Показати скорочену інформацію

Огляд методів машинного навчання для задач автоматизованого вимірювання витрати

dc.contributor.authorРоман, В. І.uk
dc.contributor.authorБугайчук, М. І.uk
dc.date.accessioned2026-04-07T13:00:56Z
dc.date.available2026-04-07T13:00:56Z
dc.date.issued2025
dc.identifier.citationРоман В. І., Бугайчук М. І. Огляд методів машинного навчання для задач автоматизованого вимірювання витрати // Наукові праці Вінницького національного технічного університету. Елект. текст. дані (PDF: 566 КБ). 2025. № 4. URI: https://praci.vntu.edu.ua/index.php/praci/article/view/884.uk
dc.identifier.issn2307-5376
dc.identifier.urihttps://ir.lib.vntu.edu.ua//handle/123456789/51110
dc.description.abstractНаукова 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.uk
dc.language.isouk_UAuk_UA
dc.publisherВНТУuk
dc.relation.ispartofНаукові праці Вінницького національного технічного університету. № 4.uk
dc.relation.urihttps://praci.vntu.edu.ua/index.php/praci/article/view/884
dc.subjectмашинне навчанняuk
dc.subjectвимірювання витратиuk
dc.subjectштучні нейронні мережіuk
dc.subjectультразвуковий витратомірuk
dc.subjectметод змінного перепаду тискуuk
dc.subjectштучний інтелектuk
dc.subjectпрогнозування витратиuk
dc.subjectзмінні вагові коефіцієнтиuk
dc.titleОгляд методів машинного навчання для задач автоматизованого вимірювання витратиuk
dc.typeArticle, professional native edition
dc.typeArticle
dc.identifier.udc681.121.89.082.4
dc.relation.referencesISO 17089-1:2019. Measurement of fluid flow in closed conduits –Ultrasonic meters for gas. Part 1: Meters for custody transfer and allocation measurement. Geneva : International Organization for Standardization, 2019. 114 p.en
dc.relation.referencesThilagavathi S., Rahul R. R. Machine Learning with Applications. International Journal for Research in Applied Science & Engineering Technology (IJRASET). 2025. No13 (5). P. 7220–7224. DOI: 10.22214/ijraset.2025.71812.en
dc.relation.referencesKomaragiri Srinivasa Raju, Dasika Nagesh Kumar. Artificial Intelligence and Machine Learning Techniques in Engineering and Management. Singapore: Springer, 2025. 266 p. DOI: 10.1007/978-981-96-2621-2.en
dc.relation.referencesSarker I. H. Machine Learning: Algorithms, Real-World Applications and Research Directions. SN COMPUT. SCI. 2021. No2 (160). DOI: 10.1007/s42979-021-00592-x.URL: https://link.springer.com/article/10.1007/s42979-021-00592-x.en
dc.relation.referencesMishra A. A Comprehensive Review of Artificial Intelligence and Machine Learning: Concepts, Trends, and Applications. International Journal of Scientific Research in Science and Technology. 2024. No11 (5). P. 126–142. DOI: 10.32628/IJSRST2411587.en
dc.relation.referencesRazzaq K., Shah M. Machine Learning and Deep Learning Paradigms: From Techniques to Practical Applications and Research Frontiers. Computers. 2025. No14 (3). DOI: 10.3390/computers14030093.URL: https://www.mdpi.com/2073-431X/14/3/93.en
dc.relation.referencesLuntta E., Halttunen J. Neural network approach to ultrasonic flow measurements. Flow Measurement and Instrumentation. 1999. No 10. P. 35–43. DOI: 10.1016/S0955-5986(98)00035-1.en
dc.relation.referencesANN Based Data Integration for Multi-Path Ultrasonic Flowmeter / H. Zhao et al. IEEE Sensors Journal. 2014. No14 (2). P. 362–370. DOI:10.1109/JSEN.2013.2282466.en
dc.relation.referencesSupport Vector Regression-Based Data Integration Method for Multipath Ultrasonic Flowmeter / H. Zhao et al. IEEE Transactions on Instrumentation and Measurement.2014. No63 (12). P. 2717–2725. DOI: 10.1109/TIM.2014.2326276.en
dc.relation.referencesData integration for multi-path ultrasonic flowmeter based on Levenberg-Marquardt algorithm / Xiaoyu Tang et al. IET Sci. Meas. Technol.2015. No9 (8). P. 1–12. DOI: 10.1049/iet-smt.2015.0060.en
dc.relation.referencesOptimization of Neural Network by Genetic Algorithm for Flowrate Determination in Multipath Ultrasonic Gas Flowmeter / L. Hu et al. IEEE Sensors Journal. 2016. No16 (5). P. 1158–1167. DOI: 10.1109/JSEN.2015.2501427.en
dc.relation.referencesApplication of extreme learning machine to gas flow measurement with multipath acoustic transducers / Qin Longhui et al. Flow Measurement and instrumentation. 2016. No 49. P. 31–39. DOI:10.1016/j.flowmeasinst.2016.03.003.en
dc.relation.referencesYeh T.T., Espina P.I., Osella S.A. An intelligent ultrasonic flowmeter for improved flow measurement and flow calibration facility.IMTC 2001. Proceedings of the 18th IEEE Instrumentation and Measurement Technology Conference. Rediscovering Measurement in the Age of Informatics, Budapest, Hungary, 21-23 May 2001. DOI: 10.1109/IMTC.2001.929499.URL: https://ieeexplore.ieee.org/document/929499.en
dc.relation.referencesYeh T.T., Espina P.I., Osella S.A. An intelligent ultrasonic flowmeter for improved flow measurement and flow calibration facility.IMTC 2001. Proceedings of the 18th IEEE Instrumentation and Measurement Technology Conference. Rediscovering Measurement in the Age of Informatics, Budapest, Hungary, 21-23 May 2001. DOI: 10.1109/IMTC.2001.929499. URL: https://ieeexplore.ieee.org/document/929499.en
dc.relation.referencesNgoctan Tran, Chi-Chuan Wang. Enhancement of the accuracy of ultrasonic flowmeters by applying the PCA algorithm in predicting flow patterns. Measurement Science and Technology.2021. No32(8). DOI:10.1088/1361-6501/abf95d. URL: https://iopscience.iop.org/article/10.1088/1361-6501/abf95d.en
dc.relation.referencesXu Z.,Li M. Accuracy of a multipath ultrasonic flowmeter with deep learning based on the velocity profile. Sensor Review. 2024. No44(1). P. 13–21. DOI: 10.1108/SR-08-2022-0306.en
dc.relation.referencesPredicting oil flow rate through orifice plate with robust machine learning algorithms / Abouzar Rajabi Behesht Abad et al.Flow Measurement and Instrumentation. 2021. No81. DOI:10.1016/j.flowmeasinst.2021.102047.URL: https://www.sciencedirect.com/science/article/abs/pii/S0955598621001527?via%3Dihub.en
dc.relation.referencesMultiphase flow measurement of wet gas flow using machinelearning modelling algorithms / Seyedahmad Hosseini et al. Measurement: Sensors. 2025. No38. DOI:10.1016/j.measen.2024.101556. URL: https://www.sciencedirect.com/science/article/pii/S2665917424005324?via%3Dihub.en
dc.relation.referencesMachine learning for fluid flow reconstruction from limited measurements / P. Dubois et al. Journal of Computational Physics. 2022. No 448. DOI:10.1016/j.jcp.2021.110733. URL: https://www.sciencedirect.com/%0bscience/article/abs/pii/S0021999121006288?via%3Dihub.en
dc.relation.referencesDiscetti S., Liu Yingzheng. Machine learning for flow field measurements: a perspective. Measurement Science and Technology. 2023. No34 (2). DOI: 10.1088/1361-6501/ac9991. URL: https://iopscience.iop.org/%0barticle/10.1088/1361-6501/ac9991.en
dc.relation.referencesApplication of artificial neural network to multiphase flow metering: A review / Siamak Bahrami et al. Flow Measurement and Instrumentation. 2024. No97. DOI:10.1016/j.flowmeasinst. 2024. 102601. URL: https://www.sciencedirect.com/science/article/abs/pii/S0955598624000815?via%3Dihub.en
dc.relation.referencesSani A. A., Wahab M. M. A., Shafiq N. Comparative Analysis of Machine Learning Algorithms for Flow Rate Prediction in Optimizing Pipeline Maintenance Strategies. Engineering Proceedings. 2025. No87 (1). DOI:10.3390/engproc2025087037. URL: https://www.mdpi.com/2673-4591/87/1/37.en
dc.relation.referencesYan-xia Wang, Zhi-hao Li, Ting-hu Zhang. Research of Ultrasonic Flow Measurement and Temperature Compensation System based on Neural Network. 2010 International Conference on Artificial Intelligence and Computational Intelligence, 23-24 Oct. 2010, Sanya, China. DOI:10.1109/AICI.2010.63. URL: https://ieeexplore.ieee.org/document/5656741.en
dc.relation.referencesYan-xia Wang, Zhi-hao Li. Temperature Compensation of Ultrasonic Flow Measurement Based on the Neural Network. 2009 International Conference on Artificial Intelligence and Computational Intelligence, 7-8 Nov. 2009, Shanghai, China. DOI:10.1109/AICI.2009.325. URL: https://ieeexplore.ieee.org/document/5376500.en
dc.relation.referencesPijush Dutta, Asok Kumar. Intelligent calibration technique using optimized fuzzy logic controller for ultrasonic flow sensor. Mathematical modelling of Engineering problems. 2017. No4(2). P. 91–94. DOI:10.18280/mmep.040205.en
dc.relation.referencesSanthosh K.V., Roy B.K. An Intelligent Flow Measurement Technique using Ultrasonic Flow Meter with Optimized Neural Network. International Journal of Control and Automation. 2012. No5(4). P. 185–195.en
dc.relation.referencesSanthosh K. V., Roy B. K. A Practically Validated Intelligent Calibration Technique using Optimized ANN for Ultrasonic Flow meter. International Journal on Electrical Engineering and Informatics. 2015. No7(3). P. 379–393. DOI: 10.15676/ijeei.2015.7.3.2.en
dc.relation.referencesNguyen T. H. L., Park S. Intelligent Ultrasonic Flow Measurement Using Linear Array Transducer With Recurrent Neural Networks. IEEE Access. 2020. No8. P. 137564–137573. DOI:10.1109/ACCESS.2020.3012037.en
dc.relation.referencesZhang T. Flow Measurement of Natural Gasin Pipeline Based on 1D-Convolutional Neural Network. Int J ComputIntell Syst.2020. No13. P. 1198–1206. DOI: 10.2991/ijcis.d.200803.002.en
dc.identifier.doihttps://doi.org/10.31649/2307-5376-2025-4-27-38


Файли в цьому документі

Thumbnail
Ім'я:
198172.pdf
Розмір:
566.4Kb
Формат:
PDF
Відкрити

Даний документ включений в наступну(і) колекцію(ї)

Показати скорочену інформацію