Application of Wavelet Feature Extraction and Artificial Neural Networks for Improving the Performance of Gas–Liquid Two-Phase Flow Meters Used in Oil and Petrochemical Industries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Measuring fluid characteristics is of high importance in various industries such as the polymer, petroleum, and petrochemical industries, etc. Flow regime classification and void fraction measurement are essential for predicting the performance of many systems. The efficiency of multiphase flow meters strongly depends on the flow parameters. In this study, MCNP (Monte Carlo N-Particle) code was employed to simulate annular, stratified, and homogeneous regimes. In this approach, two detectors (NaI) were utilized to detect the emitted photons from a cesium-137 source. The registered signals of both detectors were decomposed using a discrete wavelet transform (DWT). Following this, the low-frequency (approximation) and high-frequency (detail) components of the signals were calculated. Finally, various features of the approximation signals were extracted, using the average value, kurtosis, standard deviation (STD), and root mean square (RMS). The extracted features were thoroughly analyzed to find those features which could classify the flow regimes and be utilized as the inputs to a network for improving the efficiency of flow meters. Two different networks were implemented for flow regime classification and void fraction prediction. In the current study, using the wavelet transform and feature extraction approach, the considered flow regimes were classified correctly, and the void fraction percentages were calculated with a mean relative error (MRE) of 0.4%. Although the system presented in this study is proposed for measuring the characteristics of petroleum fluids, it can be easily used for other types of fluids such as polymeric fluids.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle