論文の概要: Automated Flow Pattern Classification in Multi-phase Systems Using AI and Capacitance Sensing Techniques

• arxiv url: http://arxiv.org/abs/2502.16432v1
• Date: Sun, 23 Feb 2025 04:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:53:16.510866
• Title: Automated Flow Pattern Classification in Multi-phase Systems Using AI and Capacitance Sensing Techniques
• Title（参考訳）: AIとキャパシタンスセンシング技術を用いた多相系の自動フローパターン分類
• Authors: Nian Ran, Fayez M. Al-Alweet, Richard Allmendinger, Ahmad Almakhlafi,
• Abstract要約: 本研究では,従来の技術と比較して,容量センサとAI駆動型分類手法を統合した新しいプラットフォームを提案する。 実験の結果,提案手法は1D SENet深層学習モデルを用いて,実験ベースデータセットでは85%以上の精度,パターンベースデータセットでは71%以上の精度を実現している。 この作業は、リアルタイムフロー監視と予測モデリングのためのトランスフォーメーションパスを提供し、産業アプリケーションにおける重要な課題に対処する。
• 参考スコア（独自算出の注目度）: 0.9374652839580183
• License:
• Abstract: In multiphase flow systems, classifying flow patterns is crucial to optimize fluid dynamics and enhance system efficiency. Current industrial methods and scientific laboratories mainly depend on techniques such as flow visualization using regular cameras or the naked eye, as well as high-speed imaging at elevated flow rates. These methods are limited by their reliance on subjective interpretations and are particularly applicable in transparent pipes. Consequently, conventional techniques usually achieve context-dependent accuracy rates and often lack generalizability. This study introduces a novel platform that integrates a capacitance sensor and AI-driven classification methods, benchmarked against traditional techniques. Experimental results demonstrate that the proposed approach, utilizing a 1D SENet deep learning model, achieves over 85\% accuracy on experiment-based datasets and 71\% accuracy on pattern-based datasets. These results highlight significant improvements in robustness and reliability compared to existing methodologies. This work offers a transformative pathway for real-time flow monitoring and predictive modeling, addressing key challenges in industrial applications.
• Abstract（参考訳）: 多相流系では, 流体力学を最適化し, システム効率を向上させるために, 流動パターンの分類が重要である。 現在の工業的手法や科学研究所は、主に、通常のカメラや裸眼を使った流れの可視化や、高流量での高速イメージングといった技術に依存している。 これらの手法は主観的解釈に依存して制限されており、特に透明パイプに適用できる。 その結果、従来の手法では文脈に依存した精度が得られ、一般化性に欠けることが多い。 本研究では,従来の技術と比較して,容量センサとAI駆動型分類手法を統合した新しいプラットフォームを提案する。 実験結果から,提案手法は1D SENet深層学習モデルを用いて,実験ベースデータセットの85%以上の精度,パターンベースデータセットの71パーセント以上の精度を実現している。 これらの結果は、既存の方法論に比べて堅牢性と信頼性が著しく向上したことを示している。 この作業は、リアルタイムフロー監視と予測モデリングのためのトランスフォーメーションパスを提供し、産業アプリケーションにおける重要な課題に対処する。

関連論文リスト

• What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
  本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。 我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。 また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T14:12:32Z)
• FlowDAS: A Flow-Based Framework for Data Assimilation [15.64941169350615]
  FlowDASは、状態遷移ダイナミクスと生成前の学習を統合するために補間剤を用いた新しい生成モデルベースのフレームワークである。 実験では,ローレンツシステムから高次元流体超解像タスクに至るまで,様々なベンチマークにおいてFlowDASの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• Machine Learning for Predicting Chaotic Systems [0.0]
  カオス力学系の予測は、天気予報など多くの科学分野において重要である。 本稿では,軽量かつ重厚な機械学習アーキテクチャの比較を行う。 従来のメトリクスの望ましい特性を組み合わせ、カオスシステムに適した新しい計量である累積最大誤差を導入する。
  論文  参考訳（メタデータ） (2024-07-29T16:34:47Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Manifold Regularization for Memory-Efficient Training of Deep Neural Networks [18.554311679277212]
  本稿では,従来のニューラルネットワークを学習する過程において,メモリ効率の向上を実現するためのフレームワークを提案する。 フレームワークの使用により、従来の学習技術と比較して絶対的性能と経験的一般化誤差が改善される。
  論文  参考訳（メタデータ） (2023-05-26T17:40:15Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• Passive learning to address nonstationarity in virtual flow metering applications [0.0]
  本稿では,定常仮想フローメータの予測精度を維持するために,学習手法の適用方法について検討する。 周期的バッチ学習とオンライン学習という2つの受動的学習法を、様々なキャリブレーション周波数で応用し、仮想フローメーターを訓練する。 第1に、頻繁な到着測定が存在する場合、頻繁なモデル更新は、時間とともに優れた予測性能を保ち、第2に、間欠的かつ頻繁な到着測定が存在する場合、頻繁な更新は、性能の精度を高めるために不可欠である。
  論文  参考訳（メタデータ） (2022-02-07T14:42:00Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Single-step deep reinforcement learning for open-loop control of laminar and turbulent flows [0.0]
  本研究は,流体力学系の最適化と制御を支援するための深部強化学習(DRL)技術の能力を評価する。 原型ポリシー最適化(PPO)アルゴリズムの新たな"退化"バージョンを組み合わせることで、学習エピソード当たり1回だけシステムを最適化するニューラルネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2020-06-04T16:11:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。