Дипломная работа на тему "ТЮМГУ | Классификация многофазных режимов течения с помощью нейросетевого анализа"

Работа на тему: Классификация многофазных режимов течения с помощью нейросетевого анализа
Оценка: хорошо.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

ФИЗИКО-ТЕХНИЧЕСКИЙ ИНСТИТУТ
Кафедра моделирования физических процессов и систем
РЕКОМЕНДОВАНО К ЗАЩИТЕ В

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
бакалаврская работа
КЛАССИФИКАЦИЯ МНОГОФАЗНЫХ РЕЖИМОВ ТЕЧЕНИЯ С ПОМОЩЬЮ НЕЙРОСЕТЕВОГО АНАЛИЗА

03.03.02 Физика
Профиль «Фундаментальная физика»

Тюмень 2022 год

СОДЕРЖАНИЕ
ВВЕДЕНИЕ 3
ГЛАВА 1 РЕЖИМЫ ПОТОКА 6
1.1 РЕЖИМЫ ТЕЧЕНИЯ В ВЕРТИКАЛЬНЫХ КАНАЛАХ 6
1.2 РЕЖИМЫ ТЕЧЕНИЯ В ГОРИЗОНТАЛЬНЫХ КАНАЛАХ 8
1.3 КАРТЫ РЕЖИМОВ ТЕЧЕНИЯ 9
ГЛАВА 2 НЕЙРОННАЯ СЕТЬ 14
2.1. ПОСТАНОВКА ЗАДАЧИ 14
2.2 ВИДЫ НЕЙРОННЫХ СЕТЕЙ 15
2.3 МНОГОСЛОЙНАЯ НЕЙРОННАЯ СЕТЬ 18
2.3 СВЕРТОЧНЫЕ НЕЙРОННЫЕ СЕТИ 18
ГЛАВА 3 РЕШЕНИЕ И РЕЗУЛЬТАТЫ 20
3.1 КЛАССИФИКАЦИЯ СИНТЕТИЧЕСКИХ ИСХОДНЫХ ДАННЫХ МЕТОДАМИ ЧИСЛЕННОГО МОДЕЛИРОВАНИЯ МНОГОФАЗНЫХ ПОТОКОВ 20
3.1.1 ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ МНОГОФАЗНЫХ ПОТОКОВ 20
3.1.2. ПОДГОТОВКА И РЕЗУЛЬТАТЫ ОБУЧЕНИЯ НА СИНТЕТИЧЕСКИХ ДАННЫХ 24
3.2 КЛАССИФИКАЦИЯ ЭКСПЕРИМЕНТАЛЬНЫХ ИСХОДНЫХ ДАННЫХ ПОЛУЧЕННЫХ НА СТЕНДЕ МНОГОФАЗНЫХ ПОТОКОВ 30
ЗАКЛЮЧЕНИЕ 38
СПИСОК ЛИТЕРАТУРЫ 40

ВВЕДЕНИЕ
Многие задачи нельзя решить с помощью простого алгоритмического решения, а методы с проведением точных расчетов занимают большое количество времени. В таких случаях для решения может быть достаточным дать оценку изменениям значений или же вывести закономерности изменений. Для этого необходимо правильно определить ключевые показатели и присвоить им примерные оценки, которые основываются на статистических данных. Цикличность события в системы зависят от предыдущих изменений состояний и предпосылок к ним. Так при анализе какой-либо системы необходимо учитывать статистические данные ее показателей.
Сегодня невозможно представить окружающий нас мир без чтения и обработки информации. Масштабы и объем информации, которую обрабатывает человек, увеличивается в геометрической прогрессии. На сегодняшний день одним из лучшим способом обработки информации являются нейросети. Так в последние несколько лет изучение нейронный сетей набирают большие обороты. Они способны обрабатывать абсолютно любую информации начиная с графических и заканчивая большими массивами данных.
Что касается нейронных сетей, то раздел машинного обучения становится все более популярным, из-за увеличения вычислительных мощностей, применения графических карт для вычислений, что способствует обучению нейронных сетей более сложных структуры чем раньше. Такие алгоритмы показывают намного лучшие результаты в сравнение с другими алгоритмами. Отдельно можно выделить классификацию или распознавание изображений. Такое направление разработки и развития нейронных сетей глубокое обучение (“Deep Learning”), оно является успешным и быстроразвивающимся направлением.
Нейронные сети сверточного типа зазвучали на весь мир в начале 21 века, когда данная архитектура смогла выиграть конкурс ImageNet. Для демонстрации работы нейронных сетей проводится ежегодный конкурс по распознаванию изображений ImageNet, у нейронной сети была точность 96,5% процента у людей
93,7% в классификации изображений. С 2014 года в данном мероприятии большинство нейронных сетей были именно сверточного типа.
Так что же такое сверточные нейронные сети и что в них особенного. Такая архитектура представляет собой смесь биологии, математики и немного примеси информатики. Впервые о об этом заговорили в 1950–1960 хх. года прошлого столетия, когда работы Хьюбела и Визеля показа, что зрительная кора кошки содержит нейроны, которые индивидуально реагируют на небольшие области поля зрения. При это глаза не двигались, области зрительного пространства, в которых зрительные стимулы влияют на запуск одного нейрона, рецептивное поле, когда физиологические стимулы могут вызвать сенсорную реакцию у определённых организмов. После их работ в 1980 г. Кунихикой Фукусмой было создано “Неокогнитрон”, считается, что это первая нейронная сеть сверточного типа. В ней было реализовано две основных особенности такой архитектуры – это сверточные слои и слои, понижающие дискретизацию. Даная сеть была предназначенная для распознавания рукописных символов и других задач распознавания.
Основной задачей сверточных нейронных сетей – это задача классификации изображений. То есть прием начального изображения и вывод его класса, например кошки или собака.
Данный метод можно применить в нефтегазовой отрасли, например в расходометрии. Чтобы определить режим или тип течения необходимо знать расход фаз. А для него необходимо знать режим течения, которых зависит от плотностей, вязкости, градиента давления. И выходит замкнутый круг, на сегодняшней день для решения данной задачи используют карты режимов потока, чтобы определить режим течения. Карты режима представляют собой диаграммы с выделенными на ней областями, соответствующими тому или иному типу течения. Чтобы определить режим течения вычисляются заданные показатели (числа Фруда, параметр Локкарта-Мартинелли и другие). Исходя из найденных показателей на диаграмме определяется точка и происходит классификация режима. В условиях нестационарных потоков положение точки будет меняться, что может привести к неопределенностям и это будет порождать ошибки последующих расчетов расходов фаз, поскольку расчетные методики, используемые в многофазных расходомерах без сепарационного типа, учитывают режим течения. Альтернативным методом может являться использование прямого анализа распределения фаз в потоке с применением искусственных нейронных сетей.
Основной целью данной работы будет являться создания метода по классификации режимов течения газожидкостных смесей в горизонтальных трубах. А также работа с картами режимами течения и обработка большого объема данных.

СПИСОК ЛИТЕРАТУРЫ
1) Brackbill, J. U., Douglas B. Kothe, and Charles Zemach. "A continuum method for modeling surface tension." Journal of computational physics 100.2 (1992): 335-354
2) G. Falcone, G. Hewitt, C. Alimonti Multiphase flow metering. Develop- ments in petroleum scienct 2009 г. 97с
3) J. P. Brill H. Makherjee Multiphase Flow in Wells. Richardson Texas 1999 г. 92с, 135с.
4) Open Source CFD, Boundary Conditions - OpenFOAM-4.1, Consulting Next, 2017,133c
5) А.И. Гриценко, О.В. Клапчук, Ю.А. Харченко Гидродинамика газожидкостных смесей в скважинах и трубопроводах. Москва “Недра” 1994 г. 35с
6) Г. Уоллис Одномерные двухфазны течения. Издательство “Мир” Москва 1972 г. 55с
7) Макмахан Брайан, Рао Делип Знакомство с PyTorch Издательство: Питер 2020г. 78с.
8) С.А. Вакуленко, А.А.Жихарева Практический курс по нейронным сетям. Санкт-Петербург 2018. 57с
9) С. Хайкин Нейронные сети полный курс. Второе издание. Москва 2006 г. 123 с.
10) Т. Ганегедара Обработка естественного языка в контексте Data Sci- ence фреймворков. ДМК Пресс 2020г.
11) Ф. М. Гафаров, А.Ф. Галимянов Искусственные нейронные сети и их приложения. Издательство Казанского университета. Казань 2018 г. 85с