仝衛(wèi)國(guó)，曾世超，李芝翔，朱賡宏

(華北電力大學(xué)控制與計(jì)算機(jī)工程學(xué)院，河北保定 071003)

0 引言

氣液兩相流廣泛存在于石油、冶金、火力等工業(yè)生產(chǎn)中，精確且快速的流量參數(shù)測(cè)量有助于提高工業(yè)系統(tǒng)運(yùn)行的穩(wěn)定性[1-3]。電阻層析成像技術(shù)通過還原待測(cè)介質(zhì)的電導(dǎo)率分布，且具有非侵入性、響應(yīng)速度快、結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)，因此被廣泛應(yīng)用于兩相流的可視化監(jiān)測(cè)中[4-5]。傳統(tǒng)流量測(cè)量?jī)x表的測(cè)量對(duì)象主要是液體或氣體等單相流體，局限性較大。新技術(shù)流量?jī)x表如電磁流量計(jì)、超聲波流量計(jì)等，其測(cè)量精度高、測(cè)量速度快，滿足了工業(yè)生產(chǎn)在線測(cè)量和可視化監(jiān)測(cè)的需求[6-7]。

近年來，神經(jīng)網(wǎng)絡(luò)在流量測(cè)量領(lǐng)域得到了大量研究?？锸啦臶8]等利用BP(back propagation)神經(jīng)網(wǎng)絡(luò)構(gòu)建了集輸-立管系統(tǒng)的氣液兩相流流量測(cè)量模型；張怡[9]等建立了3層Elman神經(jīng)網(wǎng)絡(luò)模型，將其與彎管流量計(jì)結(jié)合，有效提升了煤粉顆粒質(zhì)量流量測(cè)量精度；張曉鐘[10]等通過分析輕質(zhì)燃油內(nèi)超聲波的傳播速度、溫度和介質(zhì)密度的關(guān)系，利用人工神經(jīng)網(wǎng)絡(luò)建立模型，完成了輕質(zhì)燃油的質(zhì)量流量測(cè)量。

ERT系統(tǒng)多用于兩相流流型圖像重建及流型識(shí)別，對(duì)液相流量的測(cè)量準(zhǔn)確性不高。為提高氣液兩相流液相流量測(cè)量的準(zhǔn)確性和及時(shí)性，提出了一種基于ERT系統(tǒng)和LSTM神經(jīng)網(wǎng)絡(luò)相結(jié)合的氣液兩相流流量測(cè)量方法。利用順序排列的16電極依次激勵(lì)得到的120個(gè)電阻值作為L(zhǎng)STM網(wǎng)絡(luò)的輸入，以電磁流量計(jì)采集的液相體積流量作為理想輸出。實(shí)驗(yàn)表明，本文提出的方法在兩種流型下平均引用誤差低于3%。

1 ERT系統(tǒng)測(cè)量原理

典型的ERT系統(tǒng)主要包括傳感器單元、數(shù)據(jù)采集與處理單元和計(jì)算機(jī)圖像重建單元。典型的ERT傳感器金屬電極數(shù)目有8、12、16個(gè)，陣列傳感器被安裝在管道外圍且呈等間隔排列。由于金屬電極對(duì)待測(cè)介質(zhì)的變化十分敏感，因此電阻數(shù)值與介質(zhì)分布有一定相關(guān)性。電阻值的測(cè)量數(shù)量是由電極數(shù)量決定的，其計(jì)算公式如式(1)所示。

N=0.5×n×(n-1)

(1)

式中：N為可測(cè)的電阻值數(shù)量；n為ERT系統(tǒng)的陣列電極數(shù)量。

本實(shí)驗(yàn)采用的16電極的ERT系統(tǒng)電極測(cè)量結(jié)構(gòu)如圖1所示，通過對(duì)16個(gè)電極依次施加激勵(lì)信號(hào)，即可得到120個(gè)電阻測(cè)量值。ERT系統(tǒng)中高靈敏、高信噪比的數(shù)據(jù)采集與處理單元將獲取的信號(hào)傳輸?shù)接?jì)算機(jī)，經(jīng)過圖像重建算法便能夠重建被測(cè)介質(zhì)的電導(dǎo)率分布狀態(tài)。

圖1 ERT系統(tǒng)16電極測(cè)量結(jié)構(gòu)圖

2 基于LSTM的氣液兩相流液相流量測(cè)量模型

2.1 LSTM神經(jīng)網(wǎng)絡(luò)模型

標(biāo)準(zhǔn)循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)適用于處理序列數(shù)據(jù)，由于RNN在每層及每個(gè)神經(jīng)元間都建立了權(quán)連接，使得每個(gè)神經(jīng)元的當(dāng)前輸出依賴于當(dāng)前網(wǎng)絡(luò)輸入與之前網(wǎng)絡(luò)輸出。但當(dāng)序列數(shù)據(jù)足夠長(zhǎng)時(shí)，RNN的網(wǎng)絡(luò)結(jié)構(gòu)會(huì)隨之加深，進(jìn)而出現(xiàn)梯度爆炸和梯度消失的問題。LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)利用“門”的內(nèi)部機(jī)制來調(diào)節(jié)網(wǎng)絡(luò)內(nèi)部信息流，很好地解決了標(biāo)準(zhǔn)RNN的短時(shí)記憶問題，如今LSTM已經(jīng)被廣泛應(yīng)用在參數(shù)預(yù)測(cè)[11-14]、文本分析[15]等領(lǐng)域中。

LSTM單元包括輸入門it、遺忘門ft、輸出門ot，其中輸入門it和遺忘門ft的引入能夠使得RNN更有效地保留長(zhǎng)期記憶，LSTM單元細(xì)節(jié)圖如圖2所示。輸入門it通過運(yùn)算能夠控制當(dāng)前時(shí)刻的輸入數(shù)據(jù)xt流入記憶單元Ct的數(shù)量；遺忘門ft通過運(yùn)算來調(diào)節(jié)之前時(shí)刻信息Ct-1對(duì)當(dāng)前時(shí)刻Ct的影響，即實(shí)現(xiàn)序列信息的保留和遺忘；輸出門ot通過運(yùn)算調(diào)節(jié)Ct對(duì)當(dāng)前時(shí)刻輸出值ht的影響。

圖2 LSTM單元結(jié)構(gòu)圖

圖2中，ht為當(dāng)前時(shí)間點(diǎn)輸出，ht-1為前一個(gè)時(shí)間點(diǎn)輸出,xt為當(dāng)前時(shí)間，sigmoid和tanh為激活函數(shù)，具體運(yùn)算可以參照式(2)～式(6)。

Ct=ft×Ct-1+it×Zt

(2)

ft=sigmoid(W[ht-1,xt]+bf)

(3)

it=sigmoid(W[ht-1,xt]+bi)

(4)

ot=sigmoid(W[ht-1,xt]+bo)

(5)

Zt=tanh(W[ht-1,xt]+bz)

(6)

式中：W和b分別表示相應(yīng)的門權(quán)重和門偏置。

16電極的ERT系統(tǒng)能夠采集到某時(shí)刻的120個(gè)電阻值信息，且電阻值中包含一定的時(shí)間變化，能夠體現(xiàn)內(nèi)部介質(zhì)的流動(dòng)情況，因此能夠利用120個(gè)電阻值信息和LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建氣液兩相流液相流量測(cè)量模型。

2.2 數(shù)據(jù)集構(gòu)建及預(yù)處理

啟動(dòng)水泵等待管道內(nèi)水滿管后，通過氣泡發(fā)生裝置能夠調(diào)節(jié)管道內(nèi)進(jìn)氣量的大小和進(jìn)氣間隔，進(jìn)而產(chǎn)生不同的氣液兩相流流型。當(dāng)進(jìn)氣量較少時(shí)，管道中會(huì)產(chǎn)生泡狀流；當(dāng)加大進(jìn)氣量并改變進(jìn)氣間隔后產(chǎn)生彈狀流。圖3為ERT系統(tǒng)重建的兩種流型圖像。

本次實(shí)驗(yàn)在氣液兩相流實(shí)驗(yàn)裝置中采集了24 000組流型特征電阻值及對(duì)應(yīng)的液相流量值，其中彈狀流和泡狀流各12 000組,兩種流型數(shù)據(jù)中11 760組用作訓(xùn)練，剩余240組用作測(cè)試。為方便后續(xù)數(shù)據(jù)處理及保證神經(jīng)網(wǎng)絡(luò)運(yùn)行時(shí)收斂加快，需要對(duì)數(shù)據(jù)集進(jìn)行歸一化預(yù)處理，使原數(shù)據(jù)通過線性變換映射到0～1之間。設(shè)原始特征電阻值為ri,j(1≤i≤120，1≤j≤24 000)，歸一化預(yù)處理公式如下：

(7)

(a)彈狀流圖像

(b)泡狀流圖像

2.3 氣液兩相流液相流量測(cè)量模型的構(gòu)建

基于LSTM氣液兩相流流量測(cè)量模型一共可以分為輸入層、LSTM層、Dropout層、全連接層和輸出層。而LSTM層由多個(gè)LSTM堆疊而成，具體結(jié)構(gòu)參照?qǐng)D4所示。

圖4 基于LSTM的氣液兩相流流量測(cè)量模型

首先將經(jīng)過歸一化處理的電阻值數(shù)據(jù)排成120×23 520的特征向量矩陣，接著輸入層將數(shù)據(jù)傳入單元數(shù)為200的LSTM層。多層LSTM結(jié)構(gòu)能夠加深網(wǎng)絡(luò)結(jié)構(gòu)，使得模型能夠?qū)W習(xí)到數(shù)據(jù)集的深層特征。

Dropout層的設(shè)置目的是降低神經(jīng)元節(jié)點(diǎn)間的相互依賴性，有助于實(shí)現(xiàn)網(wǎng)絡(luò)的正則化并降低網(wǎng)絡(luò)結(jié)構(gòu)風(fēng)險(xiǎn)，實(shí)驗(yàn)中Dropout層的丟棄概率為0.5。最后由全連接層通過線性變換將網(wǎng)絡(luò)輸出轉(zhuǎn)為1個(gè)一維標(biāo)量，即液相流量測(cè)量值，并以該測(cè)量值為最終輸出。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)采用的流體流動(dòng)管道為80 mm不銹鋼管道，ERT的16電極等間距排列在DN60的豎直有機(jī)玻璃管道上，并進(jìn)行順序編號(hào)。電磁流量計(jì)的量程為0.5～120 m3/h，準(zhǔn)確度為0.5級(jí)。ERT系統(tǒng)通過電纜連接到計(jì)算機(jī)上，使用TJU-Etest軟件收集特征電阻值?；贚STM的氣液兩相流液相流量測(cè)量模型的訓(xùn)練平臺(tái)為MATLAB/CPU：Intel Core i5-10400F @2.9GHz/GPU：Nvidia GeForce RTX 2060。

3.2 評(píng)價(jià)標(biāo)準(zhǔn)

由于電磁流量計(jì)采集的液相流量值變化幅度大(0.5～120 m3/h)，為客觀評(píng)價(jià)構(gòu)建模型的測(cè)量精度，采用均方根誤差(root mean square error，RMSE)和平均引用誤差(mean citation error，MCE)作為評(píng)價(jià)標(biāo)準(zhǔn)，計(jì)算式參照式(8)、式(9)。

(8)

(9)

3.3 不同LSTM層數(shù)對(duì)流量測(cè)量精度的影響

相較于單層LSTM，多層LSTM能夠加深網(wǎng)絡(luò)結(jié)構(gòu)，提高神經(jīng)網(wǎng)絡(luò)的非線性擬合效果。為探究LSTM層數(shù)對(duì)流量測(cè)量模型精度的影響，將網(wǎng)絡(luò)中LSTM的層數(shù)分別設(shè)置為2、3、4層。通過搭建不同LSTM層數(shù)的流量測(cè)量模型并進(jìn)行訓(xùn)練，利用相同數(shù)據(jù)集進(jìn)行測(cè)試，泡狀流和彈狀流預(yù)測(cè)結(jié)果如圖5、圖6所示，具體測(cè)試結(jié)果評(píng)價(jià)指標(biāo)如表1所示。

表1 不同LSTM層數(shù)及模型精度

(a)LSTM層數(shù)為2

(b)LSTM層數(shù)為3

(c)LSTM層數(shù)為4圖5 不同LSTM層數(shù)泡狀流測(cè)量結(jié)果

由表1可知，適當(dāng)增加LSTM層數(shù)能夠有效提升模型的測(cè)試精度。當(dāng)LSTM網(wǎng)絡(luò)層數(shù)為3時(shí)，RMSE和MCE均為最小值，表明該模型在泡狀流和彈狀流流量測(cè)量中取得了較好效果。當(dāng)LSTM網(wǎng)絡(luò)層數(shù)進(jìn)一步增加到4，并沒有獲得更好的模型精度，反而增加了計(jì)算冗余。因此，考慮到測(cè)量精度及測(cè)量速度，本文模型選擇的LSTM層數(shù)為3。

3.4 BP神經(jīng)網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)結(jié)果與分析

為比較LSTM神經(jīng)網(wǎng)絡(luò)模型的性能，構(gòu)建單隱含層的BP神經(jīng)網(wǎng)絡(luò)對(duì)相同的數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試。BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱藏層和輸出層神經(jīng)元數(shù)分別為120、200和1。BP神經(jīng)網(wǎng)絡(luò)在2種流型下的測(cè)量結(jié)果如圖7、圖8所示。

(a)LSTM層數(shù)為2

(b)LSTM層數(shù)為3

(c)LSTM層數(shù)為4圖6 不同LSTM層數(shù)彈狀流測(cè)量結(jié)果

圖7 BP神經(jīng)網(wǎng)絡(luò)泡狀流測(cè)量結(jié)果

圖8 BP神經(jīng)網(wǎng)絡(luò)彈狀流測(cè)量結(jié)果

可以看出3層LSTM的測(cè)量效果優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，泡狀流中RMSE和MCE分別降低了2.665 m3/h和1.69 %，彈狀流中RMSE和MCE分別降低了6.618 m3/h和3.574 %。且在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的過程中，由于數(shù)據(jù)集龐大且神經(jīng)元節(jié)點(diǎn)偏多，訓(xùn)練及測(cè)試耗時(shí)遠(yuǎn)高于LSTM神經(jīng)網(wǎng)絡(luò)。

4 結(jié)束語

提出了一種基于16電極ERT系統(tǒng)采集陣列電阻值和LSTM 神經(jīng)網(wǎng)絡(luò)相結(jié)合的氣液兩相流液相流量測(cè)量方法。研究了不同LSTM層數(shù)對(duì)模型測(cè)量精度的影響，確定了輸入樣本為120個(gè)陣列電阻值，LSTM層數(shù)為3。與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，表明本文提出模型測(cè)量精度和測(cè)量速度均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

此方法保留了原始樣本數(shù)據(jù)集的全部特征，并利用LSTM學(xué)習(xí)電阻值的深層特征，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)應(yīng)用于流量測(cè)量訓(xùn)練耗時(shí)長(zhǎng)、精度低的問題，實(shí)現(xiàn)了對(duì)氣液兩相流液相體積流量的準(zhǔn)確測(cè)量，為后續(xù)研究深度神經(jīng)網(wǎng)絡(luò)在流量測(cè)量的應(yīng)用提供了一定的參考。