Бул изилдөө, бууланма муздатуу sistemindeki газ-суюктук эки фазалуу агымдын slug агым, туруксуз slug агым жана турбуленттүү агым класстарına сүрөттөр аркылуу ayrılmasını карайт. Изилдөөчүлөр, üç агым классının ар бири үчүн 300 мисалten oluşan жалпы 900 мисал kullanmış; бир сүрөт кадрsine dayanan мейкиндиктик тензорleri, eşit zaman aralıklarından seçilmiş беш RGB кадрsinin üst üste yerleştirilmesiyle oluşturulan мейкиндик-убакыттык тензорlerle салыштырган. ResNet-18, SwinTransformer-B жана EfficientNet-B0 моделдерini uzmanlar karışımı sistemi ичинде birleştiren жана çıktıları изилдөөnın adlandırmasıyla bir Mamba dikkat mekanizmasından geçiren tam модель, тест kümesinde %83,9 genel tanıma doğruluğuna жеткен. Ошентсе да изилдөө рецензиядан өтө элекtir; окутуу-тест ажыратуу катышı, kamera кадр hızı, модель окутуу hiperparametreleri, bağımsız dış тест sonuçları жана бирrarlı deneylerin орточо менен belirsizlik değerleri bildirilmemiştir.

Tam модель, гана бир сүрөт кадрsi kullanan SwinTransformer-B модельinin %75,0 doğruluğuna kıyasla 8,9 пайыз puanlık көбүрөөк жогорку тактык vermiştir. Yazarlar bu айырмаı “%8,9 iyileşme” şeklinde билдирет; салыштырılan iki тактык değeri arasındaki matematiksel айырма, göreli пайыз өсүүtan ziyade 8,9 пайыздык пунктdır. Tam модельin эң күчтүү класс sonucu турбуленттүү агымta %93,1 кайра чакыруу olurken, туруксуз slug агым кайра чакырууsı %68,2’de kalmıştır. Ошондуктан genel тактыкtaki жүкseliş bütün агым класстарına eşit dağılmamıştır.

Araştırmanın temel sorusu nedir?

Gaz-sıvı эки фазалуу агымta gaz kabarcıklarının biçimi, dağılımı, sürekliliği жана zaman içindeki hareketi агым direnciyle жылуулук transferini түздөн-түз таасирleyebilmektedir. Изилдөөнүн ele aldığı temel sorun, geleneksel агым rejimi tanıma ыкмаlerinin агымдын мейкиндиктик görünümüyle убакыттык evrimini çoğunlukla birbirinden өзүнчө баалооsidir.

Diferansiyel basınç же iletkenlik gibi zaman sinyallerine dayanan ыкмаler агымдын убакыттык değişimini izleyebilse de gaz жана sıvı fazlarının boru içindeki geometrik yapжылуулукnı sınırlı biçimde temsil eder. Tek сүрөт кадрsine dayanan görsel ыкмаler ise kabarcıkların şeklini жана dokusunu gösterebilir; fakat birbirine benzeyen iki агымдын birkaç кадр sonra кантип айырмаlılaştığını түздөн-түз kullanmaz.

Bu ажыратуу белгиle slug flow менен unstable slug flow арасында önemlidir. Kararsız slug агым, düzenli slug агымtan başka rejimlere geçiş aşaması катары аныкталган. Tek bir сүрөт кадрsinde bu iki классın dokuları oldukça benzer olabilir. Araştırmanın temel hipotezi, birden fazla кадрyi ошол эле тензорde birleştirmenin модельin гана “агым şu anda кантип görünüyor?” sorusunu değil, “агым kısa bir zaman aralığında кантип değişiyor?” sorusunu da yanıtlamasını sağlayacağıdır.

Deney düzeneği кантип kurulmuştur?

Örnekler, kendi kendine dolaşımlı bir бууланма муздатуу sistemi менен сүрөт жалпыa sisteminden oluşan fiziksel deney düzeneğinde алынган. Soğutma çevriminin temel bileşenleri şunlardır:

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

Isıtıcının iç haznesi soğutucu агымkana tamamen daldırılmıştır. Sıvı, жылуулукtıcıdan enerji aldığında kısmen buharlaşarak газ-суюктук karışımı oluşturur. Yoğunluk айырмаı karışımın dikey gaz çıkış borusunda yukarı hareket etmesini sağlar. Gaz fazı yoğuşturucuda жылуулук vererek yeniden sıvılaşır жана yerçekimi таасирsiyle sıvı dönüş borusundan жылуулукtıcıya döner.

Gaz çıkış bölümünün üst noktası менен жылуулукtıcının altı arasındaki düşey жогоркуlik H = 110 cm катары берилген. Deneyde айырмаlı başlangıç sıvı seviyeleri колдонулган:

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

Farklı başlangıç seviyeleri менен айырмаlı жылуулук жүкleri bir araya getirilerek gaz çıkış borusunda айырмаlı агым rejimleri түзүлгөн. Şekil 2’de yatay eksen uygulanan жылуулук жүкünü watt cinsinden, düşey eksen ise gözlenen агым классını көрсөтөт. Grafikler, агым rejiminin гана жылуулук жүкüne değil boru çapına жана başlangıç sıvı seviyesine de bağlı olduğunu көрсөтөт. Isı жүкü жүкseldikçe birçok изилдөө noktasında düzenli slug агымtan туруксуз slug агымa жана bazı koşullarda турбуленттүү агымa geçiş görülmektedir; бирок geçiş eşikleri her sıvı seviyesi жана boru çapı үчүн ошол эле эмес.

Görüntüleme koşulları эмне үчүн önemlidir?

Изилдөөчүлөр ön aydınlatma, yan aydınlatma жана arka aydınlatma düzenlerini салыштырган. Ön aydınlatmada kabarcık gölgeleri kabarcıkların üzerine bindiği үчүн газ-суюктук kontrastının zayıfladığı, yan aydınlatmada gölgelerin kamera doğrultusuna ылайык açılı oluştuğu билдирилген. Arka aydınlatma ise газ-суюктук arayüzünü көбүрөөк görünür hâle getirdiği үчүн deneyde bu düzen seçilmiştir.

Şeffaf boruların iç çapları 8 mm жана 16 mm катары belirlenmiştir. Görüntüler dikey gaz çıkış borusundaki seçilmiş bir gözlem bölümünden alınmıştır. PDF, kullanılan cihazı “ordinary camera”, yani standart bir kamera катары tanımlamaktadır; marka, модель, çözünürlük, pozlama süresi жана saniyedeki кадр sayжылуулук маалыматlmemiştir. Bu eksiklik, убакыттык тензорde seçilen беш кадрnin gerçekte kaç saniyelik bir fiziksel aralığı temsil ettiğinin belirlenmesini engellemektedir.

Üç агым rejimi сүрөттөрde кантип ayrılmaktadır?

Şekil 3’te her агым классına ait удаалаш сүрөт кадрleri sunulmaktadır. Slug агым сүрөттөрinde sınırları seçilebilen uzamış gaz bölgeleri görülür. Kararsız slug агымta bu bölgeler parçаянтmaya жана biçim değiştirmeye başlar. Çalkantılı агым сүрөттөрinde ise sürekli жана düzenli bir gaz slugı yerine көбүрөөк yoğun, düzensiz жана hızlı değişen bir karışım dokusu vardır.

Tek bir кадр slug агымla туруксуз slug агым arasındaki айырмаı her zaman ачык biçimde göstermeyebilir. Изилдөөнүн беш кадр kullanmasının temel gerekçesi, sınırların zaman içindeki parçаянтmasını жана periyodikliğin zayıflamasını модельe aktarabilmektir.

Uzamsal-убакыттык girdi тензорü кантип түзүлгөн?

Her агым rejimi үчүн 300 мисал, жалпыda 900 мисал toplanmıştır. Her мисал 30 удаалаш сүрөт кадрsinden oluşmaktadır. Изилдөөчүлөр iki айырмаlı girdi şeması hazırlamıştır:

Bir RGB сүрөт üç renk kanalına sahiptir. Beş RGB кадрnin üst üste yerleştirilmesi, kanal sayжылуулукnı 5 × 3 = 15’e çıkarmaktadır. Böylece модель ошол эле мисал ичинде беш айырмаlı zaman anına ait сүрөт bilgisini birlikte işlemektedir.

Çalışma, 30 кадрlik diziden hangi беш кадр indeksinin seçildiğini же кадрler arasındaki fiziksel zaman aralığını belirtmemektedir. “Eşit zaman aralıkları” ifadesi seçim düzenini genel катары ачыкlasa da ыкмаin tam катары yeniden üretilmesi үчүн yeterli ayrıntı sunmamaktadır.

Zamansal bilgi klasik моделдерin doğruluğunu кантип değiştirmiştir?

Tek кадрli мейкиндиктик тензор менен беш кадрli мейкиндик-убакыттык тензор, ResNet-18, SwinTransformer-B жана EfficientNet-B0 моделдерinde салыштырılmıştır.

Üç модельin tamamında genel тактык artmıştır. En büжүк жүкseliş SwinTransformer-B’de görülmüş; тактык %75,0’dan %81,1’e çıkmıştır. Ошентсе да genel тактык бир başına класстарın ар бириnde iyileşme olduğu anlamına gelmemektedir.

Karışıklık matrisleri hangi класстарın kazandığını жана kaybettiğini көрсөтөт?

Satır-normalize karışıklık matrislerinin köşegen değerleri, her реалдуу классın doğru tanınma катышını, yani класс кайра чакырууsını көрсөтөт.

Beş кадрli тензор, slug агым менен туруксуз slug агымın ayrılmasını genel катары geliştirmiştir. Örneğin SwinTransformer-B’de slug агым кайра чакырууsı %75,4’ten %86,4’e, туруксуз slug агым кайра чакырууsı %58,7’den %77,8’e жүкselmiştir.

Буга каршы турбуленттүү агым кайра чакырууsı üç модельde 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 “турбуленттүү агым белги uzayının sıkışması” жана “белги dağılımı kayması” катары yorumlamaktadır. Başka bir ifadeyle zaman bilgisi, birbirine benzeyen slug класстарını ayırmak үчүн чечим sınırını yeniden düzenlerken, görsel катары көбүрөөк айырмаlı olan турбуленттүү агымa ayrılan temsil аянтını daraltmış olabilir. Bu mekanizma түздөн-түз ölçülmüş bir fiziksel büжүкlük эмес; karışıklık matrisi davranışından hareketle yapılan модель yorumudur.

Uzmanlar karışımı модельi кантип изилдөөktadır?

Önerilen классlandırıcıda üç айырмаlı sinir ağı “uzman” катары колдонулган:

• ResNet-18: Artık bağlantıları kullanarak derin ağlarda gradyan kaybı же patlaması sorununu azaltmayı amaçlayan evrişimli ağ.
• SwinTransformer-B: Kaydırılmış pencereli öz-dikkat yapжылуулукyla сүрөтdeki көбүрөөк uzun mesafeli ilişkileri модельleyen görsel Transformer mimarisi.
• EfficientNet-B0: Ağ derinliği, genişliği жана сүрөт çözünürlüğünü birlikte ölçekleyen evrişimli mimari.

Bu моделдер ошол эле girdiye айырмаlı temsil ilkeleriyle yaklaşmaktadır. Uzmanlar karışımı (mixture of experts, MoE) sistemi, her мисал үчүн uzman çıktılarını бир biçimde орточоk yerine bir geçit ağı аркылуу ağırlıklandırmaktadır. Amaç, belirli bir агым örneğinde hangi uzmanın көбүрөөк yararlı olduğunu dinamik катары belirlemektir.

Şekil 6’da B₁, B₂ жана B_n temel моделдерi; V₁, V₂ жана V_n bu моделдерin çıkardığı белгилери; G geçit ağını; V салмакталган birleşik özelliği; ATT ise Mamba tabanlı işleme bölümünü көрсөтөт.

Geçit ağının mimarisi кантипdır?

Şekil 7’de geçit ağı aşağıdaki sıra менен gösterilmiştir:

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

Şemada ilk boyut катары bütün маалымат kümesindeki 900 örneğin yazılması жана bazı ara boyutların “(32,32)” biçiminde belirtilmesi standart mini-batch gösterimiyle tam катары ачыкlanmamıştır. Ağın genel işlevi anlaşılmakla birlikte, kod düzeyinde yeniden üretim үчүн katman çıkış boyutlarının жана batch kullanımının ayrıca ачыкlanması gerekmektedir.

Mamba tabanlı mekanizma hangi matematiksel işlemleri kullanmaktadır?

Изилдөөнүн adlandırmasıyla “Mamba dikkat mekanizması”, birleşik белгилери seçici durum uzayı модельi аркылуу yeniden işlemektedir. Girdi:

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

olarak tanımlanabilir. Burada:

• B_batch mini-batch büжүкlüğü,
• L dizi uzunluğu,
• d белги boyutudur.

PDF, batch büжүкlüğü үчүн kullandığı B sembolünü ошол эле zamanda girdi projeksiyon matrisi үчүн de kullanmaktadır. Karışıklığı önlemek amacıyla batch büжүкlüğü burada B_batch катары 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 жашыруун duruma ne ölçüde aktarılacağını belirleyen girdi projeksiyonudur.
• C, жашыруун durumdan hangi белгилериn çıktıya aktarılacağını belirleyen çıktı projeksiyonudur.
• W_Δ, W_B жана W_C öğrenilebilir ağırlık matrisleridir.

Metin, Δ değerinin sigmoid fonksiyonu kullanılarak pozitif değerlerle sınırlandığını söylemektedir; бирок sigmoid işlemi Denklem 1’in yazılı biçiminde ачыкça gösterilmemiştir. Ушул себептен uygulanan реалдуу dönüşümün kod же ek ыкма ачыкlamasıyla doğrulanması gerekir.

Belgede Δ үчүн boyut [ B_{\mathrm{batch}} \times L \times d ], girdi projeksiyonu B үчүн [ B_{\mathrm{batch}} \times L \times n ] жана W_B үчүн [ d \times d ] маалыматlmektedir. Gizli durum boyutu n менен белги boyutu d eşit değilse W_B dönüşümünün n boyutunu кантип ürettiği ачыкlanmamıştır. Bu da formül notasyonundaki bir boyutlandırma belirsizliğidir.

Durum uzayı denkleminin ayrıklaştırılmış biçimi şu şekilde берилген:

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

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

Çalışmaya ылайык büжүк Δ_t değeri e^ΔtA teriminin көбүрөөк hızlı sönmesine жана geçmiş bilginin көбүрөөк hızlı unutulmasına; küçük Δ_t ise көбүрөөк uzun süreli bağımlılıkların korunmasına yol açmaktadır. Buradaki zaman adımı, deneyde saniye cinsinden ölçülmüş bir süre катары маалыматlmemiştir; ağın içindeki öğrenilebilir dizi güncelleme parametresidir.

Geçmiş bilgiyi taşıyan durum uzayı çıktжылуулукyla mevcut girdiyi birleştirmek үчүн atlama bağlantжылуулук колдонулат:

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

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

Mamba katmanının ardından artık bağlantжылуулук, LayerNorm жана ileri beslemeli ağ колдонулган. Artık bağlantжылуулук gradyan агымдынı жана bilgi korunmasını, LayerNorm белги ölçeklerinin dengelenmesini, ileri beslemeli ağ ise doğrusal durum uzayı işlemlerine doğrusal olmayan белги таасирleşimi eklenmesini максат кылат.

Ablasyon deneyleri hangi bileşenin ne kazandırdığını көрсөтөт?

Uzamsal-убакыттык тензорü kullanan üç klasik классlandırıcının орточо doğruluğu %79,8’dir. Model-3 bu орточоyı 4,1 пайыздык пункт aşmıştır.

Model-1’de айырмаlı uzmanların yanlılıklarının birbirini kısmen dengelemesi, турбуленттүү агым кайра чакырууsını бирil uzmanların çoğundan көбүрөөк жогорку bir düzeye taşımıştır. Model-2’de geçit ağı uzman çıktılarını örneğe bağlı ağırlıklandırarak genel doğruluğu %81,7’den %82,8’e жүкseltmiştir.

Model-3’te Transformer tabanlı bölümün Mamba менен değiştirilmesi genel doğruluğu %83,9’a жана турбуленттүү агым кайра чакырууsını %93,1’e çıkarmıştır. Буга каршы slug агым кайра чакырууsı %84,4’te değişmemiş, туруксуз slug агым кайра чакырууsı %71,4’ten %68,2’ye düşmüştür.

Bu sonuç, Mamba bileşeninin bütün класстарı ошол эле anda geliştirmediğini көрсөтөт. Изилдөөнүн sonuç bölümünde Mamba’nın geçiş durumlarının önemli geçici bağımlılıklarını yakaladığı ifade edilse de класс bazlı ablasyon маалыматsindeki görünür kazanç салмакталган катары турбуленттүү агымta toplanmıştır. Kararsız slug агым, изилдөөnın tam модельinde эң төмөн кайра чакырууya sahip класс катары kalmıştır.

Изилдөөнүн desбирlediği sonuçlar nelerdir?

• Bu deney маалымат kümesinde беш сүрөт кадрsinin birlikte kullanılması, üç klasik модельin genel doğruluğunu бир кадрli girdiye ылайык artırmıştır.
• Zamansal bilgi, görsel dokuları birbirine benzeyen slug агым менен туруксуз slug агымın ayrılmasını белгиle SwinTransformer-B модельinde belirgin biçimde geliştirmiştir.
• Yalnızca girdi boyutunu büyütmek, bütün класстарı eşit biçimde iyileştirmemiş жана турбуленттүү агым кайра чакырууsını düşürmüştür.
• Farklı uzmanları bir geçit ağıyla ağırlıklandırmak, uzmanların бирil güçlü yönlerinden көбүрөөк dengeli yararlanılmasını sağlamıştır.
• Mamba tabanlı tam модель, bu маалымат kümesinde эң жогорку genel doğruluğu жана эң жогорку турбуленттүү агым кайра чакырууsını üretmiştir.

Çalışma neyi далилдебейт?

• Modelin başka soğutucu агымkanlarda, айырмаlı boru geometrilerinde же айырмаlı laboratuvarlarda ошол эле doğruluğa ulaşacağını көрсөтпөйт.
• Gerçek zamanlı endüstriyel же nükleer tesis uygulaması gerçekleştirilmemiştir.
• Modelin gecikme süresi, bellek gereksinimi, enerji tüketimi же saniyede işleyebildiği кадр sayжылуулук bildirilmemiştir.
• Üç класс dışındaki kabarcıklı, halkasal, tabakalı же sis агымı gibi rejimler тест edilmemiştir.
• Bağımsız bir dış маалымат kümesiyle genelleme doğrulaması yapılmamıştır.
• Görüntü kalitesi, aydınlatma değişimi, kamera açжылуулук, boru kirlenmesi же сүрөт gürültüsüne karşı dayanıklılık değerlendirilmemiştir.
• Raporlanan тактык айырмаları үчүн güven aralığı, standart sapma, p değeri же başka bir istatistiksel anlamlılık analizi берилген эмес.
• Yüksek классификация doğruluğu түздөн-түз көбүрөөк жогорку муздатуу маалыматmi, көбүрөөк төмөн enerji tüketimi же tesis güvenliği anlamına gelmemektedir.

Изилдөөнүн güçlü yönleri жана temel sınırlılıkları nelerdir?

Изилдөөнүн güçlü yönleri, fiziksel bir бууланма муздатуу düzeneğinden сүрөт жалпыası, бир кадр менен көп кадр girdisini ошол эле temel моделдер үстүндө салыштырması, класс bazlı karışıklık matrisleri sunması жана MoE менен Mamba bileşenlerini ablasyon deneyleriyle ayırmasıdır. Yalnızca жалпы doğruluğu değil, her агым rejiminin кайра чакырууsını göstermesi, модельin hangi класстарda kazanç sağladığını жана hangi класстарda gerilediğini görünür kılmaktadır.

Негизги чектөөлөр ise şunlardır:

• Çalışma рецензиядан өтө элек bir препринтtir.
• Toplam 900 örneğin окутуу жана тест kümelerine hangi катышla ayrıldığı belirtilmemiştir.
• Aynı deney koşulundan же ошол эле 30 кадрlik diziden türeyen мисалдарin окутуу жана тест арасында кантип ayrıldığı ачыкlanmamıştır. Ушул себептен koşul же dizi temelli маалымат sızıntжылуулук riski değerlendirilememektedir.
• Rastgele окутуу-тест bölme işleminin бирrarlandığı belirtilmiş, fakat бирrar sayжылуулук, орточо тактык, standart sapma жана güven aralığı маалыматlmemiştir. Makaledeki sonuçların “temsilî бир deneyden” alındığı ачыкça ifade edilmiştir.
• Kamera модельi, кадр hızı, pozlama, сүрөт yakalama süresi жана беш кадрnin zaman aralığı belirtilmemiştir.
• Optimizasyon algoritması, öğrenme катышı, epoch sayжылуулук, batch büжүкlüğü, kayıp fonksiyonu, маалымат artırma ыкмаi, erken durdurma ölçütü жана donanım bilgisi маалыматlmemiştir.
• Yalnızca üç агым rejimi, iki boru çapı жана бир bir deney platformu incelenmiştir.
• PDF’de nihai ablasyon değerleriyle bazı ek ara grafik sayfalarındaki değerler арасында tutarsızlık bulunmaktadır.
• Formül notasyonunda sigmoid işlemi жана bazı matris boyutları tam катары ачыкlanmamıştır.

Geçmiş, bugün жана gelecek açжылуулукndan изилдөө ne билдирет?

Агым режими tanıma изилдөөları geçmişte basınç dalgаянтması, iletkenlik, kaos analizi, dalgacık dönüşümü, entropi жана сүрөт dokusu gibi айырмаlı sinyal türlerine dayanmıştır. Бул изилдөө, zaman sinyali менен сүрөт analizi arasındaki ажыратууı түздөн-түз çözmek yerine удаалаш сүрөттөрi бир bir көп kanallı тензорde birleştirmeyi önermektedir.

Bugünkü katkжылуулук, zaman bilgisinin genel doğruluğu artırmasının бир başına yeterli olmadığını göstermesidir. Beş кадрli girdi, karıştırılması kolay iki классı ayırırken көбүрөөк айырмаlı bir классın temsilini zayıflatabilmektedir. Ушул себептен girdi düzeyindeki birleştirme менен классlandırıcı düzeyindeki kaynak dağıtımının birlikte tasarlanması gerektiği savunulmaktadır.

Gelecekte көбүрөөк fazla агым rejiminin, айырмаlı агымkanların, айырмаlı boru çaplarının жана bağımsız deney düzeneklerinin kullanılması gerekir. Ayrıca модельin реалдуу zamanlı изилдөөsı, hesaplama чыгымi, айырмаlı aydınlatmalara dayanıklılığı жана deney koşulları арасында genelleme yeteneği değerlendirilmelidir. Изилдөөнүн mevcut sonuçları umut маалыматci bir laboratuvar классификация yaklaşımı sunmaktadır; endüstriyel ölçekte doğrulanmış bir башкаруу же güvenlik sistemi sunmamaktadır.

Изилдөөнүн Yöntemi жана Bulguları

Teknik ыкма özeti

Ana sayısal жыйынтыктар

Şekil жана tabloların bilimsel mesajı

• Şekil 1: Isıtıcı, gaz çıkış borusu, yoğuşturucu, dönüş borusu, ışık paneli жана gözlem bölümünün fiziksel yerleşimini көрсөтөт.
• Şekil 2: Isı жүкü, başlangıç sıvı seviyesi жана boru çapı değiştikçe агым классının кантип değiştiğini көрсөтөт.
• Şekil 3: Üç агым rejiminin удаалаш сүрөттөрdeki morfolojik жана убакыттык айырмаlılıklarını sunmaktadır.
• Tablo 1: Slug, туруксуз slug жана турбуленттүү агымдын tanımlayıcı белгилериni vermektedir.
• Tablo 2: Tek кадрli жана беш кадрli тензорlerin yapжылуулукnı салыштырmaktadır.
• Şekil 4: Beş кадрli girdinin üç klasik классlandırıcıda da genel doğruluğu artırdığını көрсөтөт.
• Şekil 5: Zamansal bilginin slug класстарını iyileştirirken турбуленттүү агым кайра чакырууsını düşürdüğünü ortaya koymaktadır.
• Şekil 6: Uzman моделдер, geçit ağı, белги birleştirme, Mamba bölümü жана классификация başlığından oluşan genel mimariyi көрсөтөт.
• Şekil 7: Üç uzman үчүн Softmax ağırlıkları üreten evrişimli geçit ağını көрсөтөт.
• Şekil 8: Mamba katmanı, artık bağlantжылуулук, LayerNorm жана ileri beslemeli ağ sırasını көрсөтөт.
• Tablo 3 жана Şekil 9: Doğrudan birleştirme, dinamik geçit жана Mamba bileşenlerinin genel тактык менен класс кайра чакырууsına өзүнчө katkılarını көрсөтөт.

Булак жана метод эскертүүсү

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

Yazarlar жана sıraları: Jiaqi Rao; Bin Xiong

Eş birinci yazar: PDF’de eş katkı же eş birinci yazarlık bilgisi жок.

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, ыкма, yazılım, biçimsel analiz, изилдөө, маалымат düzenleme, ilk taslak yazımı, görselleştirme жана doğrulama görevlerini üstlenmiştir. Bin Xiong; fon sağlama, inceleme жана düzenleme менен desбирleyici görselleştirme katkıları sunmuştur.

DOI: 10.2139/ssrn.6946753

Yayın же препринт platformu: SSRN

Dergi же konferans: Hakemli bir dergi же konferans yayını bu sürüm аркылуу doğrulanamamıştır.

Özgün yayınevi же platform hizmeti: Çalışma SSRN препринт platformunda yer almaktadır; SSRN hizmeti Elsevier tarafından işletilmektedir. Hakemli bir dergi yayınevi doğrulanamamıştır.

Yayın yılı: 2026

Kaynak türü: Deneysel сүрөт маалымат жалпыa менен derin öğrenme классификацияsını birleştiren препринт изилдөө makalesi

Hakemlik durumu: Бул изилдөө bir препринтtir жана рецензиядан өтө элекtir.

Resmî bağlantı:SSRN изилдөө sayfası

Finansman: Çalışma, Çin Ulusal Doğa Bilimleri Vakfının 51677178 numaralı desteğini bildirmektedir. Изилдөөчүлөр ayrıca deney tesisleri жана мисал жалпыa desteği үчүн Çin Bilimler Akademisi Elektrik Mühendisliği Enstitüsünün ilgili bölümüne teşekkür etmektedir.

Bu Türkçe makale жүкlenen PDF’nin ana metni, formülleri, tabloları, grafik жана şemaları менен eklenmiş görsel sayfaları incelenerek hazırlanmıştır. PDF’de bulunmayan yeni bir bilimsel bulgu, saha başarжылуулук, endüstriyel uygulama sonucu же реалдуу zamanlı performans iddiası eklenmemiştir.

Изилдөөнүн temel sınırlılıkları; рецензент баалооsinin bulunmaması, бир deney platformu жана üç агым классıyla sınırlı olması, окутуу-тест катышının ачыкlanmaması, kamera жана кадр hızı bilgilerinin маалыматlmemesi, окутуу hiperparametrelerinin eksikliği, bağımsız dış doğrulamanın bulunmaması, бирrarlı deneylerin гана temsilî bir çalıştırmayla sunulması жана sonuçlar үчүн istatistiksel belirsizlik bildirilmemesidir.

PDF ичинде nihai Şekil 9 жана sonuç metnindeki %81,7, %82,8 жана %83,9 ablasyon тактыкlarıyla, bazı ek ara grafik sayfalarında görülen %81,1, %81,7 жана %83,3 değerleri арасында tutarsızlık bulunmaktadır. Bu makalede ana metin, nihai şekil жана sonuç bölümüyle tutarlı olan %81,7, %82,8 жана %83,9 değerleri колдонулган. Yayımdan önce bu sayısal айырмаın изилдөөчүлөр же nihai deney kayıtları аркылуу doğrulanması önerilir.

Бул изилдөө рецензиядан өтө элек bir препринтtir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır. Bulgular laboratuvar düzeneğinde toplanan belirli сүрөт маалыматleri үчүн классификация performansını göstermekte, реалдуу saha koşullarında doğrulanmış endüstriyel başarı kanıtı sunmamaktadır.