基于深度学习的气液固三相反应器图像分析方法及应用

发布时间：2021-07-16 10:49

　　气液固三相反应器中复杂的颗粒背景给流动参数的图像检测带来巨大挑战。发展了一种基于深度学习的气液固三相反应器图像分析方法,包括采集图像、制作训练集、建立图像识别模型和提取流动参数四个步骤。采用全卷积神经网络,在学习率为0.005、训练次数为2000次、训练集大小超过400张图像的条件下,图像识别误差小于5%。利用该方法可以获取三相反应器中局部相含率（气相分数和液相分数）及其空间分布、时间序列等信息,再采用时域分析、频率分析、小波分析等分析方法提取二次参数,可用于流型识别、压降预测和气液分布的均匀性判别等。将该方法用于涓流床中流动参数的检测,结果表明,局部液相分数的时间序列信号及其功率谱、概率密度分布均能清晰地区分涓流、脉冲流、鼓泡流等典型流型;时间序列信号的均值、标准差、极差和概率密度分布曲线半峰宽等特征参数可用于确定流型边界;平均液相分数可以用于预测涓流区的压降,计算值与实验测量值的平均相对偏差约为15%;液相分数空间分布的标准差可用于表征涓流床中不同流型的气液分布均匀性。该方法为气液固三相反应器的研究提供了新的工具。 

【文章来源】：化工学报. 2020,71(01)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

图像的典型处理过程

气液固三相反应器图像分析方法提取的流动参数

图4为气液固三相反应器冷模实验装置，由矩形床、固体料仓、空气和供水系统、测量系统组成。其中矩形床由两个平行的玻璃板制成，长100 mm、高600 mm，两块板之间的宽度为38 mm。不锈钢制成的固体料仓安装在矩形床上方500 mm处，以确保颗粒的连续流动和床层上部的气密性。料仓通过直径为35 mm的固体进料管与矩形床连接，固体进料管伸入床层120 mm。为了保证气液固的均匀分布，气体分配器安装在固体进料管出口上方100 mm处，两个连续液体喷嘴（BB1/8-SS，喷嘴孔径2.0mm）安装在气体分配器和固体进料管的出口之间。其中，分布器为多孔分布板，孔径为1 mm，正三角形排布，开孔率为2.94%。实验采用压缩空气、水和陶瓷球颗粒作为模拟介质。陶瓷球的主要成分为SiO2，直径6 mm，液固接触角为42.9°。采用转子流量计（LZB-15）测量气相流量，用电磁流量计（LDG-SUP）测量液相流量，用电子天平（YP10K-1）测量固体质量。气速变化范围为0.007～0.139 m·s-1，液速变化范围为0.003～0.033 m·s-1。采用高速相机（Photron Fastcam Mini WX100,Japan）及Photron配套软件，在固定拍摄窗口拍摄分辨率为2048×2048像素的图像，拍摄区域大小为20 mm×20 mm，位于气体分布器下方500 mm处。实验中使用的光源是LED背光源，光强度为4000 cd。使用尼康相机自动对焦镜头（AF 501.8D）。采集速率设置为每秒50帧，曝光时间为11000 s，采集时间设置为30 s。


本文编号：3286864