<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

Методологія застосування штучних нейронних мереж для підвищення точності ультразвукових витратомірів

Ескіз

Файли

192799.pdf (861,97 KB)

Дата

2025

Автори



Назва журналу

Номер ISSN

Назва тому

Видавець

Вінницький національний технічний університет

DOI

Анотація

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.

Опис

Ключові слова

методологія , ультразвуковий витратомір , машинне навчання , штучна нейронна мережа , інтегрування , спотворений потік , підвищення точності вимірювання , хордові акустичні канали

УДК

81.121.89.082.4

Тип документа

Article, professional native edition
Article

Мова

uk_UA

Є частиною

Наукові праці Вінницького національного технічного університету. № 2.

ISSN

2307-5376

Бібліографічний опис

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.

URI

https://ir.lib.vntu.edu.ua/handle/123456789/50516

Зібрання

Наукові праці ВНТУ. 2025. № 2

Схвалення

Рецензія

Доповнено

Цитується в

Список використаної літератури (17)

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.