Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 2

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  two-phase fluid
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
PL
Rozpoznanie występującego w przewodzie rozmieszczenia faz jest niezbędne do stworzenia odpowiedniego modelu hydrodynamicznego. W pracy wykorzystano uczenie maszynowe do identyfikacji kryteriów przepływów płynów dwufazowych w przewodach horyzontalnych. Wykorzystując filmy z przepływami stworzono zbiór danych uczących i walidacyjnych, sklasyfikowanych w pięciu klastrach odpowiadających następującym strukturom przepływu: pęcherzykowej, rzutowej, korkowej, warstwowej i falowej. Następnie opracowano modele uczenia maszynowego z wykorzystaniem bibliotek TensorFlow oraz Keras, w których wykorzystano głębokie warstwy konwolucyjne. Finalnie wytypowano optymalną budowę sieci neuronowej, która zapewniała niskie wartości parametru straty i wysoką dokładność klasyfikacji. Zaproponowane rozwiązanie może znaleźć zastosowanie w przemyśle konkurując z wykorzystywanymi obecnie.
EN
Recognition of the phase distribution in pipe is necessary to create the appropriate hydrodynamic model. In the thesis, machine learning was used to identify flow regime for two-phase fluids in horizontal pipes. Using films with flows, a set of learning and validation data was created and classified in five clusters corresponding to the following flow structures: bubbly, slug, plug, stratified and wavy. Then, machine learning models were developed, using the TensorFlow and Keras libraries, which used deep convolution layers. Finally, the optimal structure of the neural network was proposed, which ensured low values of the loss parameter and high accuracy of classification. The proposed solution may find application in industry competing with those currently used.
EN
Multiphase flows are one of the most common flows of fluids both in nature and in many industrial applications. At the nanoscale, multiphase fluid flow phenomena are more complicated due to direct influence of boundaries, interfaces, internal structure of constituents and size effects. Then- understanding is crucial for a proper design of fluid-immersed nanoscnsors, manipulating and controlling chemical and biological processes. In the below, we present essential information on this topic.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.