基于迁移学习的水平管气液两相流型智能识别

2021-08-19梁法春冉云麒高继峰

实验室研究与探索 2021年7期

梁法春，陈婧，冉云麒，高继峰

（1.中国石油大学（华东）储运与建筑工程学院，山东青岛266580；2.中原石油工程设计有限公司，河南濮阳457001）

0 引言

气液两相流广泛存在于石油、化工、能源、动力等多个工业领域［1-2］。随着气液流速的不同，管路会呈现分层流、波浪流、段塞流、环状流等多种流动形态，即流型［3］。流型是表征气液两相流动最重要参数之一，研究多相流动规律和机理，建立预测模型以及对气液两相流动过程进行设计、监测和控制都依赖于对其流型的准确识别［4］。当前流型识别方法主要有肉眼观察法、波动分析法以及层析成像法等。人通过透明管壁观察来识别流型最为简单，也是确定流型的主要方式［5］。但流型识别结果依赖人的主观判断，不同识别主体辨别结果可能有较大差异。对于高速气液两相流动，人类肉眼难以准确分辨气液界面，从而增加了识别难度。层析成像法通过测量管内气液三维分布来判断流型，具有可视化、非侵入等优点［6-8］。但层析成像法往往采用大量传感器构建测量陈列，测量系统复杂，并需要图像重建计算，从而影响显示和测量的实时性。部分成像法还要求被检测管道为不导电的绝缘材料，感测元件需布置在管道内壁，难以直接应用于已建气液两相流系统。波动分析法主要通过对压力、差压、持液率等信号的波动特征提取来间接识别流型，提取的特征参数通常有功率谱密度、标准偏差、斜度、多尺度熵、分型维数等［9-13］。特征提取往往具有一定的主观性，很难全面反映流型特征。近年来，深度神经网络迅猛发展，其优点是无需人为提取特征，已在人脸识别、物品分类、设备故障诊断等场景获得巨大成功［14-16］。

一些学者探索将深度学习应用到两相流型识别中，取得了较好的效果［17］。神经网络在流型识别应用潜力巨大，但传统的神经网络需要大量的训练样本。本文探索将迁移学习应用于流型识别，采用高速摄像仪记录流型照片，在训练好的卷积神经网络AlexNet的基础上，应用少量标记好的流型图片成功实现迁移学习训练。

1 AlexNet卷积神经网络结构

AlexNet是Hinton和Alex Krizhevsky开发的卷积神经网络（Convolutional Neural Network，CNN）模型，可实现1 000多种常见物品的分类［18］。该模型在物品识别方面效果突出，曾获2012年度ImageNet图像识别大赛冠军。如图1所示为AlexNet基本架构，包括1个输入层，5个卷积层和2个全连接层和1个输出层。输入层接收RGB彩色图像（227×227×3）。卷积层是卷积神经网络的关键组成部分，其作用是进行特征提取。卷积层内通常包含卷积、激活、归一化、池化等操作，从而得到越来越复杂的特征图。全连接层的作用在于分类，两个全连接层的kernel都为4 096，最后输出层拥有1 000个神经元，代表AlexNet能够预测1 000多种分类物品。AlexNet网络激活层采用了ReLU激活函数替代常规的Sigmoid和tanh函数，以提高收敛速度并克服较深网络导致的梯度爆炸问题，同时采用Dropout操作随机失活部分神经元来防止模型过拟合。

图1 AxleNet网络结构

2 流型识别迁移神经网络构建

迁移学习（Transfer learning）是将用从一个环境中学到的知识来用于新环境。本文保留AlexNet网络已经训练好的权值参数，在此基础上应用新的流型数据集进行迁移学习训练。AlexNet原始训练数据集采用ImageNet 2012分类数据集，该数据集有1 000个类别，包含120万张训练图像，5万张验证图像和10万张测试图像［18］。

图2所示为用于流型识别的迁移网络模型结构。将在ImageNet数据集上训练好的AlexNet模型参数迁移到新的数据集上进行训练，保留前5个卷积层和相应池化层以及2个全连接层的参数，其他参数采用随机初始化。修改最后一层（分类层），设置其神经元个数为3，分别代表波浪流、环状流、段塞流三类典型流型。分类层运用Softmax函数作为分类器计算训练样本中的正确标签的对数概率平均值，从而实现流型识别，其表达式为：

图2 流型识别迁移神经网络

式中：xi表示分类器的第i个输入；c为识别的气液两相流流型种类，对于本流型辨识任务取值为3；yi为分类器的第i个输出。

定义损失函数为

在网络学习训练中，首先将前向传播得到的预测值与样本标签值进行比较，从而获得损失函数E，然后通过误差反向传播算法不断修正权值使得损失函数不断降低，直至收敛。

3 气液两相流型样本采集

为获得网络训练所需的数据集，在气液两相流实验环道上开展了流型图像采集实验。实验工作介质为空气和水，图3所示为流型测量实验环道示意图。来自压缩机的空气首先进入气体缓冲罐，以减少压力波动，气相流量由横河旋涡流量计测量后进入气液混合器。来自水箱的液体经离心泵增压后，进入单相液体管路，采用艾默生质量流量计测量流量后进入气液混合器，与气相混合。测试段直径40 mm，距离混合器出口180倍管径，以保障流动充分发展。测试段采用透明有机玻璃制成，以便观察和记录流型。流型图像采集采用美国NAC公司生产制造的MEMRECAM HX-7

图3 气液两相流流型采集实验系统

高速摄像仪，最高可拍摄8 500帧/s高清图像。

管道结构和气液流体性质确定后，气液两相流流型主要取决于气液相流量。采用气体旁通管线和气体调节阀控制气相流量，采用液体回流阀和液体调节阀控制液相流量，以实现不同流型。实验气相折算速度范围为3.0～18.0 m/s，液相折算速度范围为0.01～0.20 m/s。出现的流型为波浪流、段塞流以及环状流。

本文实验中对摄像头采集的视频按照一定采样间隔进行图片截取，从而获得图片数据集，然后对图片数据集进行筛选，选取特征明确、图像清晰的数据进行人工分类标注（见图4）。对于标注的每个类别中的数据采用无放回随机采样的方法选取20%的图片数据作为验证集。实验采集了分层流、段塞流、环状流各120幅典型图片，其中96幅图用于网络训练，另24张用于网络预测效果验证。

图4 典型流型训练样本

4 网络训练与误差分析

将训练样本和验证样本输入构建的迁移神经网络进行学习，采用单个GPU来加速网络训练。设置学习率为0.000 1，Dropout值为0.5。采用重叠的最大池化层避免平均池化层的模糊化的效果，步长小于池化核的尺寸，使得池化输出层之间有重叠和覆盖进而提升了提取特征的丰富性。采用LRN（Local Response Normalization）局部响应归一化，对局部神经元的活动创建了竞争机制，使得其中响应比较大的值变得更大，并抑制反馈较小的神经元，从而增强了预测网络的泛化能力。

如图5训练误差曲线，可以看出经过50步训练后模型的准确率达到98.0%左右，在随后训练中，预测精度在98.0%附近徘徊，显示该模型训练已经达到较好的准确度，为防止过拟合，在250步时停止训练。

图5 学习训练过程曲线

各组流型采用24个样本进行验证，结果如图6所示。分层流和环状流均能正确识别，而对于段塞流，24个测试流型中，有一个误识别为分层流，流型识别精度和预测精度为98.6%。图6显示了真实流型图片和相应的识别概率，可见迁移神经网络在已训练网络基础上，通过少量样本学习即可正确识别流型。

图6 流型分类效果

卷积神经网络主要通过局部感受野、权值共享、降采样这3种方法来实现对视觉皮层分层处理机制的模拟，相比于传统的神经网络，卷积神经网络具有超强的特征抽取能力［19］。Matthew等［20］通过反卷积对卷积神经网络进行可视化研究，发现第1卷积层主要提取边缘、拐角、颜色等低层次的图像特征。在此，对第1卷积层所提取的流型特征进行可视化显示和分析。通过对输入图像（227×227×3），采用96个11×11卷积核进行卷积操作，得到96副大小为55×55图像，见图7。各幅图像分别反映气、液两相在管道内的分布特征。例如，第2幅图像主要提取了气液界面特征。对于分层流，能明显看到水平的气液分界面（见图7（a））；对于段塞流，当液塞来临时持液率增加，气液界面线上倾直至接近上管壁（见图7（b））。而对于水平管环状流，在重力作用下液膜主要在管道底部流动，气液界面产生较大的界面波，气液界面难以出现光滑的直线或曲线（见图7（c））。流型本质即为气液相分布，通过对卷积后的数据进行图像化显示表明，迁移学习后的卷积神经网络能够实现气液两相流本质特征抓取和表征。