黃正梁，王超，李少碩，楊遙，孫婧元，王靖岱，陽(yáng)永榮

（1 浙江省化工高效制造技術(shù)重點(diǎn)實(shí)驗(yàn)室，浙江杭州310027； 2 浙江大學(xué)化學(xué)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江杭州310027；3浙江大學(xué)化學(xué)工程與生物工程學(xué)院，浙江杭州310027）

引 言

涓流床、三相鼓泡床、三相移動(dòng)床等氣液固三相反應(yīng)器廣泛應(yīng)用于石油和化學(xué)工業(yè)[1-2]。氣液固三相反應(yīng)器中不同操作條件下會(huì)出現(xiàn)不同的流動(dòng)行為[3]，對(duì)反應(yīng)器中的流動(dòng)和傳遞產(chǎn)生顯著影響[4]。流型、相含率及其分布等流動(dòng)參數(shù)的準(zhǔn)確測(cè)量對(duì)氣液固三相反應(yīng)器的設(shè)計(jì)和優(yōu)化具有重要意義。

針對(duì)氣液固三相反應(yīng)器中的流動(dòng)行為，常用的檢測(cè)方法包括目測(cè)法[5-7]、高速攝像法[8-10]、壓降法[11-12]、聲信號(hào)檢測(cè)法[13]、電導(dǎo)探針?lè)╗14]、電子斷層掃描[15-16]、X 射線成像[17]、磁共振成像[18-19]和伽馬射線斷層掃描[20]等。其中，目測(cè)法和高速攝像法等可視化方法常用于驗(yàn)證其他檢測(cè)方法的準(zhǔn)確性[21]，然而可視化方法通常只能進(jìn)行定性分析。有學(xué)者將單層圓柱形規(guī)整填料均勻地固定在兩塊透明板之間，制成一種特殊結(jié)構(gòu)的二維床，采用高速攝像法研究了規(guī)整填料中氣泡的破碎、聚并行為[9-10]。他們使用的圓柱形規(guī)整填料間距較大，與實(shí)際反應(yīng)器存在較大差異。在實(shí)際工業(yè)裝置中，球形、齒球形、三葉草形等不同形狀的催化劑顆粒緊密堆積在反應(yīng)器中，復(fù)雜的顆粒背景使拍攝得到的圖像中氣液兩相之間的灰度差異非常小，給定量分析帶來(lái)了極大的挑戰(zhàn)。

近年來(lái)，以深度學(xué)習(xí)為代表的圖像處理方法取得了重大突破，使得從背景復(fù)雜的圖像中精確提取目標(biāo)信息成為可能[22-25]。深度學(xué)習(xí)作為分析數(shù)據(jù)的機(jī)器學(xué)習(xí)方法之一，其源于神經(jīng)學(xué)研究的啟示，能夠像大腦一樣通過(guò)組合低層特征形成更加抽象的高層特征[26]。在深度學(xué)習(xí)的起源階段，在神經(jīng)元結(jié)構(gòu)和工作原理的啟發(fā)下，構(gòu)建了M-P 模型、感知機(jī)等結(jié)構(gòu)，奠定了神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)[27]。在其發(fā)展過(guò)程中，誤差反向傳播（BP）算法在正向傳播的基礎(chǔ)上，增加了誤差的反向傳播過(guò)程，促成了神經(jīng)網(wǎng)絡(luò)的崛起，但其容易出現(xiàn)梯度彌散現(xiàn)象[28]。直到2006年，Hinton 等[29]開(kāi)創(chuàng)性地提出了深度學(xué)習(xí)的概念及模型訓(xùn)練方法，即通過(guò)無(wú)監(jiān)督的學(xué)習(xí)方法逐層訓(xùn)練，再使用有監(jiān)督的反向傳播算法進(jìn)行調(diào)優(yōu)，打破了BP 神經(jīng)網(wǎng)絡(luò)發(fā)展的瓶頸。隨后在受限玻爾茲曼機(jī)、自動(dòng)編碼器、稀疏編碼和卷積神經(jīng)網(wǎng)絡(luò)等多種典型算法的基礎(chǔ)上，深度學(xué)習(xí)技術(shù)被廣泛應(yīng)用于語(yǔ)音、圖像和自然語(yǔ)言處理等領(lǐng)域[30]，尤其是圖像中對(duì)象和區(qū)域的檢測(cè)、分割和識(shí)別等[24]，例如交通標(biāo)志識(shí)別[31]、醫(yī)學(xué)圖像分析[32]、人臉識(shí)別[33]和人體姿勢(shì)預(yù)測(cè)[34]等。因此，本文將深度學(xué)習(xí)方法用于氣液固三相反應(yīng)器中圖像分析，期望定量地獲取三相體系中的相含率及其分布、流型等流動(dòng)參數(shù)，為氣液固三相反應(yīng)器的研究提供新的工具。

1 測(cè)量原理及方法

1.1 測(cè)量原理

基于深度學(xué)習(xí)的氣液固三相反應(yīng)器圖像分析方法的原則流程如圖1所示，包括采集圖像、制作訓(xùn)練集、建立圖像識(shí)別模型、提取流動(dòng)參數(shù)4個(gè)步驟。

（1）提取圖像 在透明的氣液固三相反應(yīng)器模擬實(shí)驗(yàn)裝置中（一般用二維床或矩形床），利用高速相機(jī)獲取不同操作條件下的圖像，典型的圖像如圖2(a)所示。

圖1 基于深度學(xué)習(xí)的氣液固三相反應(yīng)器圖像分析流程Fig.1 Procedure of image analysis method based on deeplearning in gas-liquid-solid three-phase reactors

（2）制作訓(xùn)練集 隨機(jī)選擇部分原始圖像作為樣本圖像，采用Photoshop CS5 中的光標(biāo)繪制樣本圖像中的氣液邊界，然后用白色填充氣相以增加氣相和液相之間的灰度差異，可以獲得如圖2(b)所示的分割圖像；將分割圖像轉(zhuǎn)換為灰度圖像，并通過(guò)閾值分割程序（灰度閾值取250）進(jìn)一步處理，得到如圖2(c)所示的二值化圖像，其中白色區(qū)域?yàn)闅庀?。采用上述方法處理所有樣本圖像，將樣本圖像及其對(duì)應(yīng)的二值化圖像合并為訓(xùn)練集、驗(yàn)證集和測(cè)試集，三者比例為3∶1∶1。

（3）建立圖像識(shí)別模型 使用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱，以圖2 所示的全卷積神經(jīng)網(wǎng)絡(luò)（FCN）算法為基礎(chǔ)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。全卷積神經(jīng)網(wǎng)由CNN 網(wǎng)絡(luò)層、FCN 網(wǎng)絡(luò)層和條件隨機(jī)場(chǎng)三部分組成。其中，CNN 網(wǎng)絡(luò)層包括卷積層、激活函數(shù)層和池化層，在5 個(gè)卷積層中，采用5×5 的卷積核，步長(zhǎng)為1；采用隨機(jī)初始化權(quán)重及誤差反向傳播方法進(jìn)行網(wǎng)絡(luò)的訓(xùn)練和網(wǎng)絡(luò)層的連接；采用2×2 的核進(jìn)行最大池化操作；利用Relu 函數(shù)克服梯度消失問(wèn)題。FCN 網(wǎng)絡(luò)層對(duì)輸入圖像的特征進(jìn)行全卷積操作并計(jì)算Softmax 分類的代價(jià)函數(shù)，采用均值操作融合對(duì)應(yīng)圖像的特征，并進(jìn)行像素點(diǎn)的預(yù)測(cè)，最后通過(guò)反卷積上采樣操作將圖像恢復(fù)至輸入尺寸。條件隨機(jī)場(chǎng)主要是用于進(jìn)一步提高學(xué)習(xí)精度。

模型建立過(guò)程中，首先將原始圖像和其二值化圖像[圖2(a)、(c)]輸入全卷積神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過(guò)模型內(nèi)部的訓(xùn)練學(xué)習(xí)，得到圖2(d)所示的識(shí)別結(jié)果[35-37]，計(jì)算其與圖2(c)所示的二值化圖像之間的偏差，當(dāng)偏差大于設(shè)定值時(shí)，調(diào)整模型參數(shù)繼續(xù)訓(xùn)練；當(dāng)偏差小于設(shè)定值時(shí)，認(rèn)為圖像識(shí)別模型已構(gòu)建完成。

（4）提取流動(dòng)參數(shù) 采用所建立的圖像識(shí)別模型對(duì)原始圖像進(jìn)行分析，獲得局部相含率（氣相分?jǐn)?shù)和液相分?jǐn)?shù)）及其空間分布、時(shí)間序列等信息。其中，位于液相區(qū)的像素點(diǎn)被識(shí)別為0，位于氣相區(qū)的像素點(diǎn)被識(shí)別為1，局部液相分?jǐn)?shù)等于被識(shí)別為0的像素點(diǎn)之和與總像素點(diǎn)的比值，局部氣相分?jǐn)?shù)等于被識(shí)別為1的像素點(diǎn)之和與總像素點(diǎn)的比值。進(jìn)一步，如圖3所示，采用時(shí)域分析、頻譜分析、小波分析等現(xiàn)代分析方法，對(duì)局部相含率的時(shí)間序列信號(hào)進(jìn)行分析，獲得均值、標(biāo)準(zhǔn)差、特征峰位置、特征峰強(qiáng)度等二次參數(shù)，可以與壓降、流型、流型轉(zhuǎn)變等流動(dòng)參數(shù)進(jìn)行關(guān)聯(lián)；對(duì)局部相含率的空間分布數(shù)據(jù)進(jìn)行分析，獲得方差、標(biāo)準(zhǔn)差、概率分布半峰寬等二次參數(shù)，可用于表征相含率空間分布的均勻性及其隨時(shí)間的變化特征。

圖2 圖像的典型處理過(guò)程Fig.2 Typical processing of original images

圖3 氣液固三相反應(yīng)器圖像分析方法提取的流動(dòng)參數(shù)Fig.3 Flow parameters extracted by image analysis method in gas-liquid-solid three-phase reactors

1.2 模型參數(shù)優(yōu)化

使用全卷積神經(jīng)網(wǎng)絡(luò)模型建立圖像識(shí)別模型的過(guò)程中，學(xué)習(xí)率、訓(xùn)練次數(shù)、訓(xùn)練集大小是非常重要的模型參數(shù)，與模型預(yù)測(cè)準(zhǔn)確率密切相關(guān)[25]。不同學(xué)習(xí)率下圖像識(shí)別模型的訓(xùn)練準(zhǔn)確率隨訓(xùn)練次數(shù)的變化見(jiàn)表1，當(dāng)學(xué)習(xí)率從0.0001 增大到0.01 時(shí)，模型的收斂速度和訓(xùn)練準(zhǔn)確率明顯提高，且在學(xué)習(xí)率為0.005 時(shí)達(dá)到最佳收斂效果。但當(dāng)學(xué)習(xí)率大于0.1 時(shí)，模型將不會(huì)收斂，且模型訓(xùn)練準(zhǔn)確率僅為60%。因此選擇學(xué)習(xí)率為0.005，以保證模型的訓(xùn)練精度并提高收斂速度。從表中還可看出，訓(xùn)練準(zhǔn)確率隨著訓(xùn)練次數(shù)的增加呈對(duì)數(shù)增長(zhǎng)，當(dāng)學(xué)習(xí)率為0.005 且訓(xùn)練次數(shù)大于2000 時(shí)，訓(xùn)練精度達(dá)到95.3%。因此，訓(xùn)練次數(shù)選為2000 能夠保證訓(xùn)練準(zhǔn)確率。

表1 不同學(xué)習(xí)率下圖像識(shí)別模型訓(xùn)練準(zhǔn)確率/%Table 1 Training accuracy of model at various learning rates/%

此外，訓(xùn)練集大小始終是決定深度學(xué)習(xí)模型預(yù)測(cè)準(zhǔn)確率的關(guān)鍵因素，增大訓(xùn)練集能夠降低模型預(yù)測(cè)值的平均相對(duì)偏差。本文分析了訓(xùn)練集大小對(duì)模型預(yù)測(cè)準(zhǔn)確率的影響，通過(guò)將測(cè)試集輸入模型得到模型預(yù)測(cè)值，與其對(duì)應(yīng)的二值化圖像進(jìn)行對(duì)比，得到的平均相對(duì)偏差如表2 所示。由表可知，平均相對(duì)偏差隨訓(xùn)練集的增大逐漸減小，當(dāng)訓(xùn)練集達(dá)到350 張圖像時(shí)，模型預(yù)測(cè)的平均相對(duì)偏差小于5%，當(dāng)訓(xùn)練集達(dá)到400 張圖像時(shí)，模型預(yù)測(cè)的平均相對(duì)偏差為4.1%。因此，訓(xùn)練集包含400 張圖像可以保證訓(xùn)練準(zhǔn)確率。綜上，推薦的模型參數(shù)為：學(xué)習(xí)率0.005，學(xué)習(xí)次數(shù)大于2000，訓(xùn)練集包含超過(guò)400 張圖像。

表2 圖像識(shí)別模型的平均相對(duì)偏差Table 2 Relative deviation of model

2 圖像分析法在三相體系中的應(yīng)用

2.1 實(shí)驗(yàn)裝置及方法

圖4 為氣液固三相反應(yīng)器冷模實(shí)驗(yàn)裝置，由矩形床、固體料倉(cāng)、空氣和供水系統(tǒng)、測(cè)量系統(tǒng)組成。其中矩形床由兩個(gè)平行的玻璃板制成，長(zhǎng)100 mm、高600 mm，兩塊板之間的寬度為38 mm。不銹鋼制成的固體料倉(cāng)安裝在矩形床上方500 mm處，以確保顆粒的連續(xù)流動(dòng)和床層上部的氣密性。料倉(cāng)通過(guò)直徑為35 mm 的固體進(jìn)料管與矩形床連接，固體進(jìn)料管伸入床層120 mm。為了保證氣液固的均勻分布，氣體分配器安裝在固體進(jìn)料管出口上方100 mm處，兩個(gè)連續(xù)液體噴嘴（BB1/ 8-SS，噴嘴孔徑2.0 mm）安裝在氣體分配器和固體進(jìn)料管的出口之間。其中，分布器為多孔分布板，孔徑為1 mm，正三角形排布，開(kāi)孔率為2.94%。

圖4 氣液固三相反應(yīng)器冷模實(shí)驗(yàn)裝置Fig.4 Cold-model experimental system for gas-liquid-solid three-phase reactor

實(shí)驗(yàn)采用壓縮空氣、水和陶瓷球顆粒作為模擬介質(zhì)。陶瓷球的主要成分為SiO2，直徑6 mm，液固接觸角為42.9°。采用轉(zhuǎn)子流量計(jì)（LZB-15）測(cè)量氣相流量，用電磁流量計(jì)（LDG-SUP）測(cè)量液相流量，用電子天平（YP10K-1）測(cè)量固體質(zhì)量。氣速變化范圍 為0.007～0.139 m·s-1，液 速 變 化 范 圍 為0.003～0.033 m·s-1。采用高速相機(jī)（Photron Fastcam Mini WX100，Japan）及Photron 配套軟件，在固定拍攝窗口拍攝分辨率為2048×2048 像素的圖像，拍攝區(qū)域大小為20 mm×20 mm，位于氣體分布器下方500 mm處。實(shí)驗(yàn)中使用的光源是LED 背光源，光強(qiáng)度為4000 cd。使用尼康相機(jī)自動(dòng)對(duì)焦鏡頭（AF 50/1.8D）。采集速率設(shè)置為每秒50 幀，曝光時(shí)間為1/1000 s，采集時(shí)間設(shè)置為30 s。

實(shí)驗(yàn)過(guò)程中固體顆粒不動(dòng)，氣液兩相并流向下。在氣速保持恒定的條件下，增大液體流速，使流型從涓流先轉(zhuǎn)變?yōu)槊}沖流再轉(zhuǎn)變?yōu)楣呐萘?，用于考察圖像分析方法在涓流床典型流型識(shí)別中應(yīng)用的可行性。實(shí)驗(yàn)前需要對(duì)顆粒進(jìn)行預(yù)潤(rùn)濕，將顆粒在水中浸漬30 min，然后自然過(guò)濾20 min，保證顆粒表面無(wú)自由水，即可獲得預(yù)潤(rùn)濕的顆粒[38]。每次改變操作條件后，系統(tǒng)需要運(yùn)行10 min 以達(dá)到新的穩(wěn)態(tài)，再使用高速相機(jī)采集圖像。

2.2 圖像分析法在涓流床中的應(yīng)用

氣液并流向下涓流床在不同操作條件下會(huì)出現(xiàn)涓流、脈沖流、鼓泡流等典型流型。大多數(shù)工業(yè)涓流床在涓流-脈沖流的轉(zhuǎn)變邊界附近操作，可以得到較高的傳質(zhì)效率和催化劑利用率，同時(shí)又能夠降低能耗[4]。

本文采用高速攝像法獲得的涓流床中典型流型的照片見(jiàn)圖5。當(dāng)氣速和液速較低時(shí)（uG= 0.069 m·s-1,uL= 0.003 m·s-1）為涓流，如圖5(a)所示，此時(shí)氣液相都是連續(xù)相，床層空隙主要被氣相占據(jù)，液相僅以膜流的形式沿顆粒表面向下流動(dòng)，同時(shí)較弱的氣液相互作用難以破壞相界面，氣液相界面清晰。當(dāng)液速足夠大時(shí)（uL= 0.022 m·s-1），涓流轉(zhuǎn)變?yōu)槿鐖D5(b)、(c)所示的脈沖流。局部液體脈沖形成的頻率增加，匯聚在一起形成大脈沖進(jìn)而阻塞整個(gè)床層橫截面，因此氣相和液相均為半連續(xù)相，富氣區(qū)和富液區(qū)交替向下流動(dòng)。同時(shí)較強(qiáng)的氣液相互作用能夠破壞氣液相界面，氣液相界面變得模糊。當(dāng)液速進(jìn)一步增大且氣速減小時(shí)（uG= 0.007 m·s-1,uL= 0.028 m·s-1），脈沖流轉(zhuǎn)變?yōu)槿鐖D5(d)所示的鼓泡流。此時(shí)氣相為分散相，液相為連續(xù)相，盡管氣液相互作用較強(qiáng)，但氣相推動(dòng)力難以破壞連續(xù)的液體流，氣體以氣泡的形式分散在連續(xù)液相中。

圖5 涓流床中3種典型氣液流型Fig.5 Three typical gas-liquid flow behaviors in trickle bed

2.2.1 涓流床中流型識(shí)別 采用本文提出的基于深度學(xué)習(xí)的圖像分析方法，從原始圖像提取氣相分?jǐn)?shù)和液相分?jǐn)?shù)及其時(shí)間序列信號(hào)，通過(guò)分析時(shí)間序列信號(hào)及其頻譜和概率密度分布的特征來(lái)識(shí)別流型。

涓流床中3種典型流型下局部液相分?jǐn)?shù)隨時(shí)間的變化如圖6 所示。在涓流流型下，液相分?jǐn)?shù)較小并且隨時(shí)間無(wú)明顯變化；在脈沖流流型下，液相分?jǐn)?shù)增大并且呈周期性的劇烈波動(dòng)，變化范圍為55%～75%；在鼓泡流流型下，氣相以氣泡的形式分散在連續(xù)液流中，液相分?jǐn)?shù)進(jìn)一步增大，當(dāng)氣泡通過(guò)時(shí)會(huì)出現(xiàn)液相分?jǐn)?shù)較低的信號(hào)峰?？梢?jiàn)，通過(guò)液相分?jǐn)?shù)隨時(shí)間的變化特征能夠區(qū)分涓流床中3種典型流型。

圖6 涓流床中3種典型流型下局部液相分?jǐn)?shù)隨時(shí)間的變化Fig.6 Variations of local liquid fraction with time under three typical flow regimes in trickle bed

涓流床中3種典型流型下局部液相分?jǐn)?shù)時(shí)間序列信號(hào)的功率譜如圖7 所示。在涓流流型下，氣液兩相穩(wěn)定向下流動(dòng)，液相分?jǐn)?shù)保持相對(duì)恒定，因此其功率譜圖無(wú)明顯的特征峰。在脈沖流流型下，富氣區(qū)和富液區(qū)交替通過(guò)使得液相分?jǐn)?shù)呈現(xiàn)周期波動(dòng)，其功率譜圖在3 Hz和6 Hz附近存在特征峰。而在鼓泡流中，氣相以氣泡的形式分散在液相中，氣泡并聚對(duì)液相分?jǐn)?shù)的擾動(dòng)較小，因此其功率譜圖的特征峰大多出現(xiàn)在極低的頻率?？梢?jiàn)，通過(guò)液相分?jǐn)?shù)時(shí)間序列信號(hào)功率譜中特征峰位置也能夠區(qū)分涓流床中3 種典型流型。此外，還可以根據(jù)特征峰的頻率和數(shù)量，定量描述氣液兩相的相互作用規(guī)律。

局部液相分?jǐn)?shù)時(shí)間序列信號(hào)的概率密度曲線如圖8 所示，其在一定間隔內(nèi)的積分可用于指示液相分?jǐn)?shù)位于該區(qū)間內(nèi)的概率。在涓流流型下，氣液流動(dòng)穩(wěn)定，液相分?jǐn)?shù)變化小，故其概率密度分布呈現(xiàn)出較窄的單峰分布。在脈沖流中，氣液相互作用強(qiáng)烈，富氣區(qū)和富液區(qū)的交替向下流動(dòng)，液相分?jǐn)?shù)在一定范圍內(nèi)劇烈波動(dòng)，故其分布曲線呈現(xiàn)出較寬的單峰分布，且接近正態(tài)分布。在鼓泡流中，氣泡的隨機(jī)性導(dǎo)致液相分?jǐn)?shù)分布曲線呈現(xiàn)較寬的單峰左偏態(tài)分布?？梢?jiàn)，通過(guò)液相分?jǐn)?shù)時(shí)間序列信號(hào)的概率密度曲線分布特征也能區(qū)分涓流床中3種典型流型。

圖8 涓流床中3種典型條件下局部液相分?jǐn)?shù)信號(hào)的概率密度分布曲線Fig.8 Variations of probability density curve of liquid fractions under three typical flow regimes in trickle bed

采用基于深度學(xué)習(xí)的圖像分析法得到3種典型流型下液相分?jǐn)?shù)的均值、標(biāo)準(zhǔn)差、極差、概率密度分布曲線的半峰寬等特征參數(shù)，如表3 所示。由表可知，不同流型下特征參數(shù)的數(shù)值差異明顯，根據(jù)不同操作條件下特征參數(shù)的變化趨勢(shì)，即可定量確定流型邊界。

表3 涓流床中3種典型流型對(duì)應(yīng)的特征參數(shù)Table 3 Characteristic parameters corresponding to three typical flow regimes in trickle bed

2.2.2 涓流床壓降預(yù)測(cè) Holub 等[39]提出了一種涓流床壓降的預(yù)測(cè)模型，如式（1）所示。

式中，ΔP/Z是單位床層壓降；ΨG為氣相壓降；床層空隙率?B=0.4；液相分率?L通過(guò)圖像分析方法得到；ReG和GaG分別為氣相Reynolds 數(shù)和Galileo數(shù)；E1和E2是根據(jù)厄根公式修正而來(lái)的系數(shù)（根據(jù)文獻(xiàn)[40]，取E1=180，E2=1.8）。氣相密度ρG為1.185 kg·m-3，氣相黏度μG為0.01834 mPa·s。

在涓流床中的涓流區(qū)，基于圖像分析方法在液速增加和減少的過(guò)程中得到了平均液相分?jǐn)?shù)，代入式（1）計(jì)算得到床層壓降隨液速的變化曲線，其與液速上升和下降過(guò)程中U形管壓差計(jì)測(cè)量值的比較如圖9所示。可見(jiàn)，二者具有相同的變化趨勢(shì)，平均相對(duì)偏差約為15%。實(shí)驗(yàn)結(jié)果表明，本文提出的圖像分析方法能夠用于預(yù)測(cè)涓流床中涓流區(qū)的壓降變化。

圖9 涓流床壓降的實(shí)驗(yàn)值與理論預(yù)測(cè)值的比較Fig.9 Comparison of experimental pressure drop with theoretical predictions from model in trickle flow

圖10 涓流床中3種典型流型下局部液相分?jǐn)?shù)空間分布的標(biāo)準(zhǔn)差隨時(shí)間的變化Fig.10 Variation of standard deviation of spatial distribution of local liquid fractions under three typical flow regimes in trickle bed

2.2.3 氣液分布均勻性 采用本文提出的基于深度學(xué)習(xí)的圖像分析方法，從原始圖像提取氣相分?jǐn)?shù)和液相分?jǐn)?shù)空間分布的標(biāo)準(zhǔn)差，通過(guò)分析標(biāo)準(zhǔn)差的大小及其隨時(shí)間的變化來(lái)判別氣液分布的均勻性。涓流床中3種典型流型下局部液相分?jǐn)?shù)空間分布的標(biāo)準(zhǔn)差隨時(shí)間的變化如圖10 所示。從標(biāo)準(zhǔn)差的數(shù)值來(lái)看，涓流流型下標(biāo)準(zhǔn)差最大，對(duì)應(yīng)的液相分?jǐn)?shù)空間分布最不均勻；脈沖流下標(biāo)準(zhǔn)差次之；鼓泡流下標(biāo)準(zhǔn)差最小，對(duì)應(yīng)的液相分?jǐn)?shù)空間分布最均勻。從標(biāo)準(zhǔn)差隨時(shí)間的變化來(lái)看，涓流流型下波動(dòng)最小，脈沖流下波動(dòng)居中，鼓泡流下波動(dòng)最大。這是因?yàn)閺拿}沖流轉(zhuǎn)變?yōu)楣呐萘骱?，床層空隙主要被液相占?jù)，氣泡隨機(jī)向下流動(dòng)，當(dāng)氣泡并聚或者大量氣泡出現(xiàn)時(shí)，對(duì)氣液兩相的空間分布造成劇烈擾動(dòng)，使得標(biāo)準(zhǔn)差波動(dòng)增大。需要指出的是，如果拍攝區(qū)域不能覆蓋整個(gè)床層截面，可將床層截面分為多個(gè)區(qū)域，用多個(gè)相機(jī)同時(shí)拍攝后，再使用上述方法判別氣液分布均勻性。

3 結(jié) 論

本文發(fā)展了一種基于深度學(xué)習(xí)的氣液固三相反應(yīng)器圖像分析方法，包括采集圖像、制作訓(xùn)練集、建立圖像識(shí)別模型和提取流動(dòng)參數(shù)四個(gè)步驟。其中，學(xué)習(xí)率、訓(xùn)練次數(shù)、訓(xùn)練集大小是采用全卷積神經(jīng)網(wǎng)絡(luò)模型建立的圖像識(shí)別模型的關(guān)鍵參數(shù)。優(yōu)選的模型參數(shù)為：學(xué)習(xí)率為0.005，訓(xùn)練次數(shù)為2000次，訓(xùn)練集大小為超過(guò)400 張圖像。該方法可獲取三相反應(yīng)器中局部相含率（氣相分?jǐn)?shù)和液相分?jǐn)?shù)）及其空間分布、時(shí)間序列等信息，采用時(shí)域分析、頻率分析、小波分析等分析方法提取的二次參數(shù)，可用于流型識(shí)別、壓降預(yù)測(cè)和氣液分布的均勻性判別等。

本文將基于深度學(xué)習(xí)的圖像分析方法用于氣液并流向下涓流床中流動(dòng)參數(shù)的檢測(cè)，結(jié)果表明，局部液相分?jǐn)?shù)隨時(shí)間變化信號(hào)及其功率譜、概率密度分布曲線均能清晰地區(qū)分涓流、脈沖流、鼓泡流等典型流型；均值、標(biāo)準(zhǔn)差、極差等特征參數(shù)隨操作條件的變化趨勢(shì)可用于確定流型邊界；平均液相分?jǐn)?shù)可用于預(yù)測(cè)涓流區(qū)壓降，其與U 形管壓差計(jì)測(cè)量值的平均相對(duì)偏差約為15%；液相分?jǐn)?shù)空間分布的標(biāo)準(zhǔn)差可用于判別涓流床中不同流型下氣液分布均勻性。

本文提出的圖像分析方法只能測(cè)量氣液固三相反應(yīng)器壁面附近的流動(dòng)參數(shù)，如何建立其與床層內(nèi)部流動(dòng)參數(shù)的關(guān)聯(lián)，提高預(yù)測(cè)精度，有待深入研究。