W wyniku prac badawczych prowadzonych w ramach zadania nr 6, oraz współpracy międzynarodowej w zakresie badań przepływów, powstały dwa artykuły opublikowane w czasopiśmie Energies (IF: 3.004, 140 pkt).
Iliyasu A.M., Mayet A.M., Hanus R., Abd El-Latif A.A., Salama A.S.: Employing GMDH-Type Neural Network and Signal Frequency Feature Extraction Approaches for Detection of Scale Thickness inside Oil Pipelines. Energies 2022, 15(12), 4500. https://www.mdpi.com/1996-1073/15/12/4500
Abstrakt:
W tym artykule tłumienie gamma zostało wykorzystane jako prawdziwe narzędzie do nieinwazyjnego szacowania grubości osadów kamienia. Poprzez symulację reżimów przepływu przy sześciu procentach objętości i siedmiu grubościach kamienia dwufazowego przepływu w rurze, nasze badanie wykorzystało dwuenergetyczne źródło gamma z radioizotopami Ba-133 i Cs-137, stalową rurę i detektor fotonów jodku sodu (NaI) o wymiarach 2,54 cm × 2,54 cm do analizy trzech różnych reżimów przepływu. Wykorzystaliśmy transformację Fouriera i charakterystyki częstotliwości (konkretnie amplitudy od pierwszej do czwartej dominującej częstotliwości) do przekształcenia odebranych sygnałów do domeny częstotliwości, a następnie do wyodrębnienia różnych cech sygnału. Cechy te zostały następnie wykorzystane jako dane wejściowe dla metody grupowej dla struktury sieci neuronowej ukrywania danych (GMDH) używanej do przewidywania grubości kamienia wewnątrz rury. Dzięki zastosowaniu odpowiednich cech, nasza proponowana technika odnotowała średni błąd średniokwadratowy (RMSE) wynoszący 0,22, co jest bardzo dobrym błędem w porównaniu z systemami detekcji przedstawionymi w poprzednich badaniach. Co więcej, ta wydajność wskazuje na użyteczność naszego procesu ekstrakcji sieci neuronowej GMDH i jego potencjalnych zastosowań w określaniu parametrów, takich jak rodzaj reżimu przepływu, procent objętości itp. w przepływach wielofazowych i w innych obszarach przemysłu naftowego i gazowego.
