Automated error logging in the flowmeter design process: Approaches to processing and analysis

Abstract

In the modern design of variable differential pressure flowmeters, the introduction of reliable automated logging systems is relevant, as conventional logging methods do not provide the required accuracy and stability under load. The purpose of this study was to substantiate and develop methodological approaches to automating logging processes in the design of variable differential pressure flowmeters, considering parametric optimisation, reducing error localisation time, and increasing the accuracy of uncertainty estimation. The study was based on experimental measurements in the SolidWorks 2024 and ANSYS Fluent software environments using the Elasticsearch and Kibana tools, as well as further computational processing in MATLAB 2024a. The evaluation covered the metrics of accuracy, completeness, integrated harmonic mean, area under the performance curve, time to detect a critical event, time to notify an engineer, time to localise an error, average error in flow calculation with bootstrap analysis, and an integrated logging efficiency index. The study found that basic logging provides limited accuracy (≈ 71%) and low stability (≈ 82.5% of failure-free sessions), while heuristic methods increase efficiency to 87.9%, but leave a considerable level of event duplication and lose stability under load. The statistical classification showed better results (integrated F1-score = 0.81, average consumption error = 2.5%, integrated logging efficiency index = 0.78), providing a balance between accuracy and performance. The highest indicators were achieved with the machine learning approach: accuracy exceeded 91%, completeness was over 87%, the average cost calculation error was reduced to 1.7%, the recovery of cause-and-effect relationships reached over 86%, and the integrated logging efficiency index was 0.89. Analysis of variance and the non-parametric Kruskal-Wallis test confirmed the reliability of the differences between the approaches. The practical significance of this study lies in the identification of machine learning algorithms as a basic direction for the development of intelligent logging systems, the findings of which can be used by engineering companies, software developers, and enterprises in the oil and gas, energy, and mechanical engineering industries to improve the reliability, scalability, and adaptability of design systems to real-world operating conditions.

У сучасному проєктуванні витратомірів змінного перепаду тиску актуальним є впровадження надійних систем автоматизованого логування, оскільки традиційні методи журналювання не забезпечують необхідної точності та стабільності під навантаженням. Метою дослідження було обґрунтування та розроблення методичних підходів до автоматизації процесів логування у проєктуванні витратомірів змінного перепаду тиску з урахуванням параметричної оптимізації, скорочення часу локалізації помилок та підвищення точності оцінки невизначеності. Дослідження базувалося на експериментальних вимірюваннях у програмних середовищах SolidWorks 2024 та ANSYS Fluent із використанням інструментарію Elasticsearch і Kibana, а також з подальшою обчислювальною обробкою у MATLAB 2024a. Оцінювання охоплювало метрики точності, повноти, інтегрального показника гармонійного середнього, площі під кривою робочих характеристик, часу до виявлення критичної події, часу до повідомлення інженера, часу до локалізації помилки, середньої похибки розрахунку витрати з бутстреп-аналізом, а також інтегрального індексу ефективності логування. Встановлено, що базове журналювання забезпечує обмежену точність (≈ 71 %) і низьку стабільність (≈ 82,5 % беззбоєвих сесій), тоді як евристичні методи підвищують ефективність до 87,9 %, але залишають значний рівень дублювання подій і втрачають стабільність під навантаженням. Статистична класифікація продемонструвала кращі результати (інтегральна метрика F1-score = 0,81, середня похибка витрати 2,5 %, інтегральний індекс ефективності логування = 0,78), забезпечивши баланс між точністю й швидкодією. Найвищі показники досягнуто у підході з алгоритмами машинного навчання: точність перевищила 91 %, повнота склала понад 87 %, середня похибка розрахунку витрати знизилася до 1,7 %, відновлення причинно-наслідкових зв’язків досягло понад 86 %, а інтегральний індекс ефективності логування становив 0,89. Дисперсійний аналіз та непараметричний тест Краскела-Уолліса підтвердили достовірність відмінностей між підходами. Практичне значення дослідження полягає у визначенні алгоритмів машинного навчання як базового напряму розвитку інтелектуальних систем логування, результати якого можуть бути використані інженерними компаніями, розробниками програмного забезпечення та підприємствами нафтогазової, енергетичної й машинобудівної галузей для підвищення надійності, масштабованості та адаптивності систем проєктування до реальних умов експлуатації.