2024. — Т 16. — № 5 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://esj.today/22savn524.html

DOI: 10.15862/22SAVN524 (https://doi.org/10.15862/22SAVN524)

Полный текст статьи в формате PDF (объем файла: 710.3 Кбайт)


Ссылка для цитирования этой статьи:

Алексеев, Д. П. Использование машинного обучения для корректировки работы ультразвукового расходомера / Д. П. Алексеев, А. С. Кубенин // Вестник Евразийской науки. — 2024. — Т 16. — № 5. — URL: https://esj.today/PDF/22SAVN524.pdf. — DOI: 10.15862/22SAVN524. (дата обращения: 10.02.2025).


Использование машинного обучения для корректировки работы ультразвукового расходомера

Алексеев Дмитрий Павлович
ООО «СовТИГаз», Москва, Россия
Главный специалист
E-mail: alekseev210@yandex.ru
РИНЦ: https://elibrary.ru/author_profile.asp?id=687192

Кубенин Александр Сергеевич
ФГБУ «Научно-исследовательский институт строительной физики Российской академии
архитектуры и строительных наук», Москва, Россия
Ведущий научный сотрудник
ФГБОУ ВО «Московский государственный университет имени М.В. Ломоносова», Москва, Россия
Кандидат технических наук
E-mail: kube-n@mail.ru
РИНЦ: https://elibrary.ru/author_profile.asp?id=935093

Аннотация. В статье предложен и описан алгоритм корректировки работы ультразвукового расходомера. В отличие от обычных счетчиков газа, ультразвуковые расходомеры обладают такими преимуществами, как бесконтактный режим работы, минимальные потери давления и высокая точность. Использование методов интегрирования в теории ультразвуковых расходомеров накладывают свои требования к профилям скорости потока газа, проходящего через расходомер. Сильно искривленные профили приводят к большим погрешностям при измерении расхода газа, поэтому так важно уметь корректировать показания расходомеров при их работе на искривленном потоке вблизи различных местных сопротивлений. Авторами подробно описан алгоритм машинного обучения на основе Гаусовых процессов для эффективного предсказания поправочных коэффициентов расходомера. Приведены блок-схемы реализации предложенного метода. Метод основан на использовании обучающей выборки. В свою очередь, обучающая выборка представляет собой набор параметров, вычисляемых с помощью трехмерного компьютерного моделирования. Расчеты проведены для более 100 классов местных сопротивлений (одинарные отводы, двойные отводы в одной и разных плоскостях, диффузоры, конфузоры и прочие сочетания описанных местных сопротивлений), а также для более 30 000 условий установки УЗПР относительно местных сопротивлений. для всего набора условий установки преобразователя расхода в диапазоне чисел Рейнольдса 1E6-2E7. Проведен анализ эффективности работы методы для коррекции показаний ультразвукового расходомера. Показаны диаграммы распределения результатов предсказания K-фактора по погрешности. Показано, что более чем 70 % вариантов расположения УЗПР после местного сопротивления алгоритм определяет поправочный коэффициент с точностью менее 0,1 %. Разработанный и описанный алгоритм предсказания поправочных коэффициентов для корректировки значений измеряемого расхода природного газа позволяет с хорошей точностью вычислять поправочный коэффициент и тем самым нивелирует необходимость использования формирователей и выпрямителей потока перед ультразвуковыми расходомерами.

Ключевые слова: газоснабжение; ультразвуковой расходомер; вычислительная газодинамика; компьютерное моделирование; профиль потока; машинное обучение; Гаусовы процессы; местные сопротивления; корректирующий коэффициент

Скачать

Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

ISSN 2588-0101 (Online)

Уважаемые читатели! Комментарии к статьям принимаются на русском и английском языках.
Комментарии проходят премодерацию, и появляются на сайте после проверки редактором.
Комментарии, не имеющие отношения к тематике статьи, не публикуются.

Добавить комментарий