Details

Целью работы является разработка моделей восстановления массового расхода теплоносителя по измерениям давления. Объект исследования — процесс гидравлического сопротивления. Предмет — методы восстановления расхода с применением физически обусловленного машинного обучения (PIML). Задачи исследования: теоретический анализ подходов, изучение концепции PIML, реализация базовых моделей, разработка PIML-модели с кастомной функцией потерь, сравнение эффективности. Обоснована целесообразность гибридных методов. Разработан алгоритм предобработки с генерацией признака √Δ𝑃 для линеаризации зависимости. Для учета нестабильности коэффициента сопротивления применена кластеризация HDBSCAN, выделившая режимы работы системы. Разработана архитектура Multi-Regime Physics-Informed XGBoost со штрафом за отклонение от закона Дарси-Вейсбаха. Модель Random Forest обеспечила наилучшую статистическую точность, а PIML-модель — высокую физическую согласованность и возможность диагностики оборудования. Время инференса удовлетворяет требованиям реального времени. Результаты могут быть использованы для создания систем онлайн-мониторинга и диагностики загрязнений теплообменных аппаратов. Для достижения результатов использовались Python, библиотеки Scikit–learn, XGBoost, Pandas, NumPy.

The purpose of the study is to develop models for reconstructing the mass flow rate of coolant based on pressure measurements. The object of the research is the process of hydraulic resistance. The subject is flow rate reconstruction methods using physics-informed machine learning (PIML). The research goals include theoretical analysis, investigation of PIML concepts, implementation of baseline models, development of a PIML model with a custom loss function, and comparison of efficiency. The expediency of hybrid methods was substantiated. A data preprocessing algorithm was developed generating the √Δ𝑃 feature for linearization. To account for the instability of the resistance coefficient, HDBSCAN clustering was applied to identify operating modes. The Multi-Regime Physics-Informed XGBoost architecturewas developed with a penalty for deviation from the Darcy-Weisbach law. The Random Forest model provided the best statistical accuracy, while the PIML model demonstrated high physical consistency and diagnostic capabilities. The inference time meets real-time requirements. The results can be used to create online monitoring systems and fouling diagnostics of heat exchangers. To achieve these results, Python, Scikit-learn, XGBoost, Pandas, NumPy libraries were used.