сферу): сфера прогнозування витрати (38 %), сфера адаптивного вимірювання (26 %), сфера удосконалення процесу калібрування (12 %), сфера розрахунку параметрів потоку (7 %), сфера нових підходів щодо вимірювання витрати (17 %).Ще одним результатом проведеного в роботі аналізу наукових праць, стало виокремлення штучних нейронних мереж (в основному багатошарових), як одного із методів машинного навчання, який найчастіше застосовувався (майже в половині праць, 47 %) і найкраще підходить (маючи чудову здатність до складного нелінійного відображення між виходом і входом витратоміра) для подальших досліджень авторів у сфері прогнозування витрати – розрахунку змінних вагових коефіцієнтів акустичних каналів хордових ультразвукових витратомірів. Для досягнення цієї мети, авторами було виконано підготовчу роботу вже в цій оглядовій статті: 1) додатково розширено підхід інтегрування швидкостей ультразвукових витратомірів сфери прогнозування на два напрями – прямого і непрямого визначення вагових коефіцієнтів акустичних каналів хордових ультразвукових витратомірів; 2) сформовано мету подальших досліджень, яка включає синтез оптимальної архітектуру штучної нейронної мережі (для конкретного витратоміра та умов його роботи) та отримання достатнього набору навчальних даних за результатами CFD-моделювання структури спотвореного потоку.