THE ROLE OF SURROGATE MODELS AND MACHINE LEARNING IN MODERN ULTRASONIC FLOW MEASUREMENT

ISSN (p) 0321-2211, ISSN (e) 2663-3450 Наукові та практичні проблеми виробництва приладів та систем DOI: 10.20535/1970.67(1).2024.306728 УДК 681.121 РОЛЬ СУРОГАТНИХ МОДЕЛЕЙ І МАШИННОГО НАВЧАННЯ В СУЧАСНІЙ УЛЬТРАЗВУКОВІЙ ВИТРАТОМЕТРІЇ Гришанова І. А. Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, Україна E-mail: Останні розробки в галузі машинного навчання знайшли своє застосування у широкому спектрі процесів проєктування. Особливе використання вони мають там, де задіяні числові симуляції й дуже потрібні швидкі, більш точні прогнози та оптимізовані моделі. Щоб прискорити експерименти над моделлю приладу або системи, потрібно прискорити її виконання (симуляцію). На заміну детальним моделям можна створити сурогатну. Її основне завдання – швидкісне виконання, невеликий обсяг необхідної пам'яті та дотримання заданої границі помилки щодо детальної моделі. У цій статті демонструється інтеграція машинного навчання в процес вимірювання витрати потоків з використанням ультразвукових витратомірів. Основне джерело похибок при застосуванні сучасного ультразвукового принципу вимірювання витрати полягає в складності врахування фактичного профілю швидкості вимірюваного потоку. На практиці розподіл швидкостей в поперечному перерізі трубопроводу відрізняється від теоретичного, введеного в алгоритм розрахунку. Однак, якщо відомий профіль швидкості, відповідну поправку можна оцінити та врахувати під час калібрування. Це підвищить точність вимірювань. У цьому дослідженні була представлена інтелектуальна компенсація похибок, викликаних спотворенням профілю, для підвищення точності використовуваних в таких умовах ультразвукових багатопроменевих вимірювачів. Мета такої інтелектуальної корекції полягає в пошуку оптимального компонування та мінімально достатньої кількості хорд у вимірювальному перетворювачі за різних умов інсталяції. Прийняття нового підходу на базі сурогатної моделі з нейронною мережею дало можливість взяти апроксимований профіль потоку, що має певне спотворення, і для обраної топології акустичних каналів зондування потоку програмно, шляхом зміни кута розташування вимірювальної системи відносно місцевого опору, визначити такі положення хорд, для яких можна отримати максимально можливу точність вимірювання. Це означає використання нейромережі для необхідної моделі корекції за вхідними даними, особливо в середовищах, що характеризуються зміною профілю швидкостей під впливом гідравлічних опорів. Ключові слова: ультразвуковий витратомір; машинне навчання; сурогатна модель; профіль швидкостей. Вступ. Постановка проблеми Нещодавні розробки в галузі науки про дані та машинне навчання надихнули нову хвилю досліджень на основі результатів моделювання для математичної оптимізації процесів, систем і приладів [1-5]. Так, у сучасній розробці приладів, а зокрема витратомірів, підтримка процесу їхнього проєктування і виробництва віртуальними методами є очевидною і зрозумілою. Комп’ютерне моделювання дає змогу аналізувати поведінку приладів за допомогою чисельних методів на основі скінченних елементів або скінченних різниць. Використання віртуальних і цифрових методів скорочує експериментальне тестування та створення прототипів під час розробки приладів. Крім того, складні симуляційні моделі дозволяють глибше зрозуміти процеси та структурну поведінку витратоміра, зокрема, взаємодію первинного перетворювача з вимірюваним середовищем. Якщо необхідно додатково оцінити загальний вплив усіх факторів на роботу приладу за різних умов, інтегровані обчис- 40 лювальні методи є єдиним доступним і адекватним інструментом для аналізу різних сценаріїв функціонування, використання та впливу навколишнього середовища з огляду на базову складність [6]. Чим надійнішими будуть використані методи та вхідні дані, тим більш значущою буде оцінка сценарію. Так, наприклад, протягом тривалого часу, при установці ультразвукових витратомірів доводилося дотримуватись рекомендованих відстаней на вході та виході з витратомірної ділянки. Однак вже зараз стали з’являтися такі прилади, які забезпечують точні вимірювання незалежно від умов входу і викривлення профілю потоку. Вони створюються за допомогою чисельного моделювання і алгоритмів машинного навчання. Для чисельного моделювання це означає швидші, точніші прогнози та оптимізовані моделі. У сфері тестування запити можуть бути доповнені або замінені машинним навчанням. Великі обсяги даних і зображень можна аналізувати швидко та «розумно», а вимірювальні процеси можна зробити більш ефективними та раціональними. Вісник КПІ. Серія ПРИЛАДОБУДУВАННЯ, Вип. 67(1), 2024. ISSN (p) 0321-2211, ISSN (e) 2663-3450 Наукові та практичні проблеми виробництва приладів та систем На відміну від підходів на базі моделей, які використовуються для інженерних цілей, алгоритми машинного навчання на основі даних довели свою придатність для цілей промислової експлуатації витратомірів. Завдяки безперервному збору та обробці даних сенсорів, машин і процесів паралельно з виробництвом ці методи забезпечують об’єктивну оптимізацію на основі даних і виявлення несправностей [7-9]. Однак існує помітна прогалина в дослідженнях ультразвукових витратомірів з використанням методів машинного навчання. Ця прогалина виникає через відсутність попередніх даних про застосування ультразвукової технології в різноманітних умовах і відсутність досліджень, спрямованих на ефективне моделювання зв’язку між помилковими та точними даними. Використання сурогатних моделей на базі нейронних мереж пропонує більш практичну та економічно ефективну альтернативу. Це усуває потребу в попередніх знаннях і має значний потенціал для широкого впровадження, оскільки прискорює розрахунки та дозволяє зберегти точність спрощених моделей за наявності декількох експериментальних точок даних. Аналіз останніх досліджень і публікацій Хоча ідентифікація режиму потоку на основі машинного навчання може підвищити точність і ефективність чисельного моделювання шляхом класифікації та адаптації до сценаріїв реального життя, вона пов’язана з певними проблемами. Різні режими потоку можуть вимагати різноманітних моделей класифікації та алгоритмів для досягнення вищої точності. Крім того, моделювання в межах певних режимів потоку досі потребує врахування складних вхідних факторів, що призводить до підвищених витрат на моделювання. У контексті застосування ультразвукових витратомірів, де вплив епюри розподілу швидкостей в потоці викликає серйозні зміни гідродинамічного поправочного коефіцієнта та питання щодо необхідної кількості і розташування шляхів акустичного зондування потоку, складність моделювання ще більше підвищується. Тому існує нагальна потреба в більш економічно ефективних і здійсненних рішеннях у складних сценаріях. Так, основна концепція машинного навчання, запропонована Hinton та ін. [10], полягає в тому, щоб безпосередньо дізнатися кінцевий вихід із початкового введення. Цей метод відмінно підходить для визначення нелінійних зв’язків між змінними, не вимагаючи попередніх (...truncated)