Pengelasan corak merujuk kepada teknik yang digunakan untuk mengagihkan corak-corak kepada kelas tertentu secara automatik. Proses ini dijalankan berasaskan sifat semula jadi yang unik pada data sesuatu corak. Bagi projek ini, teknik pengelasan diaplikasikan di dalam sektor perindustrian minyak bagi mengenal pasti rejim aliran daripada keratan rentas aliran minyak-gas dalam saluran paip. Untuk tujuan ini, satu sistem pintar daripada Rangkaian Neural Buatan (RNB) dibangunkan untuk mengelaskan beberapa rejim aliran minyak-gas di dalam saluran paip berdasarkan data Tomografi Kemuatan Elektrik (TKE). Antara corak rejim aliran yang wujud di dalam saluran paip adalah rejim aliran anular, strata, gelembung, penuh, kosong dan teras. RNB jenis Multilayer Perceptron digunakan untuk menyiasat keupayaannya dalam menentukan corak rejim yang berbeza bagi aliran dalam paip. Multilayer Perceptron dilatih menggunakan data simulasi TKE daripada pelbagai jenis rejim aliran. Ia kemudiannya diuji terhadap data simulasi TKE yang belum pernah digunakan semasa latihan. Beberapa sistem neural yang memberikan anggaran pengelasan dengan purata ralat yang kecil dipilih untuk diimplementasikan ke dalam satu sistem undian. Sistem undian ini akan diuji dengan set ujian khas dan prestasinya dibandingkan dengan Multilayer Perceptron tanpa sistem undian. Keputusan yang diberikan menunjukkan kebolehlaksanaan penggunaan RNB dalam menentukan bentuk rejim aliran berdasarkan pada data tomografi.
______________________________________________________________________________________
Pattern classification refers to the techniques used to classify patterns into specific classes automatically. This process is performed based on the unique natural properties of the pattern data. For this project, classification technique was applied in the oil industry sector in determining the flow regime from the cross-section of oil-gas pipeline. For this purpose, an intelligent system from Artificial Neural Network (ANN) is to be constructed to classify different regimes of pattern for oil-gas flow in a pipeline based on the Electrical Capacitance Tomography (ECT) data. The different types of flow regimes in a pipeline are annular, stratified, bubble, full, empty and core. ANNs from Multilayer Perceptron is used to investigate its capabilities in determining the different regime pattern in the pipeline flow. Multilayer Perceptrons were trained using simulated ECT data from various types of flow regime. It is then tested with new unsimulated ECT data during its training. Some neural system that give small error average were choosen to implement into a voting system. This voting system will be tested against a special test set and its performance is compared with Multilayer Perceptron without the voting system. The results demonstrate the feasibility of the application of ANN in determining the flow regime pattern based on tomography data.
Rekabentuk sistem pintar bagi pengkelas corak aliran minyak-gas berasaskan sistem undian_Roslin Jamaludin_E3_2006_NI