Izvorni znanstveni članak
https://doi.org/10.17794/rgn.2024.4.12
PREDVIĐANJE PONAŠANJA PROTOKA U VODORAVNIM I NAGNUTIM CIJEVIMA POMOĆU AUTOMATIZIRANOGA STROJNOG UČENJA TEMELJENOGA NA METODI STABLA ODLUČIVANJA
Agash Uthayasuriyan
; Department of Multidisciplinary Graduate Engineering, Northeastern University, Boston, United States of America
Ugochukwu Ilozurike Duru
; Department of Petroleum Engineering, Federal University of Technology, Owerri, Nigeria
Angela Nwachukwu
; Department of Petroleum Engineering, Federal University of Technology, Owerri, Nigeria
Thangavelu Shunmugasundaram
; Department of Computer Science and Engineering, Amrita School of Computing, Coimbatore, India
Jeyakumar Gurusamy
; Department of Computer Science and Engineering, Amrita School of Computing, Coimbatore, India
*
* Dopisni autor.
Sažetak
Razumijevanje dvofaznoga protoka (plin-tekućina) od velike je važnosti u naftnoj i plinskoj industriji jer izravno utječe na projektiranje opreme, kontrolu kvalitete i radnu učinkovitost. U industrijskome inženjerstvu i upravljanju procesima važno je poznavanje obrasca protoka u procesu. U ovome su istraživanju, kako bi se dobio najbolji model strojnoga učenja za navedeni skup podataka, korišten alat za optimizaciju cjevovoda temeljen na stablu odlučivanja (engl. Tree-Based Pipeline Optimization Tool, TPOT) i automatizirani sustav strojnoga učenja (engl. Automated Machine Learning, AutoML). U radu je predstavljena izrada modela predviđanja uzorka protoka pomoću TPOT-a. TPOT je primijenjen za predviđanje uzoraka protoka u cijevima promjera 2,5 cm i 5,1 cm korištenjem skupova podataka iz postojeće literature. Prije unošenja u TPOT skupovi podataka prošli su obradu neuravnoteženih podataka, standardizaciju i jednokratno kodiranje. Modeli izrađeni za skupove podataka za cijev promjera 2,5 cm i cijev promjera 5,1 cm nazvani su FPTL_TPOT_2.5 odnosno FPTL_TPOT_5.1. U radu je provedena komparativna analiza navedenih modela, ostalih standardnih modela strojnoga učenja i sličnih najnovijih modela predviđanja dvofaznoga protoka te je dan osvrt na izvedbu navedenih TPOT modela. Rezultati su pokazali da modeli izrađeni TPOT-om postižu izvanrednu točnost, s rezultatom od 97,66 % za skupove podataka za cijev 2,5 cm, odnosno 98,09 % za skupove podataka za cijev 5,1 cm. Nadalje, modeli FPTL_TPOT_2.5 i FPTL_TPOT_5.1 dali su bolje rezultate od drugih modela strojnoga učenja u smislu izvedbenih karakteristika naglašavajući učinkovitost TPOT-a u stvaranju modela strojnoga učenja za predviđanje uzorka protoka. Rezultati ovoga istraživanja znatno doprinose povećanju učinkovitosti i optimiziranju industrijskih procesa u naftnome i plinskome sektoru.
Ključne riječi
višefazni protok; dvofazni protok; predviđanje obrasca protoka; strojno učenje; AutoML
Hrčak ID:
321509
URI
Datum izdavanja:
10.10.2024.
Posjeta: 0 *