基于图信号排列熵的气液两相流流动特性分析与流型识别

李奥; 张立峰

doi:10.3969/j.issn.1000-1158.2025.05.11

PDF(1491 KB)

计量学报 ›› 2025, Vol. 46 ›› Issue (5) : 693-699. DOI: 10.3969/j.issn.1000-1158.2025.05.11

流量计量

基于图信号排列熵的气液两相流流动特性分析与流型识别

李奥 ,
张立峰

作者信息 +

Flow Characteristics Analysis and Flow Pattern Identification of Gas-liquid Two-phase Flow Based on Permutation Entropy for Graph Signals

LI Ao ,
ZHANG Lifeng

Author information +

文章历史 +

摘要

提出了一种基于图信号排列熵的垂直管道气液两相流流型辨识方法。使用数字化电阻层析成像系统采集垂直管道气液两相流实验数据，计算每个电阻层析成像（ERT）电极测量值的幅值增量序列，提取每个幅值增量序列的图信号排列熵，并分析各个流型的流动特性，将提取的图信号排列熵作为特征输入卷积神经网络（CNN）以识别流型。结果表明：该方法能够有效识别泡状流、泡状-段塞流、段塞流，平均正确辨识率可达96.67%。

Abstract

Based on graph signal permutation entropy，a flow pattern identification method for gas-liquid two-phase flow in vertical pipelines is proposed. A digital electrical resistance tomography （ERT） system to collect vertical pipeline gas-liquid two-phase flow experimental data is used， the amplitude increment sequence of each ERT electrode measurement value is calculate， and the permutation entropy for graph signals of each amplitude increment sequence is extracted， the flow characteristics of each flow pattern is analyzed. The extracted graph signal permutation entropy is input into a convolutional neural network （CNN） as a feature to identify flow patterns. The results show that this method can effectively identify bubble flow， bubble-slug flow and slug flow， and the average correct recognition rate can reach 96.67%.

导出引用

李奥, 张立峰. 基于图信号排列熵的气液两相流流动特性分析与流型识别[J]. 计量学报. 2025, 46(5): 693-699 https://doi.org/10.3969/j.issn.1000-1158.2025.05.11

LI Ao, ZHANG Lifeng. Flow Characteristics Analysis and Flow Pattern Identification of Gas-liquid Two-phase Flow Based on Permutation Entropy for Graph Signals[J]. Acta Metrologica Sinica. 2025, 46(5): 693-699 https://doi.org/10.3969/j.issn.1000-1158.2025.05.11

中图分类号： TB937

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

1	张立峰，王智.基于多元经验模态分解与卷积神经网络的气液两相流流型识别［J］.计量学报，2023，44（1）：73-79. ZHANG L F， WANG Z.Flow Pattern Recognition Method of Gas-Liquid Two-Phase Flow Based on Multiple Empirical Mode Decomposition and Convolution Neural Network［J］.Acta Metrologica Sinica，2023，44（1）：73-79. 本文引用 [1]

2	张立峰，王智.基于递归图的两相流流动特性分析与流型识别［J］.计量学报，2022，43（11）：1438-1444. ZHANG L F， WANG Z. low Characteristics Analysis and Flow Pattern Recognition of Two-phase Flow Based on Recurrent Plot［J］. Acta Metrologica Sinica， 2022，43（11）：1438-1444. 本文引用 [1]

3	TAN C， WANG N N， Dong F.Oil-water two-phase flow pattern analysis with ERT based measurement and multivariate maximum Lyapunov exponent［J］.Journal of Central South University，2016，23（1）：240-248. 本文引用 [1]

4	XU Q， WANG X Y， LIANG L，et al.Identification of flow regimes using platform signals in a long pipeline with an S-shaped riser［J］.Chemical Engineering Science，2021，244：116819. 本文引用 [1]

5	LIU W L， TAN C， DONG F.Doppler spectrum analysis and flow pattern identification of oil-water two-phase flow using dual-modality sensor［J］.Flow Measurement and Instrumentation，2021，77：101861.

6	周航锐，孙坚，徐红伟，等.基于EEMD和低秩稀疏分解的超声缺陷回波检测方法［J］.计量学报，2022，43（1）：77-84. ZHOU H R， SUN J， XÜ H W，et al. Ultrasonic defect echoes indentification based on EEMD and low-rank sparse decomposition ［J］.Acta Metrologica Sinica， 2022，43（1）：77-84. 本文引用 [2]

7	BANDT C， POMPE B.Permutation entropy： A natural complexity measure for time series［J］.Phys. Rev. Lett.， 2002，88（ 17）：174102. 本文引用 [1]

8	OLOFSEN E， SLEIGH J W， DAHAN A. Permutation entropy of the electroencephalogram： A measure of anaesthetic drug effect［J］. British Journal of Anaesthesia，2008，101（6）：810-821. 本文引用 [1]

9	YAN R，Liu， GAO R X.Permutation entropy： A nonlinear statistical measure for status characterization of rotary machines［J］. Mech Syst Signal Process， 2012，29： 474-484. 本文引用 [1]

10	ZUNINO L， ZANIN M， TABAK B M，et al. Forbidden patterns， permutation entropy and stock market inefficiency［J］.Physica A： Statistical Mechanics and its Application， 2009，388（14）： 2854-2864. 本文引用 [1]

11	FABILA-CARRASCO J S， TAN C， Escudero J.Permutation Entropy for Graph Signals［J］. IEEE Transactions on Signal and Information Processing over Networks，2022，8：288-300. 本文引用 [2]

12	CAO Y， TUNG W W， GAO J B， et al.Detecting dynamical changes in time series using the permutation entropy［J］. Phys Rev E， 2004，70（4）：046217. 本文引用 [1]

13	CUESTA–FRAU D， VARELA–ENTRECANALES M， MOLINA–PICÓ A， et al.Patterns with equal values in permutation entropy： Do they really matter for biosignal classification［J］. Complexity，2018，2018：1324696. 本文引用 [1]

14	MOREL C， HUMEAU-HEURTIER A.MULTISCALE permutation entropy for two-dimensional patterns［J］.Pattern Recognit Lett，2021，150：139-146. 本文引用 [1]

15	TAITEL Y， BORNEA D， DUKLER A E.Modelling flow pattern transitions for steady upward gas-liquid flow in vertical tubes［J］.AICh E Journal，1980，26（3）：345-354. 本文引用 [1]

16	张立峰，张思佳，刘帅.基于Choi-Williams分析与神经网络的两相流流型识别［J］.计量学报，2023，44（12）：1819-1826. ZHANG L F， ZHANG S J， LIU S.Two-Phase Flow Pattern Identification Based on Choi-Williams Analysis and Neural Newwork［J］. Acta Metrologica Sinica，2023，44（12）：1819-1826. 本文引用 [1]