JP7333067B2 - 流動様式判定モデル学習システム、ボイド率推定モデル学習システム、流動様式判定システム及びボイド率推定システム - Google Patents
流動様式判定モデル学習システム、ボイド率推定モデル学習システム、流動様式判定システム及びボイド率推定システム Download PDFInfo
- Publication number
- JP7333067B2 JP7333067B2 JP2020060640A JP2020060640A JP7333067B2 JP 7333067 B2 JP7333067 B2 JP 7333067B2 JP 2020060640 A JP2020060640 A JP 2020060640A JP 2020060640 A JP2020060640 A JP 2020060640A JP 7333067 B2 JP7333067 B2 JP 7333067B2
- Authority
- JP
- Japan
- Prior art keywords
- input
- module
- void fraction
- flow pattern
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Measuring Volume Flow (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Description
従来、ボイド率を推定には、ガンマ線、ワイヤメッシュ法、電極法などが広く使われてきた。しかし、これらの測定では、非一様性、非定常性の高い流れ場で定量的なボイド率測定において、ボイド率の測定誤差が大きかった。
(1)本発明の一態様に係る流動様式判定モデル学習システムは、サンプリング時間における、流体が流れる管の周囲に配置された3つ以上の電極の1つである基準電極と他の電極との間に流れる電流値ベクトルと、時刻における前記流体の導電率と、からなる入力ベクトルの時系列データを表す入力行列を生成する第1の入力行列生成部と、前記サンプリング時間における前記流体の流動様式を取得し、前記入力行列と、前記流動様式とを用いて、前記入力行列が入力されたときに流動様式の事後確率を出力するようにモデルのパラメータを学習させる流動様式判定モデル学習部と、を備え、前記モデルは、前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、前記パラメータとを用いた演算を行う第1モジュールと、前記第1モジュールの演算結果から出力値を計算する第2モジュールと、を有する。
(2)(1)に記載の流動様式判定モデル学習システムは、前記第1モジュールが、前記入力ベクトルの状態を記憶する記憶セルと、前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、を備えてもよい。
(3)本発明の一態様に係るボイド率推定モデル学習システムは、サンプリング時間における、流体が流れる管の周囲に配置された3つ以上の電極の1つである基準電極と他の電極との間に流れる前記流体の電流値ベクトルと、前記電流値ベクトルを取得した時刻における前記流体の導電率と、からなる入力ベクトルの時系列データを表す入力行列を生成する第2の入力行列生成部と、前記サンプリング時間における前記流体の流動様式及びボイド率を取得し、前記流動様式毎の前記入力行列と、前記流体の流動様式及びボイド率とを用いて、前記流動様式毎の入力行列が入力されたときに前記流動様式毎のボイド率の推定値を出力するように前記流動様式毎のモデルのパラメータを学習させるボイド率推定モデル学習部と、を備え、前記モデルは、前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、前記パラメータとを用いた演算を行う第3モジュールと、前記第3モジュールの演算結果から出力値を計算する第4モジュールと、を有する。
(4)(3)に記載のボイド率推定モデル学習システムは、前記第3モジュールが、前記入力ベクトルの状態を記憶する記憶セルと、前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、を備えてもよい。
(5)本発明の一態様に係る流動様式判定システムは、サンプリング時間における、流体が流れる管の周囲に配置された3つ以上の電極の1つである基準電極と他の電極との間に流れる電流値ベクトルと、前記電流値ベクトルを取得した時刻における前記流体の導電率と、からなる入力ベクトルの時系列データを表す入力行列を生成する第3の入力行列生成部と、学習済みモデルの学習済みパラメータを用い、前記入力行列が入力されたときに流動様式の事後確率を出力する流動様式判定部と、を備え、前記学習済みモデルは、前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、前記学習済みモデルの前記学習済みパラメータとを用いた演算を行う第5モジュールと、前記第5モジュールの演算結果から出力値を計算する第6モジュールと、を有する。
(6)(5)に記載の流動様式判定システムは、前記第5モジュールが、前記入力ベクトルの状態を記憶する記憶セルと、前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、を備えてもよい。
(7)本発明の一態様に係るボイド率推定システムは、(5)または(6)に記載の流動様式判定システムから前記流体の流動様式を取得する、ボイド率推定部と、前記サンプリング時間における、前記流体が流れる前記管の周囲に配置された3つ以上の前記電極の1つである前記基準電極と前記他の電極との間に流れる前記電流値ベクトルと、前記電流値ベクトルを取得した前記時刻における前記流体の導電率と、からなる前記入力ベクトルの時系列データを表す前記入力行列を生成する第4の入力行列生成部と、を備え、前記ボイド率推定部が、前記第4の入力行列生成部から得られた前記入力行列と、前記流体の流動様式と、流動様式毎の学習済みモデルの学習済みパラメータと、を用い、前記流体のボイド率を判定し、前記ボイド率推定部の前記モデルは、前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、学習済みパラメータを用いた演算を行う第7モジュールと、前記第7モジュールの演算結果から出力値を計算する第8モジュールと、を有する。
(8)(7)に記載のボイド率推定システムは、前記第7モジュールが、前記入力ベクトルの状態を記憶する記憶セルと、前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、を備えてもよい。
以下、図面を参照し、本発明の一実施形態に係る流動様式判定モデル学習システムについて説明する。図1に示すように、流動様式判定モデル学習システム100は、第1の入力行列生成部1、流動様式判定モデル学習部2、及び第1の出力部10とを備える。
電流測定部3は、電極20と、流体が流れる管21と、制御部30から構成されている。管21に流れる流体は特に限定されない。管21に流れる流体としては、粘性流体、非粘性流体、ニュートン流体、非ニュートン流体(ビンガム流体、塑性流体、擬塑性流体、ダイラタント流体)などが挙げられる。管21の周りに固定されたn個の電極20(nは3以上、図3の場合はn=8)が配置される。制御部30は、図3に示す電極制御処理S100を実行する。各電極20は、図3に示すように各電極20には位置を特定するための電極番号が割り振られている。電極制御処理S100では、まず、電圧を印加する基準電極の電極番号を意味する変数iをゼロに設定する(ステップS11)。次いで、変数iを1つインクリメントし(ステップS12)、変数iに対応するi番目の電極20から管21内の流体に所定の電圧を印加する(ステップS13)。i番目の電極20から電圧が印加されたら、図3に示される、残りのn-1個の電極20のそれぞれについて、i番目の電極20との間に流れる電流を検出する(ステップS14)。
導電率測定部4は、公知の導電率測定機器(例えば、東京硝子器械社製パーソナルSCメーターSC72-21-J-AA)を用いることができる。電流測定部3の電極20付近に設置した導電率測定部4で流体(液体)の導電率の測定を行う。導電率測定部4は、得られた導電率を第1の入力行列生成部1に送る。ここで、時刻tにおける管21に流れる流体の導電率σ(t)である。
第1の入力行列生成部1は、電流測定部3から送られてきた時刻tにおける電流値ベクトルに、導電率測定部4から送られてきた時刻tにおける流体の導電率σ(t)を追加し、入力ベクトルを生成する。得られる入力ベクトルは、下記(2)式で表される。導電率σ(t)を追加することで、流体の温度変化などによる導電率変化の影響を流動様式の判定に組み入れることができる。
流動様式判定モデル学習部2は、第1の入力行列生成部1から送られてきた入力行列から学習し、モデルを更新する。
第1モジュール41は、例えば、M個のLSTM(長期短期記憶)ブロックから構成される。LSTMブロックの個数Mは、特に限定されないが、40以上が好ましい。より好ましくは100以上である。LSTMユニットの個数Mは、300以下が好ましく、より好ましくは200以下である。
第1の出力部10は、流動様式判定モデル学習部2で得られた学習済みパラメータを出力する。学習済みパラメータの出力先は、特に限定されない。例えば、第1の出力部10は、流動様式判定モデル学習システム100内のHDDなどの記憶装置に学習済みパラメータを出力して記憶してもよい。また、第1の出力部10は、外部の記憶装置に学習済みパラメータを出力して記憶してもよい。
流動様式判定モデル学習部2において、学習用に用意した入力行列と、流体の流動様式とを用いて、ある入力行列が入力されたときに流動様式の事後確率を出力するようにモデルのパラメータを学習させる。ここで、モデルのパラメータとは、第1モジュール41及び第2モジュール42で上げた重み及びバイアスである。なお、流体の流動様式は、サンプリング時間において観測される主たる流動様式である。ここで、サンプリング時間は、入力時系列数sと電流値の測定間隔の積で表される。測定間隔は特に限定されないが、例えば、1ms~90msとしてもよい。
モデルのパラメータ更新後、ステップS25において、損失関数Eの値がp回連続で最小値を記録しなかったかどうかを判断する。最小値を記録しなかった場合は、学習を終了し、第1の出力部10は、学習済みパラメータを出力する(ステップS26)。それ以外の場合は、ステップS23に戻り、再度学習が始まる。pは例えば10であってもよい。
次にボイド率推定学習モデルについて図9を用いて説明する。図9に示すように、ボイド率推定モデル学習システム101は、第2の入力行列生成部1A、ボイド率推定モデル学習部5及び第2の出力部10Aとから構成される。
ボイド率推定モデル学習部5は、流動様式毎の複数のモデルを備える。第2の入力行列生成部1Aから送られてきた入力行列から学習し、流動様式毎のモデルを更新する。
第3モジュール41Aは、例えば、M個のLSTM(長期短期記憶)ブロックから構成される。LSTMブロックの個数Mは、特に限定されないが、40以上が好ましい。より好ましくは100以上である。LSTMブロックの個数Mは、1000以下が好ましく、より好ましくは500以下である。
第2の出力部10Aは、ボイド率推定モデル学習部5で得られた学習済みパラメータを出力する。学習済みパラメータの出力先は、特に限定されない。例えば、第2の出力部10Aは、ボイド率推定モデル学習システム101内のHDDなどの記憶装置に学習済みパラメータを出力して記憶してもよい。また、第2の出力部10Aは、外部の記憶装置に学習済みパラメータに出力して記憶してもよい。
次に、ボイド率推定モデル学習システム101の学習について、説明する。ボイド率推定モデル学習システム101は、各流動様式毎のモデルを用意し、取得した流動様式に応じて、各流動様式毎のモデルのパラメータを学習させる。例えば、取得した流動様式が気泡流であれば、気泡流のモデルのパラメータを学習させ、取得した流動様式がスラグ流の場合であれば、スラグ流のモデルのパラメータを学習させ、取得した流動様式がチャーン流であれば、チャーン流のモデルのパラメータを学習させる。ここで、モデルのパラメータとは、第3モジュール41A及び第4モジュール42Aの重み及びバイアスである。なお、流体の流動様式は、サンプリング時間において観測される主たる流動様式である。ここで、サンプリング時間は、入力時系列数sと電流値の測定間隔の積で計算される。測定間隔は特に限定されないが、例えば、1ms~90msとしてもよい。なお、気泡流とは、連続した液相中に小気泡がランダムに分散した流れを意味し、スラグ流は、流路断面を満たすような大きい気泡(気体スラグ)と、小気泡を含む液体部分(液体スラグ)が交互に現れる流れを意味し、チャーン流は、気体スラグが長くなり、ある時点で液相が不連続になり気相が連続的になる流れを意味する。
重みとバイアスの更新方法としては、特に限定されないが、Nesteov accelerated adaptive moment estimation(Nadam)を用いることが好ましい。上記の流れで、ボイド率推定モデル学習部5は、モデルのパラメータを更新する。
モデルのパラメータ更新後、ステップS25Aにおいて、損失関数MSEの値がp回連続で最小値を記録しなかったかどうかを判断する。最小値を記録しなかった場合は、学習を終了し、第2の出力部10Aは、学習済みパラメータを出力する(ステップS26A)。それ以外の場合は、ステップS23Aに戻り、再度学習が始まる。pは例えば10であってもよい。
本実施形態の流動様式判定システム102について説明する。流動様式判定システム102は、図13に示すように第3の入力行列生成部1B、流動様式判定部6及び第3の出力部10Bを備える。流動様式判定システム102は、得られた流体の流動様式をボイド率推定システム103に送る。
第3の入力行列生成部1Bは、電流測定部3から送られてきた時刻tにおける電流値ベクトルに、導電率測定部4から送られてきた時刻tにおける流体の導電率σ(t)を追加し、入力ベクトルを生成する。得られる入力ベクトルは、上記(2)式で表される。導電率σ(t)を追加することで、流体の温度変化などによる導電率変化の影響を流動様式の判定に組み入れることができる。
流動様式判定部6は、第3の入力行列生成部1Bから送られてきた入力行列を用いて、電流値が測定されたときの流動様式の事後確率を出力する。出力された事後確率は、第3の出力部10Bに送られる。流動様式判定部6のモデルは、図14に示すように第5モジュール41Bと第6モジュール42Bとからなる。
第3の出力部10Bは、事後確率が最も高い流動様式を、出力する。出力先は、液晶ディスプレイのような表示部であってもよいし、HDDのような記憶装置であってもよい。また、第3の出力部10Bは、サンプリング時間における主たる流動様式として、事後確率が最も高い流動様式をボイド率推定システム103に送ってもよい。
本実施形態のボイド率推定システム103について説明する。ボイド率推定システム103は、図13に示すように第4の入力行列生成部1C、ボイド率推定部7及び第4の出力部10Cを備える。ボイド率推定システム103は、流動様式判定システム102などから送られてきた流動様式と、電流測定部3から送られてきた電流値ベクトル及び導電率測定部4から送られてきた導電率ベクトルとからボイド率の推定値を出力する。
ボイド率推定部7は、流動様式毎の複数の学習済みモデルを備える。ボイド率推定部7は、流動様式判定システム102から送られてきた流体の流動様式に基づき、第4の入力行列生成部1Cから送られてきた入力行列を、送られてきた流動様式に合致する学習済みモデルに入力しボイド率を判定する。ボイド率の判定には、ボイド率推定モデル学習システム101で得られた各流動様式毎の学習済みパラメータを用いる。ボイド率推定部7は、得られたボイド率の判定結果を第4の出力部10Cに送る。流動様式判定システム102から送られてきた流動様式を用いることで、ボイド率推定システム103のボイド率の推定精度を上げることができる。流体の流動様式は、流動様式判定システム102以外のシステムで、送ってもよい。
第7モジュール41Cは、例えば、M個のLSTM(長期短期記憶)ブロックから構成される。LSTMブロックの個数Mは、特に限定されないが、40以上が好ましい。より好ましくは100以上である。LSTMブロックの個数Mは、1000以下が好ましく、より好ましくは500以下である。LSTMブロックの個数Mは、第3モジュール41Aと同じである。
第4の出力部10Cは、ボイド率を出力する。出力先は、液晶ディスプレイのような表示部であってもよいし、HDDのような記憶装置であってもよい。
次に、ボイド率推定システム103の判定方法について、説明する。ボイド率推定システム103は、各流動様式毎の学習済みモデルの学習済みパラメータと、電流測定部3から送られてきた電流値ベクトル及び導電率測定部4から送られてきた導電率と、を用いてボイド率を判定する。例えば、流動様式が気泡流であれば、気泡流の学習済みモデルの学習済みパラメータを用いて判定し、スラグ流の場合であれば、スラグ流の学習済みモデルの学習済みパラメータを用いて判定する。ここで、モデルのパラメータとは、第7モジュール41C及び第8モジュール42Cの学習済み重み及びバイアスである。なお、流体の流動様式は、サンプリング時間において観測される主たる流動様式である。ここで、サンプリング時間は、入力時系列数sと電流値の測定間隔の積で計算される。測定間隔は特に限定されないが、例えば、1ms~90msとしてもよい。
次に、本実施形態に係る流動様式判定モデル学習システム、ボイド率推定モデル学習システム、流動様式判定システム及びボイド率推定システムの有効性を検証するために実験した例について説明する。
図20は、流動様式判定に用いた流速範囲を示す。縦軸は、配管への流体の流入速度であり、横軸は、気体の流入速度である。流体と気体の配管への流入速度を設定することで、流動様式を制御した。本実施例では、気泡流、スラグ流、チャーン流の三種類の流動様式の判定を行った。図20中において、実線は学習用のデータであり、点線は、評価用のデータを示す。学習用データは、流動様式毎に流体の流入速度を変えた3水準で電流値及び導電率を測定した。電極数は、8個とし、1サイクル(電極組み合わせ56個の電流測定)に要する時間は0.091msとした。
図23にボイド率推定に用いた流速範囲を示す。縦軸は、配管への流体の流入速度であり、横軸は、気体の流入速度である。配管への液体流入速度を一定とし、気体流入速度を変化させることで、ボイド率の真値(αtrue=0,0.0703,0.124,0.171,0.320,0.370)を設定した。図23中のtrain bubbly及びtrain slugが学習用のデータを示し、test bubbly及びtestsulugが評価用のデータを示す。図23に示す通り、流動様式は、気泡流とスラグ流に跨っている。本実験では、塩化ナトリウムで、流体の導電率を調整し(σ=255~1770μS/cm)、気体の流入速度を変えて電流値を測定した。測定に用いた電極数は、8個とし、1サイクル(電極組み合わせ56個の電流測定)に要する時間は0.091msとした。ボイド率は、上述の6つの値に制御した。上記の学習済み流動様式判定システムとボイド率推定システムとを組み合わせたシステムでボイド率の推定を行った。得られたデータをこのシステムに入力し、ボイド率の推定を行った。
得られた結果を図24に示す。図24は、液体導電率と推定ボイド率との関係を示す。横軸は流体の導電率を示し、縦軸は、推定ボイド率を示す。図24上の各推定値が各ボイド率の真値に近いほど判定精度が高いことを示している。機械学習は、学習範囲の端の点では、推定の精度が低下することが知られている。すなわち、中央の値になるほど精度が高くなる傾向にある。今回の場合では、導電率720μS/cmの点が最も精度が高くなる。図25に、導電率720μS/cmにおける従来のFeedforward neural network)(FFNN)のボイド率推定結果と本実施形態に係るボイド率推定システム(LSTM)の推定結果との比較を示す。図25の横軸は、ボイド率の真値を示し、縦軸は、ボイド率の推定値とボイド率の真値との絶対誤差を示す。図25に示すように、従来のFFNNよりもボイド率推定システムは、より高精度にボイド率を評価できることが分かった。
1A 第2の入力行列生成部
1B 第3の入力行列生成部
1C 第4の入力行列生成部
2 流動様式判定モデル学習部
3 電流測定部
4 導電率測定部
5 ボイド率推定モデル学習部
6 流動様式判定部
7 ボイド率推定部
10 第1の出力部
10A 第2の出力部
10B 第3の出力部
10C 第4の出力部
20 電極
21 管
30 制御部
41 第1モジュール
41A 第3モジュール
41B 第5モジュール
41C 第7モジュール
42 第2モジュール
42A 第4モジュール
42B 第6モジュール
42C 第8モジュール
50、50A、50B、50C 記憶セル
51、51A、51B、51C 忘却ゲート
52、52A、52B、52C 入力ゲート
53、53A、53B、53C 出力ゲート
100 流動様式判定モデル学習システム
101 ボイド率推定モデル学習システム
102 流動様式判定システム
103 ボイド率推定システム
Claims (8)
- サンプリング時間における、流体が流れる管の周囲に配置された3つ以上の電極の1つである基準電極と他の電極との間に流れる電流値ベクトルと、
時刻における前記流体の導電率と、
からなる入力ベクトルの時系列データを表す入力行列を生成する第1の入力行列生成部と、
前記サンプリング時間における前記流体の流動様式を取得し、
前記入力行列と、前記流動様式とを用いて、前記入力行列が入力されたときに流動様式の事後確率を出力するようにモデルのパラメータを学習させる流動様式判定モデル学習部と、
を備え、
前記モデルは、
前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、前記パラメータとを用いた演算を行う第1モジュールと、
前記第1モジュールの演算結果から出力値を計算する第2モジュールと、
を有する流動様式判定モデル学習システム。 - 前記第1モジュールが、
前記入力ベクトルの状態を記憶する記憶セルと、
前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、
を備える、請求項1に記載の流動様式判定モデル学習システム。 - サンプリング時間における、流体が流れる管の周囲に配置された3つ以上の電極の1つである基準電極と他の電極との間に流れる前記流体の電流値ベクトルと、
前記電流値ベクトルを取得した時刻における前記流体の導電率と、
からなる入力ベクトルの時系列データを表す入力行列を生成する第2の入力行列生成部と、
前記サンプリング時間における前記流体の流動様式及びボイド率を取得し、
前記流動様式毎の前記入力行列と、前記流体の流動様式及びボイド率とを用いて、前記流動様式毎の入力行列が入力されたときに前記流動様式毎のボイド率の推定値を出力するように前記流動様式毎のモデルのパラメータを学習させるボイド率推定モデル学習部と、
を備え、
前記モデルは、
前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、前記パラメータとを用いた演算を行う第3モジュールと、
前記第3モジュールの演算結果から出力値を計算する第4モジュールと、
を有するボイド率推定モデル学習システム。 - 前記第3モジュールが、
前記入力ベクトルの状態を記憶する記憶セルと、
前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、
を備える、請求項3に記載のボイド率推定モデル学習システム。 - サンプリング時間における、流体が流れる管の周囲に配置された3つ以上の電極の1つである基準電極と他の電極との間に流れる電流値ベクトルと、
前記電流値ベクトルを取得した時刻における前記流体の導電率と、
からなる入力ベクトルの時系列データを表す入力行列を生成する第3の入力行列生成部と、
学習済みモデルの学習済みパラメータを用い、前記入力行列が入力されたときに流動様式の事後確率を出力する流動様式判定部と、
を備え、
前記学習済みモデルは、
前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、前記学習済みモデルの前記学習済みパラメータとを用いた演算を行う第5モジュールと、
前記第5モジュールの演算結果から出力値を計算する第6モジュールと、
を有する流動様式判定システム。 - 前記第5モジュールが、
前記入力ベクトルの状態を記憶する記憶セルと、
前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、
を備える、請求項5に記載の流動様式判定システム。 - 請求項5または6に記載の流動様式判定システムから前記流体の流動様式を取得する、ボイド率推定部と、
前記サンプリング時間における、前記流体が流れる前記管の周囲に配置された3つ以上の前記電極の1つである前記基準電極と前記他の電極との間に流れる前記電流値ベクトルと、
前記電流値ベクトルを取得した前記時刻における前記流体の導電率と、
からなる前記入力ベクトルの時系列データを表す前記入力行列を生成する第4の入力行列生成部と、
を備え、
前記ボイド率推定部が、
前記第4の入力行列生成部から得られた前記入力行列と、
前記流体の流動様式と、
各流動様式毎の学習済みモデルの学習済みパラメータと、
を用い、前記流体のボイド率を判定し、
前記ボイド率推定部の前記モデルは、
前記入力行列を構成する複数の入力ベクトルを順に入力し、入力毎に、出力値を出力するモジュールであって、入力された前記入力ベクトルと、当該モジュールの直前の演算結果と、学習済みパラメータを用いた演算を行う第7モジュールと、
前記第7モジュールの演算結果から出力値を計算する第8モジュールと、
を有するボイド率推定システム。 - 前記第7モジュールが、
前記入力ベクトルの状態を記憶する記憶セルと、
前記入力ベクトルに応じて前記記憶セルに記憶されたデータを忘却する忘却ゲートと、
を備える、請求項7に記載のボイド率推定システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020060640A JP7333067B2 (ja) | 2020-03-30 | 2020-03-30 | 流動様式判定モデル学習システム、ボイド率推定モデル学習システム、流動様式判定システム及びボイド率推定システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020060640A JP7333067B2 (ja) | 2020-03-30 | 2020-03-30 | 流動様式判定モデル学習システム、ボイド率推定モデル学習システム、流動様式判定システム及びボイド率推定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021162306A JP2021162306A (ja) | 2021-10-11 |
JP7333067B2 true JP7333067B2 (ja) | 2023-08-24 |
Family
ID=78004699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020060640A Active JP7333067B2 (ja) | 2020-03-30 | 2020-03-30 | 流動様式判定モデル学習システム、ボイド率推定モデル学習システム、流動様式判定システム及びボイド率推定システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7333067B2 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002022689A (ja) | 2000-07-13 | 2002-01-23 | Natl Research Inst For Disaster Prevention | 被測定物質中の混合量測定装置 |
US20160076926A1 (en) | 2013-04-30 | 2016-03-17 | Iphase Limited | Method and Apparatus for Monitoring the Flow of Mixtures of Fluid in a Pipe |
JP2016142708A (ja) | 2015-02-05 | 2016-08-08 | 株式会社豊田中央研究所 | 混相状態分布計測装置 |
WO2018051448A1 (ja) | 2016-09-15 | 2018-03-22 | 愛知時計電機株式会社 | 流量計及び流量計測方法 |
JP2018105659A (ja) | 2016-12-23 | 2018-07-05 | 国立研究開発法人理化学研究所 | 識別装置、識別システム、学習装置、学習方法、識別プログラム、学習プログラム、記録媒体、及び集積回路 |
-
2020
- 2020-03-30 JP JP2020060640A patent/JP7333067B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002022689A (ja) | 2000-07-13 | 2002-01-23 | Natl Research Inst For Disaster Prevention | 被測定物質中の混合量測定装置 |
US20160076926A1 (en) | 2013-04-30 | 2016-03-17 | Iphase Limited | Method and Apparatus for Monitoring the Flow of Mixtures of Fluid in a Pipe |
JP2016142708A (ja) | 2015-02-05 | 2016-08-08 | 株式会社豊田中央研究所 | 混相状態分布計測装置 |
WO2018051448A1 (ja) | 2016-09-15 | 2018-03-22 | 愛知時計電機株式会社 | 流量計及び流量計測方法 |
JP2018105659A (ja) | 2016-12-23 | 2018-07-05 | 国立研究開発法人理化学研究所 | 識別装置、識別システム、学習装置、学習方法、識別プログラム、学習プログラム、記録媒体、及び集積回路 |
Non-Patent Citations (1)
Title |
---|
JEON et al.,Application of Artificial Neural Network Model to a Voltage-Current System in the Estimation of Void-Fraction in a Gas-Liquid Flow,IEEE SENSORS JOURNAL,2019年03月07日,Vol. 19, No. 13,p.5098-5109 |
Also Published As
Publication number | Publication date |
---|---|
JP2021162306A (ja) | 2021-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fjelde et al. | High-resolution hybrid primitive–conservative upwind schemes for the drift flux model | |
CA2994261C (en) | A method and apparatus of determining a state of a system | |
Güneralp et al. | Spatial autoregressive structure of meander evolution revisited | |
BRPI1010364A2 (pt) | mÉtodo de modelagem de um sistema de produÇço, meio legÍvel por computador possuindo um conjunto de instruÇÕes legÍveis por computador nele residentes, e dispositivo de computaÇço | |
CN114330067A (zh) | 一种软基水闸有限元模型修正方法 | |
CN114398817A (zh) | 天然气井筒生产运行工况动态估计方法及装置 | |
Li | Multiple-time-scaling lattice Boltzmann method for the convection diffusion equation | |
CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
JP7333067B2 (ja) | 流動様式判定モデル学習システム、ボイド率推定モデル学習システム、流動様式判定システム及びボイド率推定システム | |
Campbell et al. | Nonlinear coupling of interfacial instabilities with resonant wave interactions in horizontal two-fluid plane Couette–Poiseuille flows: numerical and physical observations | |
Das et al. | Frequency domain estimation of spatially varying parameters in heat and mass transport | |
Gryzlov et al. | Artificial intelligence and data analytics for virtual flow metering | |
Bikmukhametov et al. | Hybrid Machine Learning Modeling of Engineering Systems--A Probabilistic Perspective Tested on a Multiphase Flow Modeling Case Study | |
Eriksson | Evaluation of SPH for hydrodynamic modeling, using DualSPHysics | |
Lee et al. | PINN application for compressible gas flow transient analysis | |
NO20180167A1 (en) | Fluid Flow Network Simulation Methods and Systems Employing Two-Phase Envelopes with Interpolated Values | |
Rajendran et al. | META-UNCERTAINTY FOR CORRELATION-BASED DISPLACEMENT ESTIMATION | |
CN114297940B (zh) | 确定非稳态储层参数的方法及装置 | |
MALLİK et al. | Comparative Study of Algebraic Wall Model and Differential Equation Wall Model in Large Eddy Simulation of Turbulent Channel Flow | |
Farahani et al. | Evaluation of Lyapunov-based observer using differential mean value theorem for multiphase flow characterization | |
Zahid | Impact of grain morphology on the temporal evolution of interfacial area during multi-phase flow in porous media | |
Haddadian | Numerical Modeling of Wave-and Current-supported Turbidity Currents over Erodible Bed | |
JP2002257030A (ja) | スケール成長予測装置、方法、及びそのプログラムとプログラムを記録した記録媒体 | |
Flynt et al. | Optimal Error Control using Discrete Adjoint Error Estimates in Unsteady Flow Problems | |
Stephenson et al. | Accelerating a hybrid continuum-atomistic fluidic model with on-the-fly machine learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20200605 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20200605 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221214 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230712 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230718 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230804 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7333067 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |