Details

Данная работа посвящена анализу применимости сетей Колмогорова- Арнольда для задач моделирования многофазного потока в трубопроводе, а именно моделированию потерь давления такого потока и сравнению сетей Колмогорова-Арнольда с классическими нейронными сетями в условиях дефицита данных. В качестве исходных данных были использованы результаты моделирования в программном комплексе Petroleum Experts. Был проведен анализ и подготовка данных. Была разработана модель на основе сетей Колмогорова-Арнольда и проведено ее сравнение с классической нейронной сетью при уменьшении размеров обучающего набора данных. В результате была получена динамика метрик качества рассматриваемых моделей при уменьшении размеров данных, использованных для построения моделей. Полученные результаты указывают на то, что рассматриваемая архитектура модели способна в ряде сценариев показывать более высокое качество по сравнению с классической нейронной сетью. Для достижения данных результатов в работе были использованы синтетический набор данных, язык программирования Python и его средства для разработки моделей машинного обучения.

This work is devoted to the analysis of the applicability of Kolmogorov–Arnold networks to multiphase flow modeling problems in pipelines, specifically to modeling pressure losses of such flows and comparing Kolmogorov–Arnold networks with classical neural networks under conditions of limited data availability. The initial data consisted of simulation results obtained using the Petroleum Experts software package. Data analysis and preprocessing were carried out. A model based on Kolmogorov–Arnold networks was developed and compared with a classical neural network while reducing the size of the training dataset. As a result, the dynamics of quality metrics for the considered models were obtained as the size of the data used for model construction decreased. The obtained results indicate that the considered model architecture is capable, in a number of scenarios, of demonstrating higher quality compared to a classical neural network. To achieve these results, the work utilized a synthetic dataset, the Python programming language, and its tools for developing machine learning models.