[論文レビュー] Support Vector Machine Application for Multiphase Flow Pattern Prediction

Pablo Guillén-Rondon, Melvin Robinson+2 more|arXiv (Cornell University)|Jun 12, 2018

Data Stream Mining Techniques参考文献 1被引用数 7

ひとこと要約

本論文では、表面速度、管径、傾斜角、流体性状などの物理的および運用パラメータを用いて、パイプ内における気液二相流れの流れパターンを予測するためのサポートベクターマシン（SVM）モデルを提案する。SVMは、分散、分離、間歇的の3つの主要な流れパターンを区別する際、97％の分類精度を達成し、産業応用におけるリアルタイムでの多相流れパターン検出の有効性を示している。

ABSTRACT

In this paper a data analytical approach featuring support vector machines (SVM) is employed to train a predictive model over an experimentaldataset, which consists of the most relevant studies for two-phase flow pattern prediction. The database for this study consists of flow patterns or flow regimes in gas-liquid two-phase flow. The term flow pattern refers to the geometrical configuration of the gas and liquid phases in the pipe. When gas and liquid flow simultaneously in a pipe, the two phases can distribute themselves in a variety of flow configurations. Gas-liquid two-phase flow occurs ubiquitously in various major industrial fields: petroleum, chemical, nuclear, and geothermal industries. The flow configurations differ from each other in the spatial distribution of the interface, resulting in different flow characteristics. Experimental results obtained by applying the presented methodology to different combinations of flow patterns demonstrate that the proposed approach is state-of-the-art alternatives by achieving 97% correct classification. The results suggest machine learning could be used as an effective tool for automatic detection and classification of gas-liquid flow patterns.

研究の動機と目的

• 産業用パイプライン内における気液二相流れの流れパターンを正確に予測するデータ駆動型機械学習モデルの開発を目的とする。
• 遷移領域や異なる運用条件による影響により生じる分類の主観性と重複の問題に対処することを目的とする。
• 包括的な実験データセットを用いて、SVMが複数の流れ状態を分類する性能を評価することを目的とする。
• 機械学習技術、特にSVMが、多相流れメーターにおける自動的かつリアルタイムな流れパターン同定の実現可能性を示すこと

提案手法

• 本研究では、公表済みの二相流れ研究から得られた5,676件の実験データポイントから構成される洗練されたデータセットを用いてトレーニングされたサポートベクターマシン（SVM）分類器を採用した。
• 入力特徴量には、気相および液相反の表面速度、管径、傾斜角、密度、粘度、表面張力などの流体性状が含まれる。
• 入力特徴量を高次元空間にマップするための径路基底関数（RBF）カーネルが使用され、流れパターンクラス間の非線形分離を効果的に行えるようにした。
• モデルは10分割交差検証を用いてトレーニングおよび検証され、分類精度を最大化するようにハイパーパrameterがグリッドサーチにより最適化された。
• 性能評価には、標準的な指標（精度、再現率、F1スコア、混同行列）を用い、複数の分類シナリオ（6クラス、5クラス、3クラス問題）で評価した。
• SVMモデルはサポートベクターを活用して意思決定境界を定義することで、未知のテストデータに対しても頑健な一般化性能を実現している。

実験結果

リサーチクエスチョン

• RQ1 サポートベクターマシンは、物理的および運用パrameterを入力として用いることで、複数の気液二相流れパターンを効果的に分類できるか？
• RQ2 SVMの分類精度は、流れパターンのグループ化方法（例：6クラス対3クラス分類）によってどのように変化するか？
• RQ3 特徴量選択およびカーネル関数の選定が、SVMモデルの予測性能に与える影響は何か？
• RQ4 SVMのような機械学習技術は、従来の手法と比較して、流れパターン同定における主観性をどの程度低減し、一貫性を向上させられるか？

主な発見

• SVMモデルは、分散、分離、間歇的の3つの主要な流れパターンを分類する際、97％の予測精度を達成した。
• 6クラス分類（DB、SS、SW、A、I、B）では95％の精度を達成し、全クラスのF1スコアは0.91〜1.00の範囲にあった。
• Bを除く5クラスのシナリオでは、モデルは95％の精度を維持し、全クラスのF1スコアが0.95以上であった。
• 混同行列から、対角成分が強く、クラス間の分離度が高く、流れパターン間の誤分類が最小限であることが示された。
• モデルは、異なるクラスグループ化に対して頑健な性能を示し、簡略化された3クラス問題で最も高い精度を達成した。
• 結果から、SVMは産業現場における自動的かつリアルタイムな二相流れパターン分類に非常に効果的なツールであると示された。