摘要：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。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社