Methods of educational data formation for machine learning in cost measurement tasks

Abstract

Наукова стаття присвячена огляду способів отримання та оцінювання навчальних даних для методів машинного навчання в задачах вимірювання витрати. Встановлено, що впровадження методів машинного навчання у сферу вимірювання витрати плинних середовищ потребує наявності репрезентативних, фізично достовірних та об’ємних наборів навчальних даних. Адже ефективність штучних нейронних мереж та алгоритмів оптимізації безпосередньо залежить від якості вхідної вибірки, що описує складні гідродинамічні процеси, особливо в умовах спотворень структури вимірюваного потоку. Систематизувавши наявні підходи до генерації навчальних даних для задач витратометрії та виконавши порівняльний аналіз їх ефективності, авторами виокремлено і детально розглянуто три ключові способи отримання навчальних даних для методів машинного навчання: експериментальні дослідження (висока достовірність, але обмежена варіативність), CFD-моделювання (дозволяє відтворити тривимірну структуру потоку з високою деталізацією) та суперпозиція аналітичних профілів (забезпечує швидку генерацію математичних моделей спотворень). Авторами встановлено, що для задач реконструкції профілю швидкості та передбачення витрати в багатоканальних хордових ультразвукових витратомірах найбільш раціональним є поєднання CFD-моделювання з експериментальними даними. Це забезпечує максимальну фізичну відповідність навченої моделі реальним умовам. Натомість для задач багатокритеріальної оптимізації конструкцій хордових ультразвукових витратомірів (наприклад, із застосуванням генетичних алгоритмів) пріоритетними є CFD-моделі та суперпозиція профілів через їх здатність повноцінно описувати структуру спотвореного потоку у будь-якій точці перерізу. У статті запропоновано диференційований підхід до оцінювання отриманих навчальних даних за двома групами критеріїв: група для CFD-моделювання та суперпозиція аналітичних профілів – гідродинамічний коефіцієнт, відносна похибка вимірювання витрати, коефіцієнт чутливості до варіацій; група для CFD-моделювання та експериментів – коефіцієнти профілю, симетрії та поперечності. Виявлено, що коефіцієнт профілю є ключовим інформативним параметром для ідентифікації типу гідродинамічного спотворення.