Accurate Flow Regime Classification and Void Fraction Measurement in Two-Phase Flowmeters Using Frequency-Domain Feature Extraction and Neural Networks
Notice bibliographique
Résumé
Two-phase flow is very important in many areas of science, engineering, and industry. Two-phase flow comprising gas and liquid phases is a common occurrence in oil and gas related industries. This study considers three flow regimes, including homogeneous, annular, and stratified regimes ranging from 5–90% of void fractions simulated via the Mont Carlo N-Particle (MCNP) Code. In the proposed model, two NaI detectors were used for recording the emitted photons of a cesium 137 source that pass through the pipe. Following that, fast Fourier transform (FFT), which aims to transfer recorded signals to frequency domain, was adopted. By analyzing signals in the frequency domain, it is possible to extract some hidden features that are not visible in the time domain analysis. Four distinctive features of registered signals, including average value, the amplitude of dominant frequency, standard deviation (STD), and skewness were extracted. These features were compared to each other to determine the best feature that can offer the best separation. Furthermore, artificial neural network (ANN) was utilized to increase the efficiency of two-phase flowmeters. Additionally, two multi-layer perceptron (MLP) neural networks were adopted for classifying the considered regimes and estimating the volumetric percentages. Applying the proposed model, the outlined flow regimes were accurately classified, resulting in volumetric percentages with a low root mean square error (RMSE) of 1.1%.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».