2025年04月06日 星期日 首页   |    期刊介绍   |    编 委 会   |    投稿指南   |    期刊订阅   |    统合信息   |    联系我们
计量学报
  流量计量 本期目录 | 过刊浏览 | 高级检索 |
基于卷积神经网络与门控循环单元的气液两相流流型识别方法
张立峰,王智,吴思橙
华北电力大学自动化系,河北 保定 071003
Flow Pattern Recognition of Gas-liquid Two-phase Flow Based on Convolutional Neural Network and Gated Recurrent Unit
ZHANG Li-feng,WANG Zhi,WU Si-cheng
Department of Automation, North China Electric Power University, Baoding, Hebei 071003, China
全文: PDF (103131 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 提出了一种基于卷积神经网络(CNN)与门控循环单元(GRU)的垂直管道气液两相流流型识别方法。该方法基于电阻层析成像(ERT)系统的重建图像,对其填充处理后进行离散余弦变换(DCT),求取最大、最小 DCT 系数的差值,选取一定帧数长度数据作为网络输入,对流型进行识别。分析了输入序列长度对CNN-GRU、CNN 及 GRU 网络分类准确的影响,确定了最佳输入向量维度分别为 60、65 及 50,使用实验数据对3种网络进行训练、测试,结果表明,CNN-GRU网络分类准确率最高,平均流型识别准确率可达 99.40%。
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
张立峰
王智
吴思橙
Abstract:The method for identifying the flow pattern of gas-liquid two-phase flow in a vertical pipeline based on convolutional neural network (CNN) and gated recurrent unit (GRU) is presented in this paper. Based on the reconstructed image by the electrical resistance tomography (ERT) system, the discrete cosine transform (DCT) is performed after the filling processing. The difference between the maximum and minimum DCT coefficients is calculated, and a certain frame length data are selected as the network input to identify the flow pattern. The influence of the length of the input sequence on the accuracy of CNN-GRU, CNN and GRU network classification is analyzed, and the optimal input vector dimensions are determined to be 60, 65 and 50. Using experimental data to train and test the CNN-GRU network, and compare it with the GRU and CNN networks, the results show that the CNN-GRU network has the highest classification accuracy, and the average flow pattern recognition accuracy rate can reach 99.40%.
Key wordsmetrology    flow pattern recognition    discrete cosine transform    convolutional neural network    gated recurrent unit    electrical resistance tomography
    
PACS:  计量学  
  流型识别  
  离散余弦变换  
  卷积神经网络  
  门控循环单元  
  电阻层析成像  
基金资助:国家自然科学基金(61973115)
作者简介: 张立峰(1979-), 男, 江西临川人, 华北电力大学副教授, 博士, 主要从事多相流检测及电学层析成像技术方面的工作。Email:lifeng.zhang@ncepu.edu.cn
引用本文:   
张立峰,王智,吴思橙. 基于卷积神经网络与门控循环单元的气液两相流流型识别方法[J]. 计量学报, 2022, 43(10): 1306-1312.
ZHANG Li-feng,WANG Zhi,WU Si-cheng. Flow Pattern Recognition of Gas-liquid Two-phase Flow Based on Convolutional Neural Network and Gated Recurrent Unit. Acta Metrologica Sinica, 2022, 43(10): 1306-1312.
链接本文:  
http://jlxb.china-csm.org:81/Jwk_jlxb/CN/10.3969/j.issn.1000-1158.2022.10.10     或     http://jlxb.china-csm.org:81/Jwk_jlxb/CN/Y2022/V43/I10/1306
京ICP备:14006989号-1
版权所有 © 《计量学报》编辑部
地址:北三环东路18号(北京1413信箱)  邮编:100029 电话:(010)64271480
本系统由北京玛格泰克科技发展有限公司设计开发  技术支持:support@magtech.com.cn