基于迁移学习的水平管气液两相流型智能识别

• 作者: 梁法春 陈婧 冉云麒 高继峰
• 来源期刊: 实验室研究与探索
• 关键词: 流型识别 气液两相流 卷积神经网络 迁移学习 深度学习
• 年，卷（期）: 2021,（7）
• 所属期刊栏目: 实验技术|Experimental Technique
• 页码范围: 1-5
• 页数: 5页
• 分类号: TB123
• 语种: 中文
• DOI: 10.19927/j.cnki.syyt.2021.07.001

摘要

以训练好的卷积神经网络AlexNet为基础,探索应用少量标记流型图片进行迁移学习实现流型识别.保留AlexNet网络5个卷积层已有权值,调节输出层为需要识别的流型数目,使用Softmax分类器输出各流型概率.在气液两相流实验环道上开展了典型流型图片采集实验,气相折算速度范围为3.0～18.0 m/s,液相折算速度范围为0.01～0.2 m/s,出现的流型包括波浪流、段塞流以及环状流.各类流型训练样本96、测试样本24,流型识别准确率98.6％.对第一卷积层抽象特征进行图形化显示表明,与常规流型识别方法相比,卷积神经网络直接将RGB三维流型图片数据作为输入,能够对不同流型的本质特征进行提取和抽象,解决了常规波动分析流型识别方法中特征提取难、提取信息不完全等问题,提高了泛化能力.