Bu tədqiqat, evaporativ soyutma sistemindeki qaz-maye iki fazalı axının slug axını, qeyri-sabit slug axını və turbulent axın siniflərına görüntülər üzərindən ayrılmasını araşdırır. Tədqiqatçılar, üç axın sinifının hər biri üçün 300 nümunəten oluşan cəmi 900 nümunə kullanmış; tək görüntü kadrsine dayanan məkan tenzorleri, eşit zaman aralıklarından seçilmiş beş RGB kadrsinin üst üste yerleştirilmesiyle oluşturulan məkan-zaman tenzorlerle müqayisə etmişdir. ResNet-18, SwinTransformer-B və EfficientNet-B0 modellərini uzmanlar karışımı sistemi içində birleştiren və çıktıları tədqiqatnın adlandırmasıyla bir Mamba dikkat mekanizmasından geçiren tam model, test kümesinde %83,9 genel tanıma doğruluğuna çatmışdır. Bununla belə tədqiqat hakem qiymətləndirməsindən keçməmiştir; təlim-test ayrılma nisbətı, kamera kadr hızı, model təlim hiperparametreleri, bağımsız dış test sonuçları və təkrarlı deneylerin orta ilə belirsizlik değerleri bildirilmemiştir.

Tam model, yalnız tək görüntü kadrsi kullanan SwinTransformer-B modelinin %75,0 doğruluğuna kıyasla 8,9 faiz puanlık daha yüksək dəqiqlik vermiştir. Yazarlar bu fərqı “%8,9 iyileşme” şeklinde ifadə edir; müqayisə etılan iki dəqiqlik değeri arasındaki matematiksel fərq, göreli faiz artımtan ziyade 8,9 faiz bəndidır. Tam modelin ən güclü sinif sonucu turbulent axınta %93,1 geri çağırma olurken, qeyri-sabit slug axını geri çağırması %68,2’de kalmıştır. Buna görə genel dəqiqliktaki yükseliş bütün axın siniflərına eşit dağılmamıştır.

Araştırmanın temel sorusu nedir?

Gaz-sıvı iki fazalı axınta gaz kabarcıklarının biçimi, dağılımı, sürekliliği və zaman içindeki hareketi axın direnciyle istilik transferini birbaşa təsirleyebilmektedir. Tədqiqatın ele aldığı temel sorun, geleneksel axın rejimi tanıma metodlerinin axının məkan görünümüyle zaman evrimini çoğunlukla birbirinden ayrı qiymətləndirməsidir.

Diferansiyel basınç və ya iletkenlik gibi zaman sinyallerine dayanan metodler axının zaman değişimini izleyebilse de gaz və sıvı fazlarının boru içindeki geometrik yapistiliknı sınırlı biçimde temsil eder. Tek görüntü kadrsine dayanan görsel metodler ise kabarcıkların şeklini və dokusunu gösterebilir; fakat birbirine benzeyen iki axının birkaç kadr sonra necə fərqlılaştığını birbaşa kullanmaz.

Bu ayrılma xüsusiyyətle slug flow ilə unstable slug flow arasında önemlidir. Kararsız slug axını, düzenli slug axınıtan başka rejimlere geçiş aşaması kimi müəyyən edilmişdir. Tek bir görüntü kadrsinde bu iki sinifın dokuları oldukça benzer olabilir. Araştırmanın temel hipotezi, birden fazla kadryi eyni tenzorde birleştirmenin modelin yalnız “axın bu anda necə görünüyor?” sorusunu değil, “axın kısa bir zaman aralığında necə değişiyor?” sorusunu da yanıtlamasını sağlayacağıdır.

Deney düzeneği necə kurulmuştur?

Örnekler, kendi kendine dolaşımlı bir evaporativ soyutma sistemi ilə görüntü cəmia sisteminden oluşan fiziksel deney düzeneğinde əldə edilmişdir. Soğutma çevriminin temel bileşenleri şunlardır:

• Isıtıcı,
• Dikey gaz çıkış borusu,
• Yoğuşturucu,
• Sıvı dönüş borusu,
• Aydınlatma paneli,
• Görüntüleme kamerası.

Isıtıcının iç haznesi soğutucu axınkana tamamen daldırılmıştır. Sıvı, istiliktıcıdan enerji aldığında kısmen buharlaşarak qaz-maye karışımı oluşturur. Yoğunluk fərqı karışımın dikey gaz çıkış borusunda yukarı hareket etmesini sağlar. Gaz fazı yoğuşturucuda istilik vererek yeniden sıvılaşır və yerçekimi təsirsiyle sıvı dönüş borusundan istiliktıcıya döner.

Gaz çıkış bölümünün üst noktası ilə istiliktıcının altı arasındaki düşey yüksəklik H = 110 cm kimi məlumatlmişdir. Deneyde fərqlı başlangıç sıvı seviyeleri istifadə olunmuşdur:

• h₁ = 100 cm,
• h₂ = 75 cm,
• h₃ = 45 cm,
• h₄ = 20 cm.

Farklı başlangıç seviyeleri ilə fərqlı istilik yükleri bir araya getirilerek gaz çıkış borusunda fərqlı axın rejimleri yaradılmışdır. Şekil 2’de yatay eksen uygulanan istilik yükünü watt cinsinden, düşey eksen ise gözlenen axın sinifını göstərir. Grafikler, axın rejiminin yalnız istilik yüküne değil boru çapına və başlangıç sıvı seviyesine de bağlı olduğunu göstərir. Isı yükü yükseldikçe birçok tədqiqat noktasında düzenli slug axınıtan qeyri-sabit slug axınıa və bazı koşullarda turbulent axına geçiş görülmektedir; lakin geçiş eşikleri her sıvı seviyesi və boru çapı üçün eyni deyil.

Görüntüleme koşulları niyə önemlidir?

Tədqiqatçılar ön aydınlatma, yan aydınlatma və arka aydınlatma düzenlerini müqayisə etmişdir. Ön aydınlatmada kabarcık gölgeleri kabarcıkların üzerine bindiği üçün qaz-maye kontrastının zayıfladığı, yan aydınlatmada gölgelerin kamera doğrultusuna görə açılı oluştuğu bildirilmişdir. Arka aydınlatma ise qaz-maye arayüzünü daha görünür hâle getirdiği üçün deneyde bu düzen seçilmiştir.

Şeffaf boruların iç çapları 8 mm və 16 mm kimi belirlenmiştir. Görüntüler dikey gaz çıkış borusundaki seçilmiş bir gözlem bölümünden alınmıştır. PDF, kullanılan cihazı “ordinary camera”, yani standart bir kamera kimi tanımlamaktadır; marka, model, çözünürlük, pozlama süresi və saniyedeki kadr sayistilik məlumatlmemiştir. Bu eksiklik, zaman tenzorde seçilen beş kadrnin gerçekte kaç saniyelik bir fiziksel aralığı temsil ettiğinin belirlenmesini engellemektedir.

Üç axın rejimi görüntülərde necə ayrılmaktadır?

Şekil 3’te her axın sinifına ait ardıcıl görüntü kadrleri sunulmaktadır. Slug axın görüntülərinde sınırları seçilebilen uzamış gaz bölgeleri görülür. Kararsız slug axınıta bu bölgeler parçsahəmaya və biçim değiştirmeye başlar. Çalkantılı axın görüntülərinde ise sürekli və düzenli bir gaz slugı yerine daha yoğun, düzensiz və hızlı değişen bir karışım dokusu vardır.

Tek bir kadr slug axınıla qeyri-sabit slug axını arasındaki fərqı her zaman açıq biçimde göstermeyebilir. Tədqiqatın beş kadr kullanmasının temel gerekçesi, sınırların zaman içindeki parçsahəmasını və periyodikliğin zayıflamasını modele aktarabilmektir.

Uzamsal-zaman girdi tenzorü necə yaradılmışdır?

Her axın rejimi üçün 300 nümunə, cəmida 900 nümunə toplanmıştır. Her nümunə 30 ardıcıl görüntü kadrsinden oluşmaktadır. Tədqiqatçılar iki fərqlı girdi şeması hazırlamıştır:

Bir RGB görüntü üç renk kanalına sahiptir. Beş RGB kadrnin üst üste yerleştirilmesi, kanal sayistiliknı 5 × 3 = 15’e çıkarmaktadır. Böylece model eyni nümunə içində beş fərqlı zaman anına ait görüntü bilgisini birlikte işlemektedir.

Çalışma, 30 kadrlik diziden hangi beş kadr indeksinin seçildiğini və ya kadrler arasındaki fiziksel zaman aralığını belirtmemektedir. “Eşit zaman aralıkları” ifadesi seçim düzenini genel kimi açıqlasa da metodin tam kimi yeniden üretilmesi üçün yeterli ayrıntı sunmamaktadır.

Zamansal bilgi klasik modellərin doğruluğunu necə değiştirmiştir?

Tek kadrli məkan tenzor ilə beş kadrli məkan-zaman tenzor, ResNet-18, SwinTransformer-B və EfficientNet-B0 modellərinde müqayisə etılmıştır.

Üç modelin tamamında genel dəqiqlik artmıştır. En büyük yükseliş SwinTransformer-B’de görülmüş; dəqiqlik %75,0’dan %81,1’e çıkmıştır. Bununla belə genel dəqiqlik tək başına siniflərın hər birinde iyileşme olduğu anlamına gelmemektedir.

Karışıklık matrisleri hangi siniflərın kazandığını və kaybettiğini göstərir?

Satır-normalize karışıklık matrislerinin köşegen değerleri, her real sinifın doğru tanınma nisbətını, yani sinif geri çağırmasını göstərir.

Beş kadrli tenzor, slug axını ilə qeyri-sabit slug axınıın ayrılmasını genel kimi geliştirmiştir. Örneğin SwinTransformer-B’de slug axını geri çağırması %75,4’ten %86,4’e, qeyri-sabit slug axını geri çağırması %58,7’den %77,8’e yükselmiştir.

Bunun əvəzində turbulent axın geri çağırması üç modelde de azalmıştır:

• ResNet-18’de %93,4’ten %83,6’ya,
• SwinTransformer-B’de %90,2’den %79,1’e,
• EfficientNet-B0’da %93,4’ten %80,6’ya düşmüştür.

Yazarlar bu sonucu “turbulent axın xüsusiyyət uzayının sıkışması” və “xüsusiyyət dağılımı kayması” kimi yorumlamaktadır. Başka bir ifadeyle zaman bilgisi, birbirine benzeyen slug siniflərını ayırmak üçün qərar sınırını yeniden düzenlerken, görsel kimi daha fərqlı olan turbulent axına ayrılan temsil sahəını daraltmış olabilir. Bu mekanizma birbaşa ölçülmüş bir fiziksel büyüklük deyil; karışıklık matrisi davranışından hareketle yapılan model yorumudur.

Uzmanlar karışımı modeli necə tədqiqatktadır?

Önerilen siniflandırıcıda üç fərqlı sinir ağı “uzman” kimi istifadə olunmuşdur:

• ResNet-18: Artık bağlantıları kullanarak derin ağlarda gradyan kaybı və ya patlaması sorununu azaltmayı amaçlayan evrişimli ağ.
• SwinTransformer-B: Kaydırılmış pencereli öz-dikkat yapistilikyla görüntüdeki daha uzun mesafeli ilişkileri modelleyen görsel Transformer mimarisi.
• EfficientNet-B0: Ağ derinliği, genişliği və görüntü çözünürlüğünü birlikte ölçekleyen evrişimli mimari.

Bu modellər eyni girdiye fərqlı temsil ilkeleriyle yaklaşmaktadır. Uzmanlar karışımı (mixture of experts, MoE) sistemi, her nümunə üçün uzman çıktılarını tək biçimde ortak yerine bir geçit ağı üzərindən ağırlıklandırmaktadır. Amaç, belirli bir axın örneğinde hangi uzmanın daha yararlı olduğunu dinamik kimi belirlemektir.

Şekil 6’da B₁, B₂ və B_n temel modelləri; V₁, V₂ və V_n bu modellərin çıkardığı xüsusiyyətləri; G geçit ağını; V çəkili birleşik özelliği; ATT ise Mamba tabanlı işleme bölümünü göstərir.

Geçit ağının mimarisi necədır?

Şekil 7’de geçit ağı aşağıdaki sıra ilə gösterilmiştir:

1. Girdi tenzorü: (900, 15, 224, 224),
2. 3 × 3 Conv1, kanal dönüşümü 15 → 6 və 2 × 2 MaxPool,
3. 3 × 3 Conv2, kanal dönüşümü 6 → 16 və 2 × 2 MaxPool,
4. 3 × 3 Conv3, kanal dönüşümü 16 → 32 və 2 × 2 MaxPool,
5. Uyarlamalı orta havuzlama, şekilde “(32,32), 1 × 1” biçiminde gösterilmiştir,
6. Düzleştirme,
7. 32 → 120 tam bağlı katman və ReLU,
8. 120 → 3 tam bağlı katman və ReLU,
9. Üç uzman üçün ağırlık üreten Softmax çıkışı.

Şemada ilk boyut kimi bütün məlumat kümesindeki 900 örneğin yazılması və bazı ara boyutların “(32,32)” biçiminde belirtilmesi standart mini-batch gösterimiyle tam kimi açıqlanmamıştır. Ağın genel işlevi anlaşılmakla birlikte, kod düzeyinde yeniden üretim üçün katman çıkış boyutlarının və batch kullanımının ayrıca açıqlanması gerekmektedir.

Mamba tabanlı mekanizma hangi matematiksel işlemleri kullanmaktadır?

Tədqiqatın adlandırmasıyla “Mamba dikkat mekanizması”, birleşik xüsusiyyətləri seçici durum uzayı modeli üzərindən yeniden işlemektedir. Girdi:

\[ X \in \mathbb{R}^{B_{\mathrm{batch}} \times L \times d} \]

olarak tanımlanabilir. Burada:

• B_batch mini-batch büyüklüğü,
• L dizi uzunluğu,
• d xüsusiyyət boyutudur.

PDF, batch büyüklüğü üçün kullandığı B sembolünü eyni zamanda girdi projeksiyon matrisi üçün de kullanmaktadır. Karışıklığı önlemek amacıyla batch büyüklüğü burada B_batch kimi gösterilmiştir; özgün formüldeki matris sembolleri değiştirilmemiştir.

Dinamik parametreler doğrusal dönüşümlerle üretilmektedir:

\[ \begin{cases} \Delta = W_{\Delta}X \\ \mathbf{B} = W_{B}X \\ \mathbf{C} = W_{C}X \end{cases} \]

• Δ, durumun ne hızla güncelleneceğini belirleyen zaman adımı ayar parametresidir.
• B, mevcut girdinin gizli duruma ne ölçüde aktarılacağını belirleyen girdi projeksiyonudur.
• C, gizli durumdan hangi xüsusiyyətlərin çıktıya aktarılacağını belirleyen çıktı projeksiyonudur.
• W_Δ, W_B və W_C öğrenilebilir ağırlık matrisleridir.

Metin, Δ değerinin sigmoid fonksiyonu kullanılarak pozitif değerlerle sınırlandığını söylemektedir; lakin sigmoid işlemi Denklem 1’in yazılı biçiminde açıqça gösterilmemiştir. Bu səbəbdən uygulanan real dönüşümün kod və ya ek metod açıqlamasıyla doğrulanması gerekir.

Belgede Δ üçün boyut [ B_{\mathrm{batch}} \times L \times d ], girdi projeksiyonu B üçün [ B_{\mathrm{batch}} \times L \times n ] və W_B üçün [ d \times d ] məlumatlmektedir. Gizli durum boyutu n ilə xüsusiyyət boyutu d eşit değilse W_B dönüşümünün n boyutunu necə ürettiği açıqlanmamıştır. Bu da formül notasyonundaki bir boyutlandırma belirsizliğidir.

Durum uzayı denkleminin ayrıklaştırılmış biçimi bu şekilde məlumatlmişdir:

\[ \begin{cases} \widetilde{A}_{t} = e^{\Delta_{t}A} \\ \widetilde{B}_{t} = (\Delta_{t}A)^{-1}(e^{\Delta_{t}A}-I)\cdot\Delta_{t}B_{t} \\ h_{t} = \widetilde{A}_{t}h_{t-1}+\widetilde{B}_{t}x_{t} \\ y_{t} = C_{t}h_{t} \end{cases} \]

• A, öğrenilebilir durum matrisi və [ n × n ] boyutundadır.
• h_t, t anındaki n boyutlu gizli durumdur.
• x_t, t anındaki d boyutlu girdi vektörüdür.
• Ã_t və B̃_t, sürekli durum uzayı sisteminin zamana bağlı ayrık karşılıklarıdır.
• I, birim matristir.

Çalışmaya görə büyük Δ_t değeri e^ΔtA teriminin daha hızlı sönmesine və geçmiş bilginin daha hızlı unutulmasına; küçük Δ_t ise daha uzun süreli bağımlılıkların korunmasına yol açmaktadır. Buradaki zaman adımı, deneyde saniye cinsinden ölçülmüş bir süre kimi məlumatlmemiştir; ağın içindeki öğrenilebilir dizi güncelleme parametresidir.

Geçmiş bilgiyi taşıyan durum uzayı çıktistilikyla mevcut girdiyi birleştirmek üçün atlama bağlantistilik istifadə olunur:

\[ y_{t} = C_{t}h_{t}+Dx_{t} \]

Bu formülde C_th_t geçmiş durumdan kodlanan özelliği, Dx_t ise mevcut girdiyi birbaşa vurgulayan atlama yolunu temsil eder. Öğrenilebilir D matrisi iki bileşenin göreli katkistiliknı ayarlar.

Mamba katmanının ardından artık bağlantistilik, LayerNorm və ileri beslemeli ağ istifadə olunmuşdur. Artık bağlantistilik gradyan axınını və bilgi korunmasını, LayerNorm xüsusiyyət ölçeklerinin dengelenmesini, ileri beslemeli ağ ise doğrusal durum uzayı işlemlerine doğrusal olmayan xüsusiyyət təsirleşimi eklenmesini hədəfləyir.

Ablasyon deneyleri hangi bileşenin ne kazandırdığını göstərir?

Uzamsal-zaman tenzorü kullanan üç klasik siniflandırıcının orta doğruluğu %79,8’dir. Model-3 bu ortayı 4,1 faiz bəndi aşmıştır.

Model-1’de fərqlı uzmanların yanlılıklarının birbirini kısmen dengelemesi, turbulent axın geri çağırmasını təkil uzmanların çoğundan daha yüksək bir düzeye taşımıştır. Model-2’de geçit ağı uzman çıktılarını örneğe bağlı ağırlıklandırarak genel doğruluğu %81,7’den %82,8’e yükseltmiştir.

Model-3’te Transformer tabanlı bölümün Mamba ilə değiştirilmesi genel doğruluğu %83,9’a və turbulent axın geri çağırmasını %93,1’e çıkarmıştır. Bunun əvəzində slug axını geri çağırması %84,4’te değişmemiş, qeyri-sabit slug axını geri çağırması %71,4’ten %68,2’ye düşmüştür.

Bu sonuç, Mamba bileşeninin bütün siniflərı eyni anda geliştirmediğini göstərir. Tədqiqatın sonuç bölümünde Mamba’nın geçiş durumlarının önemli geçici bağımlılıklarını yakaladığı ifade edilse de sinif bazlı ablasyon məlumatsindeki görünür kazanç çəkili kimi turbulent axınta toplanmıştır. Kararsız slug axını, tədqiqatnın tam modelinde ən aşağı geri çağırmaya sahip sinif kimi kalmıştır.

Tədqiqatın destəklediği sonuçlar nelerdir?

• Bu deney məlumat kümesinde beş görüntü kadrsinin birlikte kullanılması, üç klasik modelin genel doğruluğunu tək kadrli girdiye görə artırmıştır.
• Zamansal bilgi, görsel dokuları birbirine benzeyen slug axını ilə qeyri-sabit slug axınıın ayrılmasını xüsusiyyətle SwinTransformer-B modelinde belirgin biçimde geliştirmiştir.
• Yalnızca girdi boyutunu büyütmek, bütün siniflərı eşit biçimde iyileştirmemiş və turbulent axın geri çağırmasını düşürmüştür.
• Farklı uzmanları bir geçit ağıyla ağırlıklandırmak, uzmanların təkil güçlü yönlerinden daha dengeli yararlanılmasını sağlamıştır.
• Mamba tabanlı tam model, bu məlumat kümesinde ən yüksək genel doğruluğu və ən yüksək turbulent axın geri çağırmasını üretmiştir.

Çalışma neyi sübut etmir?

• Modelin başka soğutucu axınkanlarda, fərqlı boru geometrilerinde və ya fərqlı laboratuvarlarda eyni doğruluğa ulaşacağını göstərmir.
• Gerçek zamanlı endüstriyel və ya nükleer tesis uygulaması gerçekleştirilmemiştir.
• Modelin gecikme süresi, bellek gereksinimi, enerji tüketimi və ya saniyede işleyebildiği kadr sayistilik bildirilmemiştir.
• Üç sinif dışındaki kabarcıklı, halkasal, tabakalı və ya sis axını gibi rejimler test edilmemiştir.
• Bağımsız bir dış məlumat kümesiyle genelleme doğrulaması yapılmamıştır.
• Görüntü kalitesi, aydınlatma değişimi, kamera açistilik, boru kirlenmesi və ya görüntü gürültüsüne qarşı dayanıklılık değerlendirilmemiştir.
• Raporlanan dəqiqlik fərqları üçün güven aralığı, standart sapma, p değeri və ya başka bir istatistiksel anlamlılık analizi təqdim edilməmişdir.
• Yüksek təsnifat doğruluğu birbaşa daha yüksək soyutma məlumatmi, daha aşağı enerji tüketimi və ya tesis güvenliği anlamına gelmemektedir.

Tədqiqatın güçlü yönleri və temel sınırlılıkları nelerdir?

Tədqiqatın güçlü yönleri, fiziksel bir evaporativ soyutma düzeneğinden görüntü cəmiası, tək kadr ilə çox kadr girdisini eyni temel modellər üzərində müqayisə etması, sinif bazlı karışıklık matrisleri sunması və MoE ilə Mamba bileşenlerini ablasyon deneyleriyle ayırmasıdır. Yalnızca cəmi doğruluğu değil, her axın rejiminin geri çağırmasını göstermesi, modelin hangi siniflərda kazanç sağladığını və hangi siniflərda gerilediğini görünür kılmaktadır.

Əsas məhdudiyyətlər ise şunlardır:

• Çalışma hakem qiymətləndirməsindən keçməmiş bir preprinttir.
• Toplam 900 örneğin təlim və test kümelerine hangi nisbətla ayrıldığı belirtilmemiştir.
• Aynı deney koşulundan və ya eyni 30 kadrlik diziden türeyen nümunələrin təlim və test arasında necə ayrıldığı açıqlanmamıştır. Bu səbəbdən koşul və ya dizi temelli məlumat sızıntistilik riski değerlendirilememektedir.
• Rastgele təlim-test bölme işleminin təkrarlandığı belirtilmiş, fakat təkrar sayistilik, orta dəqiqlik, standart sapma və güven aralığı məlumatlmemiştir. Makaledeki sonuçların “temsilî tək deneyden” alındığı açıqça ifade edilmiştir.
• Kamera modeli, kadr hızı, pozlama, görüntü yakalama süresi və beş kadrnin zaman aralığı belirtilmemiştir.
• Optimizasyon algoritması, öğrenme nisbətı, epoch sayistilik, batch büyüklüğü, kayıp fonksiyonu, məlumat artırma metodi, erken durdurma ölçütü və donanım bilgisi məlumatlmemiştir.
• Yalnızca üç axın rejimi, iki boru çapı və tək bir deney platformu incelenmiştir.
• PDF’de nihai ablasyon değerleriyle bazı ek ara grafik sayfalarındaki değerler arasında tutarsızlık bulunmaktadır.
• Formül notasyonunda sigmoid işlemi və bazı matris boyutları tam kimi açıqlanmamıştır.

Geçmiş, bugün və gelecek açistilikndan tədqiqat ne ifadə edir?

Axın rejimi tanıma araşdırmaları geçmişte basınç dalgsahəması, iletkenlik, kaos analizi, dalgacık dönüşümü, entropi və görüntü dokusu gibi fərqlı sinyal türlerine dayanmıştır. Bu tədqiqat, zaman sinyali ilə görüntü analizi arasındaki ayrılmaı birbaşa çözmek yerine ardıcıl görüntüləri tək bir çox kanallı tenzorde birleştirmeyi önermektedir.

Bugünkü katkistilik, zaman bilgisinin genel doğruluğu artırmasının tək başına yeterli olmadığını göstermesidir. Beş kadrli girdi, karıştırılması kolay iki sinifı ayırırken daha fərqlı bir sinifın temsilini zayıflatabilmektedir. Bu səbəbdən girdi düzeyindeki birleştirme ilə siniflandırıcı düzeyindeki kaynak dağıtımının birlikte tasarlanması gerektiği savunulmaktadır.

Gelecekte daha fazla axın rejiminin, fərqlı axınkanların, fərqlı boru çaplarının və bağımsız deney düzeneklerinin kullanılması gerekir. Ayrıca modelin real zamanlı tədqiqatsı, hesaplama xərci, fərqlı aydınlatmalara dayanıklılığı və deney koşulları arasında genelleme yeteneği değerlendirilmelidir. Tədqiqatın mevcut sonuçları umut məlumatci bir laboratuvar təsnifat yaklaşımı sunmaktadır; endüstriyel ölçekte doğrulanmış bir idarəetmə və ya güvenlik sistemi sunmamaktadır.

Tədqiqatın Yöntemi və Bulguları

Teknik metod özeti

Ana sayısal nəticələr

Şekil və tabloların bilimsel mesajı

• Şekil 1: Isıtıcı, gaz çıkış borusu, yoğuşturucu, dönüş borusu, ışık paneli və gözlem bölümünün fiziksel yerleşimini göstərir.
• Şekil 2: Isı yükü, başlangıç sıvı seviyesi və boru çapı değiştikçe axın sinifının necə değiştiğini göstərir.
• Şekil 3: Üç axın rejiminin ardıcıl görüntülərdeki morfolojik və zaman fərqlılıklarını sunmaktadır.
• Tablo 1: Slug, qeyri-sabit slug və turbulent axının tanımlayıcı xüsusiyyətlərini vermektedir.
• Tablo 2: Tek kadrli və beş kadrli tenzorlerin yapistiliknı müqayisə etmaktadır.
• Şekil 4: Beş kadrli girdinin üç klasik siniflandırıcıda da genel doğruluğu artırdığını göstərir.
• Şekil 5: Zamansal bilginin slug siniflərını iyileştirirken turbulent axın geri çağırmasını düşürdüğünü ortaya koymaktadır.
• Şekil 6: Uzman modellər, geçit ağı, xüsusiyyət birleştirme, Mamba bölümü və təsnifat başlığından oluşan genel mimariyi göstərir.
• Şekil 7: Üç uzman üçün Softmax ağırlıkları üreten evrişimli geçit ağını göstərir.
• Şekil 8: Mamba katmanı, artık bağlantistilik, LayerNorm və ileri beslemeli ağ sırasını göstərir.
• Tablo 3 və Şekil 9: Doğrudan birleştirme, dinamik geçit və Mamba bileşenlerinin genel dəqiqlik ilə sinif geri çağırmasına ayrı katkılarını göstərir.

Mənbə və metod qeydi

Tədqiqatın özgün adı: Research on Gas-Liquid Two-Phase Flow Pattern Identification Method Based on Spatio-Temporal Feature Fusion

Yazarlar və sıraları: Jiaqi Rao; Bin Xiong

Eş birinci yazar: PDF’de eş katkı və ya eş birinci yazarlık bilgisi yoxdur.

Sorumlu yazar: Bin Xiong

Kurumsal bağlantılar:

1. State Key Laboratory of High Density Electromagnetic Power and Systems, Institute of Electrical Engineering, Chinese Academy of Sciences, Haidian District, Beijing 100190, China
2. University of Chinese Academy of Sciences, Shijingshan District, Beijing 100049, China

Yazar katkıları: Jiaqi Rao; kavramsallaştırma, metod, yazılım, biçimsel analiz, araşdırma, məlumat düzenleme, ilk taslak yazımı, görselleştirme və doğrulama görevlerini üstlenmiştir. Bin Xiong; fon sağlama, inceleme və düzenleme ilə destəkleyici görselleştirme katkıları sunmuştur.

DOI: 10.2139/ssrn.6946753

Yayın və ya preprint platformu: SSRN

Dergi və ya konferans: Hakemli bir dergi və ya konferans yayını bu sürüm üzərindən doğrulanamamıştır.

Özgün yayınevi və ya platform hizmeti: Çalışma SSRN preprint platformunda yer almaktadır; SSRN hizmeti Elsevier tarafından işletilmektedir. Hakemli bir dergi yayınevi doğrulanamamıştır.

Yayın yılı: 2026

Kaynak türü: Deneysel görüntü məlumat cəmia ilə derin öğrenme təsnifatsını birleştiren preprint araşdırma makalesi

Hakemlik durumu: Bu tədqiqat bir preprinttir və hakem qiymətləndirməsindən keçməmiştir.

Resmî bağlantı:SSRN tədqiqat sayfası

Finansman: Çalışma, Çin Ulusal Doğa Bilimleri Vakfının 51677178 numaralı desteğini bildirmektedir. Tədqiqatçılar ayrıca deney tesisleri və nümunə cəmia desteği üçün Çin Bilimler Akademisi Elektrik Mühendisliği Enstitüsünün ilgili bölümüne teşekkür etmektedir.

Bu Türkçe makale yüklenen PDF’nin ana metni, formülleri, tabloları, grafik və şemaları ilə eklenmiş görsel sayfaları incelenerek hazırlanmıştır. PDF’de bulunmayan yeni bir bilimsel bulgu, saha başaristilik, endüstriyel uygulama sonucu və ya real zamanlı performans iddiası eklenmemiştir.

Tədqiqatın temel sınırlılıkları; hakem qiymətləndirməsinin bulunmaması, tək deney platformu və üç axın sinifıyla sınırlı olması, təlim-test nisbətının açıqlanmaması, kamera və kadr hızı bilgilerinin məlumatlmemesi, təlim hiperparametrelerinin eksikliği, bağımsız dış doğrulamanın bulunmaması, təkrarlı deneylerin yalnız temsilî bir çalıştırmayla sunulması və sonuçlar üçün istatistiksel belirsizlik bildirilmemesidir.

PDF içində nihai Şekil 9 və sonuç metnindeki %81,7, %82,8 və %83,9 ablasyon dəqiqliklarıyla, bazı ek ara grafik sayfalarında görülen %81,1, %81,7 və %83,3 değerleri arasında tutarsızlık bulunmaktadır. Bu makalede ana metin, nihai şekil və sonuç bölümüyle tutarlı olan %81,7, %82,8 və %83,9 değerleri istifadə olunmuşdur. Yayımdan önce bu sayısal fərqın tədqiqatçılar və ya nihai deney kayıtları üzərindən doğrulanması önerilir.

Bu tədqiqat hakem qiymətləndirməsindən keçməmiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır. Bulgular laboratuvar düzeneğinde toplanan belirli görüntü məlumatleri üçün təsnifat performansını göstermekte, real saha koşullarında doğrulanmış endüstriyel başarı kanıtı sunmamaktadır.