論文の概要: Temporal Data and Short-Time Averages Improve Multiphase Mass Flow Metering

• arxiv url: http://arxiv.org/abs/2601.12433v1
• Date: Sun, 18 Jan 2026 14:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.628216
• Title: Temporal Data and Short-Time Averages Improve Multiphase Mass Flow Metering
• Title（参考訳）: 多相質量流量測定における時間データと短時間平均値の改善
• Authors: Amanda Nyholm, Yessica Arellano, Jinyu Liu, Damian Krakowiak, Pierluigi Salvo Rossi,
• Abstract要約: コリオリス質量流量計(Coriolis mass flowmeter)は、直接質量流量測定を行う単一位相計である。 本稿では,時間的情報を保存することにより,そのようなシナリオにおけるモデル性能が大幅に向上することを示す。 我々は,342実験から得られた3相気-油流データに対して,多層パーセプトロン,窓面多層パーセプトロン,畳み込みニューラルネットワーク(CNN)を比較した。
• 参考スコア（独自算出の注目度）: 5.126447683487818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable flow measurements are essential in many industries, but current instruments often fail to accurately estimate multiphase flows, which are frequently encountered in real-world operations. Combining machine learning (ML) algorithms with accurate single-phase flowmeters has therefore received extensive research attention in recent years. The Coriolis mass flowmeter is a widely used single-phase meter that provides direct mass flow measurements, which ML models can be trained to correct, thereby reducing measurement errors in multiphase conditions. This paper demonstrates that preserving temporal information significantly improves model performance in such scenarios. We compare a multilayer perceptron, a windowed multilayer perceptron, and a convolutional neural network (CNN) on three-phase air-water-oil flow data from 342 experiments. Whereas prior work typically compresses each experiment into a single averaged sample, we instead compute short-time averages from within each experiment and train models that preserve temporal information at several downsampling intervals. The CNN performed best at 0.25 Hz with approximately 95 % of relative errors below 13 %, a normalized root mean squared error of 0.03, and a mean absolute percentage error of approximately 4.3 %, clearly outperforming the best single-averaged model and demonstrating that short-time averaging within individual experiments is preferable. Results are consistent across multiple data splits and random seeds, demonstrating robustness.
• Abstract（参考訳）: 信頼性の高い流量測定は、多くの産業において不可欠であるが、現在の機器は、実世界で頻繁に発生する多相流を正確に見積もることができないことが多い。 機械学習(ML)アルゴリズムと正確な単相流量計を組み合わせることは、近年広く研究されている。 コリオリス質量流量計(Coriolis mass flowmeter)は、直接質量流量測定を提供する、広く使われている単相流量計である。 本稿では,時間的情報を保存することにより,そのようなシナリオにおけるモデル性能が大幅に向上することを示す。 我々は,342実験から得られた3相気-油流データに対して,多層パーセプトロン,窓面多層パーセプトロン,畳み込みニューラルネットワーク(CNN)を比較した。 先行研究は通常、各実験を1つの平均値のサンプルに圧縮するが、代わりに各実験から短時間の平均値を計算し、複数のダウンサンプリング間隔で時間情報を保存するモデルを訓練する。 CNNは0.25Hzで、相対誤差の約95%が13%以下、正規化根平均二乗誤差は0.03、絶対絶対誤差は約4.3%であり、個々の実験における短時間平均よりも明らかに優れていることを示した。 結果は複数のデータ分割とランダムなシードで一致しており、堅牢性を示している。

関連論文リスト

• Diffusion Model-Based Posterior Sampling in Full Waveform Inversion [3.2800968305157205]
  観測記録の後方サンプリングは フィールドスケールでは めったに実用的ではない 提案手法は,拡散型後方サンプリングと同時音源波形インバージョンデータを組み合わせた手法である。 提案手法は, モデル誤差の低減と, 計算コストの大幅な削減を実現する。
  論文  参考訳（メタデータ） (2025-12-14T18:34:12Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• A Novel Approach for Estimating Largest Lyapunov Exponents in One-Dimensional Chaotic Time Series Using Machine Learning [0.0]
  機械学習を用いて1次元カオス時系列から最大のリアプノフ指数(LLE)を推定するためのデータ駆動手法を提案する。 予測器はサンプル外マルチ水平予測を生成するように訓練され、LLEは地平線を横切る幾何平均予測誤差(GMAE)の指数的成長から推定される。 我々は,4つの標準1次元地図-ロジスティック,正弦,立方体,チェビシェフが達成するR2pos > 0.99のアプローチを,M = 450と短い列の基準LLE曲線に対して検証した。
  論文  参考訳（メタデータ） (2025-07-07T10:53:02Z)
• Rectified Flows for Fast Multiscale Fluid Flow Modeling [11.597597438962026]
  時間依存速度場を学習する修正フローフレームワークを提案する。 我々の手法は、各統合ステップをより効果的にし、わずか8ステップで済むようにします。 マルチスケール・フロー・ベンチマーク実験により, 整流流は拡散モデルと同じ後部分布を回復することが示された。
  論文  参考訳（メタデータ） (2025-06-03T17:40:39Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• Boosting Diffusion Models with Moving Average Sampling in Frequency Domain [101.43824674873508]
  拡散モデルは、現在のサンプルに頼って次のサンプルをノイズ化し、おそらく不安定化を引き起こす。 本稿では,反復的復調過程をモデル最適化として再解釈し,移動平均機構を利用して全ての先行サンプルをアンサンブルする。 周波数領域における平均サンプリング(MASF)の動作」という完全なアプローチを命名する。
  論文  参考訳（メタデータ） (2024-03-26T16:57:55Z)
• Compatible Transformer for Irregularly Sampled Multivariate Time Series [75.79309862085303]
  本研究では,各サンプルに対して総合的な時間的相互作用特徴学習を実現するためのトランスフォーマーベースのエンコーダを提案する。 実世界の3つのデータセットについて広範な実験を行い、提案したCoFormerが既存の手法を大幅に上回っていることを検証した。
  論文  参考訳（メタデータ） (2023-10-17T06:29:09Z)
• Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
  実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。 その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2023-01-19T20:04:36Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows [0.0]
  そこで本研究では,局所化による異常検出をリアルタイムに行うモデルを提案する。 CFLOW-ADは差別的に事前訓練されたエンコーダとマルチスケール生成デコーダから構成される。 MVTecデータセットを用いた実験により,CFLOW-ADは検出タスクで0.36%,AUROCで1.12%,AUPROで2.5%,従来の手法で0.36%,それぞれ優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-27T03:10:38Z)

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。