多类型特征量的油水两相流流型识别算法

发布时间：2022-01-10 21:38

　　本文以收敛型微通道中油水两相流的流型识别为对象,将高速摄像法与神经网络算法相结合,提出了高效的、可视化的、智能化的两相流流型识别方法。该方法采用了包含图像纹理参数和流型无量纲参数的多类型特征量,更精准区分6种流型的不同特点,流型识别的收敛速度和准确率更高。BP神经网络的识别率为92. 5%,Elman神经网络的识别率为93. 7%,Elman神经网络在收敛速度与准确率方面优于BP神经网络。 

【文章来源】：计量与测试技术. 2020,47(06)

【文章页数】：5 页

【部分图文】：

微通道油水两相流系统和高速摄像系统

图像采集系统由高速摄像机和照明灯具组成。高速摄像机为美国AMETEK公司的Phantom V611-16G-M，图像最大帧率为300000帧/s，图像分辨率设置为1280×720px，以满足采集高清的动态图像。照明灯具为国产战狼307型探照灯功率30W，透过毛玻璃增加漫反射，减小图像的反光区，改善图像质量。微通道选用高透明度PMMA材料，微通道收敛角度为17°，其横截面尺寸为(400×600)μm。实验中，两相流量的参数范围分别为:分散相(4～120)ml/h，连续相(4～180)ml/h。高速摄像机拍摄微通道内的流型变化，采集区域为1000×304px，帧率为3000帧/s。实验中采集到6种流型(见图2)。

BP神经网络模型的结构层有输入层、反馈层和输出层(见图4)。监督性学习在模型训练初期，输入量特征与输出量结果需要一一对应。S型激活函数能够将BP神经网络适用多数非线性数学问题的处理。[4]3.2 Elman神经网络模型

【参考文献】：
期刊论文
[1]Elman神经网络在矿井突水水源判别中的应用[J]. 徐星,田坤云,王公忠,孙光中.  安全与环境学报. 2017(04)
[2]基于BP神经网络的飞行训练品质评估[J]. 姚裕盛,徐开俊.  航空学报. 2017(S1)
[3]煤与矸石图像纹理特征提取方法[J]. 米强,徐岩,刘斌,徐运杰.  工矿自动化. 2017(05)



本文编号：3581459