本文以收斂型微通道中油水兩相流的流型識別為對象,將高速攝像法與神經網絡算法相結合,提出了高效的、可視化的、智能化的兩相流流型識別方法。該方法采用了包含圖像紋理參數和流型無量綱參數的多類型特征量,更精準區(qū)分6種流型的不同特點,流型識別的收斂速度和準確率更高。BP神經網絡的識別率為92. 5%,Elman神經網絡的識別率為93. 7%,Elman神經網絡在收斂速度與準確率方面優(yōu)于BP神經網絡。 

【文章來源】：計量與測試技術. 2020,47(06)

【文章頁數】：5 頁

【部分圖文】：

微通道油水兩相流系統(tǒng)和高速攝像系統(tǒng)

圖像采集系統(tǒng)由高速攝像機和照明燈具組成。高速攝像機為美國AMETEK公司的Phantom V611-16G-M，圖像最大幀率為300000幀/s，圖像分辨率設置為1280×720px，以滿足采集高清的動態(tài)圖像。照明燈具為國產戰(zhàn)狼307型探照燈功率30W，透過毛玻璃增加漫反射，減小圖像的反光區(qū)，改善圖像質量。微通道選用高透明度PMMA材料，微通道收斂角度為17°，其橫截面尺寸為(400×600)μm。實驗中，兩相流量的參數范圍分別為:分散相(4～120)ml/h，連續(xù)相(4～180)ml/h。高速攝像機拍攝微通道內的流型變化，采集區(qū)域為1000×304px，幀率為3000幀/s。實驗中采集到6種流型(見圖2)。

BP神經網絡模型的結構層有輸入層、反饋層和輸出層(見圖4)。監(jiān)督性學習在模型訓練初期，輸入量特征與輸出量結果需要一一對應。S型激活函數能夠將BP神經網絡適用多數非線性數學問題的處理。[4]3.2 Elman神經網絡模型

【參考文獻】：
期刊論文
[1]Elman神經網絡在礦井突水水源判別中的應用[J]. 徐星,田坤云,王公忠,孫光中.  安全與環(huán)境學報. 2017(04)
[2]基于BP神經網絡的飛行訓練品質評估[J]. 姚裕盛,徐開俊.  航空學報. 2017(S1)
[3]煤與矸石圖像紋理特征提取方法[J]. 米強,徐巖,劉斌,徐運杰.  工礦自動化. 2017(05)



本文編號：3581459