Розробка моделі вимірювання об’єму скрапленого газу з використанням штучної нейронної мережі

Автор(и)

  • Богдан Петрович Книш Вінницький національний технічний університет, Україна https://orcid.org/0000-0002-6779-4349
  • Ярослав Анатолійович Кулик Вінницький національний технічний університет, Україна https://orcid.org/0000-0001-8327-8259
  • Олександр Анатолійович Павлюк Донецький національний університет імені Василя Стуса, Україна https://orcid.org/0000-0001-5834-4461

DOI:

https://doi.org/10.15587/1729-4061.2026.352398

Ключові слова:

скраплений газ, штучна нейронна мережа, середня абсолютна похибка, коефіцієнт детермінації

Анотація

Об’єктом дослідження є процес вимірювання об’єму скрапленого газу з використанням штучної нейронної мережі. Розглядається проблема недостатньої ефективності існуючих методів вимірювання об’єму скрапленого газу. Частково її можна вирішити шляхом дистанційного вимірювання параметрів скрапленого газу в балонах та обробки отриманих даних штучною нейромережею для вимірювання його об’єму. Проте виникає інша проблема, пов’язана з складністю використання штучних нейронних мереж у поєднанні з відповідною периферією, зокрема пристроями, засобами, сенсорами, датчиками тощо, та потребою в значних обчислювальних потужностях.

В статті представлено модель вимірювання об’єму скрапленого газу, яка враховує його фізичні особливості, на основі штучної нейронної мережі, що забезпечує зв’язок з пристроями вимірювання газу. Механізмом досягнення цих результатів є навчання моделі згідно показників ефективності на основі вхідних даних відповідно до сформованих ознак. Висока узагальнююча здатність та ефективність ілюструється коефіцієнтом детермінації, який склав 0,999245. Висока точність ілюструється низьким загальним середнім значенням середньої абсолютної похибки, яка склала 1%. Це стало можливим завдяки відмінним особливостям запропонованого рішення, а саме оптимізованій архітектурі моделі відповідно до об’єкту дослідження та її вхідним ознакам. Цими ознаками є сигнал з фотоприймального пристрою, що характеризує рівень скрапленого газу, кути розташування балону у вертикальній площині та в горизонтальній площині.

Отримані результати можуть бути використані на практиці у прикладних задачах вимірювання об’єму скрапленого газу, зокрема на нафто- та газопереробних заводах, газозаправних станціях, газових терміналах та сховищах тощо

Біографії авторів

Богдан Петрович Книш, Вінницький національний технічний університет

Кандидат технічних наук, доцент

Кафедра загальної фізики

Ярослав Анатолійович Кулик, Вінницький національний технічний університет

Кандидат технічних наук, доцент

Кафедра автоматизації та інтелектуальних інформаційних технологій

Олександр Анатолійович Павлюк, Донецький національний університет імені Василя Стуса

Кандидат технічних наук, старший викладач

Кафедра інформаційних технологій

Посилання

  1. Bilynskyi, Y. Y., Knysh, B. P. (2017). Termooptychnyi metod i zasib vymiriuvalnoho kontroliu komponentiv skraplenoho naftovoho hazu. Vinnytsia: VNTU, 112. Available at: https://press.vntu.edu.ua/index.php/vntu/catalog/book/317
  2. ISO 24431:2016. Gas cylinders – Seamless, welded and composite cylinders for compressed and liquefied gases (excluding acetylene) – Inspection at time of filling. Available at: https://www.iso.org/standard/63063.html
  3. Chernova, O., Kryvenko, G. (2020). Danger analysis at gas filling stations. Ecological Sciences, 31 (4). https://doi.org/10.32846/2306-9716/2020.eco.4-31.19
  4. Knysh, B., Kulyk, Y. (2025). Construction of a model for measurement control over liquefied petroleum gas components based on a multilayer perceptron. Eastern-European Journal of Enterprise Technologies, 5 (6 (137)), 14–22. https://doi.org/10.15587/1729-4061.2025.340608
  5. Knysh, B. P., Kulyk, Ya. A. (2025). Development of a Model Using a Multilayer Perceptron for Methane Concentration Measurement System Based on a Wireless Opto-Electronic Sensor. Visnyk of Vinnytsia Politechnical Institute, 182 (5), 192–199. https://doi.org/10.31649/1997-9266-2025-182-5-192-199
  6. Zhou, K., Liu, Y. (2021). Early-Stage Gas Identification Using Convolutional Long Short-Term Neural Network with Sensor Array Time Series Data. Sensors, 21 (14), 4826. https://doi.org/10.3390/s21144826
  7. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T. et al. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. arXiv. https://doi.org/10.48550/arXiv.1704.04861
  8. Zhang, X., Zhou, X., Lin, M., Sun, J. (2018). ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 6848–6856. https://doi.org/10.1109/cvpr.2018.00716
  9. Dejband, E., Manie, Y. C., Deng, Y.-J., Bitew, M. A., Tan, T.-H., Peng, P.-C. (2023). High Accuracy and Cost-Effective Fiber Optic Liquid Level Sensing System Based on Deep Neural Network. Sensors, 23 (4), 2360. https://doi.org/10.3390/s23042360
  10. Ramirez-Cortes, J. M., Rodriguez-Montero, P., Gomez-Gil, P., Sanchez-Diaz, J. C. (2021). Non-Contact Liquid Level Measurement Using Optical Interferometry and Neural Networks. IEEE Instrumentation & Measurement Magazine, 24 (5), 20–27. https://doi.org/10.1109/mim.2021.9491000
  11. Nagi, S. K., Dehnaw, A. M., Chung, Y.-J., Kumar, P., Zhong, Z.-G., Peng, P.-C. (2025). Fiber-Bragg-grating-based optical fiber sensing system integrated with ensemble deep learning for enhanced liquid level sensing. 29th International Conference on Optical Fiber Sensors, 285. https://doi.org/10.1117/12.3061955
  12. Ren, W., Jin, N., OuYang, L., Zhai, L., Ren, Y. (2021). Gas Volume Fraction Measurement of Oil–Gas–Water Three-Phase Flows in Vertical Pipe by Combining Ultrasonic Sensor and Deep Attention Network. IEEE Transactions on Instrumentation and Measurement, 70, 1–9. https://doi.org/10.1109/tim.2020.3031186
  13. Zhang, L., Liu, Y., Liu, J. (2025). Gas Volume Fraction Measurement for Gas-Liquid Two-Phase Flow Based on Dual CNN-Transformer Mixture Neural Network. IEEE Sensors Journal, 25 (13), 25108–25118. https://doi.org/10.1109/jsen.2025.3571727
  14. Mayet, A. M., Fouladinia, F., Hanus, R., Parayangat, M., Raja, M. R., Muqeet, M. A., Mohammed, S. A. (2024). Multiphase Flow’s Volume Fractions Intelligent Measurement by a Compound Method Employing Cesium-137, Photon Attenuation Sensor, and Capacitance-Based Sensor. Energies, 17 (14), 3519. https://doi.org/10.3390/en17143519
  15. Sifakis, N., Sarantinoudis, N., Tsinarakis, G., Politis, C., Arampatzis, G. (2023). Soft Sensing of LPG Processes Using Deep Learning. Sensors, 23 (18), 7858. https://doi.org/10.3390/s23187858
  16. Bilynskyi, Y. Y., Knysh, B. P. (2014). Pat. No. 86552 UA. Prystriy dlia vyznachennia obiemu zridzhenoho hazu. No. u201304700; declareted: 15.04.2013; published: 10.01.2014. Available at: https://ir.lib.vntu.edu.ua/handle/123456789/1599?show=full
  17. Rožanec, J. M., Trajkova, E., Lu, J., Sarantinoudis, N., Arampatzis, G., Eirinakis, P. et al. (2021). Cyber-Physical LPG Debutanizer Distillation Columns: Machine-Learning-Based Soft Sensors for Product Quality Monitoring. Applied Sciences, 11 (24), 11790. https://doi.org/10.3390/app112411790
  18. Dawod, R. G., Dobre, C. (2022). ResNet interpretation methods applied to the classification of foliar diseases in sunflower. Journal of Agriculture and Food Research, 9, 100323. https://doi.org/10.1016/j.jafr.2022.100323
  19. Zivenko, O. (2019). LPG accounting specificity during its storage and transportation. Measuring Equipment and Metrology, 80 (3), 21–27. https://doi.org/10.23939/istcmtm2019.03.021
  20. Hasselgren, T. (2024). Radar’s Solutions For LPG Storage. Emerson, 20 (1), 74–75. Available at: https://www.emerson.com/documents/automation/article-radar-s-solution-for-lpg-storage-en-11301328.pdf
  21. Sun, Q., Liu, T., Xu, J., Li, H., Huang, M. (2024). Rapid Recognition and Concentration Prediction of Gas Mixtures Based on SMLP. IEEE Transactions on Instrumentation and Measurement, 73, 1–9. https://doi.org/10.1109/tim.2024.3386203
  22. Cai, S., Mao, Z., Wang, Z., Yin, M., Karniadakis, G. E. (2021). Physics-informed neural networks (PINNs) for fluid mechanics: a review. Acta Mechanica Sinica, 37 (12), 1727–1738. https://doi.org/10.1007/s10409-021-01148-1
  23. Gupta, A. (2025). Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study. arXiv. https://doi.org/10.48550/arXiv.2509.10565
  24. Wang, D., Lian, J., Li, C., Wang, Y. (2025). Deep learning predictions on a new dataset: Natural gas production and liquid level detection. PLOS One, 20 (10), e0333905. https://doi.org/10.1371/journal.pone.0333905
Розробка моделі вимірювання об’єму скрапленого газу з використанням штучної нейронної мережі

##submission.downloads##

Опубліковано

2026-02-27

Як цитувати

Книш, Б. П., Кулик, Я. А., & Павлюк, О. А. (2026). Розробка моделі вимірювання об’єму скрапленого газу з використанням штучної нейронної мережі. Eastern-European Journal of Enterprise Technologies, 1(4 (139), 48–55. https://doi.org/10.15587/1729-4061.2026.352398

Номер

Том 1 № 4 (139) (2026): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2026 Bogdan Knysh, Yaroslav Kulyk, Oleksandr Pavlyuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.