本发明设计一种气液两相流流型在线识别方法。
背景技术:
两相流广泛存在于自然界和工业生产中。两相流中两项介质的分布情况称为流型。流型是两相流的重要参数之一,它会严重影响气液两相流的传热传质性能、流动特性以及其他参数的准确测量。
节流装置是在充满管道的流体流经管道内的一种流装置,流束将在节流处形成局部收缩,从而使流速增加,静压力降低,于是在节流件前后产生了静压力差。差压变送器可以采集两个采压口之间的压力差,并转化为模拟信号输出。将差压变送器的两个采压口接至节流件前后,采集节流件前后的差压信号并输出模拟信号。
gru(gatedrecurrentunit)神经网络是一种时间循环神经网络,它是lstm网络的一种变种。gru网络解决了时间循环神经网络中存在的梯度消失的问题。相较于lstm网络而言,gru网络结构更加简单,内部参数更少,计算开销更小,且性能与lstm网络相差无几。lstm引入了三个门函数:输入门、遗忘门和输出门来控制输入值、记忆值和输出值,而在gru网络中将这三个门函数整合为两个门函数:更新门和重置门。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的记忆状态上,重置门越小,前一状态的信息被写入的越少。
开发板是用来进行嵌入式系统开发板的电路板,包括中央处理器、存储器、输入设备、输出设备、数据通路/总线和外部资源接口等一系列硬件组件。深度学习开发板是开发板中的一种,因其具备强大的运算能力,所以深度学习开发板适用于一些网络模型的部署,使网络模型能够在线运用。
技术实现要素:
针对现有的差压变送器、深度学习开发板和gru神经网络技术,本发明的目的是提供一种用这三种技术的结合来应用于在线识别气液两相流流型的方法。
为达到以上目的,本发明是采取如下技术方案予以实现的:
一种基于gru神经网络的气液两相流流型识别方法,其特征在于,包括以下步骤:
(1)在圆形管道上设置节流装置,将一个差压变送器的取压管接至节流装置前后,差压变送器与一块深度学习开发板相连,该开发板是基于gru神经网络的气液两相流流型在线识别方法的信息处理平台,开发板还与一块显示屏相连,可以通过显示屏对开发板进行控制操作;
(2)流束在节流处形成局部收缩,于是在节流件前后产生了静压力差,差压变送器采集管道内节流件前后的压力差,并将其转化为模拟信号,并将其传输给深度学习开发板进行数据采集和处理;
(3)深度学习开发板接收到模拟信号,通过显示屏操作开发板储存并将其还原为原始的差压信号,把时间序列的差压信号切分成不同的时间阶段,作为gru网络的输入,前一时刻的差压信号会通过gru的更新门来影响当前时刻的差压信号,然后当前时刻的差压信号会通过重置门来影响记忆状态,更新门和重置门有各自的参数,这些参数都是训练过程中学习得到的;
(4)将切分为不同时间阶段的差压信号作为训练样本,输入到gru网络中,网络输出设置成流型类别,将训练样本通过gru网络得到的流型类别输出,与训练样本真实的流型类别求误差损失,通过梯度反向传播优化gru网络内部参数,使得gru网络得到训练;
(5)然后进行实际流型的在线识别:通过差压变送器采集任一种(层状流、弹状流、塞状流之一)流型的差压信号并输出给深度学习开发板,开发板将差压信号输入训练好的gru网络,即可得到该信号对应的流型。
上述方案中,所述的不同流型包括层状流,弹状流,塞状流。
本发明的优点是,通过已有的差压变送器技术、深度学习开发板技术和gru神经网络技术,利用节流件产生差压并通过差压变送器检测差压信号,以及gru神经网络对时间序列信号的特征识别能力,把二者功能结合起来,成功应用于两相流的流型在线识别。
附图说明
图1为本发明基于gru神经网络的气液两相流流型识别系统图。
图1中的附图标记:1、气液两相流管道;2、取压管;3、压力变送器;4、深度学习开发板;5、节流装置;6、显示器。
具体实施方式
以下结合附图及具体实施例对本发明作进一步的详细说明。
如图1所示,一种基于gru神经网络的两相流流型在线识别方法所涉及的测量系统,包括设置在气液两相流管道1中的节流装置5、在节流装置5前后设置取压管2的差压变送器3、用于网络模型训练和信息处理的深度学习开发板4、开发板的显示器6。差压变送器3通过取压管2,检测两相流管道1中节流装置5前后的差压信号,并通过模拟信号输出的方式传输给深度学习开发板4。该深度学习开发板4是基于gru神经网络的气液两相流流型在线识别方法的信息处理平台,gru神经网络是一种适用于非线性、非平稳信号的处理识别方法。通过显示器6操作深度学习开发板4训练的gru网络模型,并实现模型的在线运用。
利用图1所示的测量系统实现基于gru神经网络的气液两相流流型在线识别方法,包括下述步骤:
在气液两相流管道1中安装节流装置5;流束将在节流装置5形成局部收缩,从而使流速增加,静压力降低,于是在节流装置5前后产生了静压力差;对于不同流型来说,流束通过节流装置5产生的压差不同;差压变送器3将采压管2接至节流装置5前后,采集压差信号并转化为模拟信号,传输给深度学习开发板4采集和处理。
深度学习开发板4信息处理平台接受差压变送器3输出的模拟信号,通过显示器6操作深度学习开发板4将模拟信号还原为差压信号;把时间序列的差压信号切分成不同的时间阶段,作为gru网络的输入,前一时刻的差压信号会通过gru的更新门来影响当前时刻的差压信号,然后当前时刻的差压信号会通过重置门来影响记忆状态,更新门和重置门有各自的参数,这些参数都是训练过程中学习得到的。
将切分为不同时间阶段的差压信号作为训练样本,输入到gru网络中,网络输出设置成流型类别,将训练样本通过gru网络得到的流型类别输出,与训练样本真实的流型类别求误差损失,通过梯度反向传播优化gru网络内部参数,使得gru网络得到训练。然后通过显示屏6操作深度学习开发板4进行实际的流型识别。
实际流型识别的具体方法为:通过差压变送器3采集用于测试的任一种(层状流、弹状流、塞状流之一)流型的差压信号并输出给深度学习开发板4,深度学习开发板4将差压信号输入训练好的gru网络,即可得到该信号对应的流型。
1.一种基于gru神经网络的气液两相流流型在线识别方法,其特征在于,包括下述步骤:
(1)在圆形管道上设置节流装置,将一个差压变送器的取压管接至节流装置前后,差压变送器与一块深度学习开发板相连,该开发板是基于gru神经网络的气液两相流流型在线识别方法的信息处理平台,开发板还与一块显示屏相连,可以通过显示屏对开发板进行控制操作;
(2)流束在节流处形成局部收缩,于是在节流件前后产生了静压力差,差压变送器采集管道内节流件前后的压力差,并将其转化为模拟信号,并将其传输给深度学习开发板进行数据采集和处理;
(3)深度学习开发板接收到模拟信号,通过显示屏操作开发板储存并将其还原为原始的差压信号,把时间序列的差压信号切分成不同的时间阶段,作为gru网络的输入,前一时刻的差压信号会通过gru的更新门来影响当前时刻的差压信号,然后当前时刻的差压信号会通过重置门来影响记忆状态,更新门和重置门有各自的参数,这些参数都是训练过程中学习得到的;
(4)将切分为不同时间阶段的差压信号作为训练样本,输入到gru网络中,网络输出设置成流型类别,将训练样本通过gru网络得到的流型类别输出,与训练样本真实的流型类别求误差损失,通过梯度反向传播优化gru网络内部参数,使得gru网络得到训练;
(5)然后进行实际流型的在线识别:通过差压变送器采集任一种(层状流、弹状流、塞状流之一)流型的差压信号并输出给深度学习开发板,开发板将差压信号输入训练好的gru网络,即可得到该信号对应的流型。