Систематизувавши наявні підходи до генерації навчальних даних для задач витратометрії та виконавши порівняльний аналіз їх ефективності, авторами виокремлено і детально розглянуто три ключові способи отримання навчальних даних для методів машинного навчання: експериментальні дослідження (висока достовірність, але обмежена варіативність), CFD-моделювання (дозволяє відтворити тривимірну структуру потоку з високою деталізацією) та суперпозиція аналітичних профілів (забезпечує швидку генерацію математичних моделей спотворень). Запропоновано диференційований підхід до оцінювання отриманих навчальних даних за двома групами критеріїв: група для CFD-моделювання та суперпозиція аналітичних профілів - гідродинамічний коефіцієнт, відносна похибка вимірювання витрати, коефіцієнт чутливості до варіацій; група для CFD-моделювання та експериментів - коефіцієнти профілю, симетрії та поперечності. Виявлено, що коефіцієнт профілю є ключовим інформативним параметром для ідентифікації типу гідродинамічного спотворення.