江苏大学学报(自然科学版)

作者：王莹，沈洋，戚二帅，杨斌

单位：上海理工大学 能源与动力工程学院， 上海 200093

关键词：水下射流, 流型识别, 气液两相流, 数字图像处理, 神经网络, 深度学习

基金：上海市自然科学基金资助项目(21ZR1462000)； 上海市青年科技启明星计划项目(19QC1400200)

针对水下气体射流流型识别比较困难的问题，提出一种基于直接数字图像处理和卷积神经网络相结合的流型识别方法.通过水下气体射流试验系统来直接获取原始图像数据集，使用流量控制和采集系统获得不同工况下的水下射流形态.然后对图像进行预处理，首先通过图像裁剪去除图像中不需要的信息，采用二维中值滤波算法对图像的噪声进行抑制.然后采用最大类间方差算法进行二值化，为卷积神经网络的流型识别提供直接气泡图像数据集.最后利用3种不同的经典卷积神经网络（LeNet、AlexNet、ResNet）对处理后不同流型的图像进行训练，通过不断调节参数使分类模型达到最优，并以精确率、灵敏度、特异度和准确率作为水下射流流型分类的评价指标.结果表明：ResNet在过渡区和射流区分别取得了最高的精确率、灵敏度和特异度； ResNet在泡流区的精确率和特异度上取得最优； ResNet对流型识别效率最好，且识别准确率达到96.2%.

来源：2023年第4期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2023年第4期