袁俊朗 范世東江 攀許浩然

(武漢理工大學(xué)能源與動(dòng)力工程學(xué)院1) 武漢 430063) (中國(guó)船級(jí)社武漢分社2) 武漢 430000)

0 引 言

兩相流廣泛存在于工程領(lǐng)域，流型作為反映兩相流流動(dòng)狀態(tài)的重要參數(shù)，流型識(shí)別的準(zhǔn)確程度在很大程度上會(huì)影響兩相流流動(dòng)參數(shù)的測(cè)量.目前針對(duì)流型的識(shí)別方法主要分為觀測(cè)法和測(cè)量法，這兩種方法難以實(shí)現(xiàn)流型的在線測(cè)量[1].疏浚系統(tǒng)中一般采用射線對(duì)管道內(nèi)流體進(jìn)行測(cè)量，但是射線測(cè)量?jī)x不僅費(fèi)用昂貴，而且對(duì)于日常的使用與維護(hù)都有較高的要求.

電容層析成像(electrical capacitance tomography,ECT)技術(shù)作為一種非侵入的測(cè)量技術(shù)，已經(jīng)在兩相流的測(cè)量領(lǐng)域得到了廣泛的運(yùn)用[2-3].但是在疏浚系統(tǒng)中運(yùn)用ECT技術(shù)卻鮮有這方面的報(bào)導(dǎo).關(guān)于運(yùn)用電容層析成像技術(shù)進(jìn)行流型識(shí)別，國(guó)內(nèi)外已有廣泛的研究.總的來(lái)說(shuō)，可以分為以下兩種方法:①基于成像的流型識(shí)別,通過(guò)電容層析成像系統(tǒng)對(duì)兩相流流動(dòng)進(jìn)行成像，根據(jù)所成圖像提取出相應(yīng)的特征值，再根據(jù)提取出的特征值運(yùn)用模糊匹配的方式達(dá)到流型識(shí)別的目的[4];②基于原始數(shù)據(jù)的流型識(shí)別,通過(guò)對(duì)電容層析成像系統(tǒng)所采集的電容值進(jìn)行特征值的選取，達(dá)到流型識(shí)別的目的[5].

支持向量機(jī)(support vector machine，SVM),該方法具有：通用性、魯棒性、有效性等優(yōu)點(diǎn)，該算法被廣泛的運(yùn)用于分類與非線性回歸[6].在SVM分類中，參數(shù)c和參數(shù)g的選取對(duì)分類的準(zhǔn)確性有很大的影響.如何選取較好的參數(shù)也是一個(gè)關(guān)鍵問(wèn)題.目前對(duì)于SVM中參數(shù)的選取優(yōu)化方式主要有以下3種：①經(jīng)驗(yàn)法；②交叉驗(yàn)證法(cross validation，CV)；③啟發(fā)式算法.遺傳算法(genetic algorithm，GA)是一種模擬自然進(jìn)化過(guò)程尋求最優(yōu)解的算法.采用遺傳算法不用像CV那樣遍歷網(wǎng)格中所有的點(diǎn)就可以求出全局最優(yōu)解，從而減少運(yùn)算量[7].

1 基本原理與特征值提取

1.1 ECT系統(tǒng)的基本原理

ECT系統(tǒng)主要由傳感器子系統(tǒng)、數(shù)據(jù)采集與處理子系統(tǒng)、圖像重建子系統(tǒng)三個(gè)部分構(gòu)成，見圖1.當(dāng)被測(cè)區(qū)域內(nèi)部的物質(zhì)所占的比例或位置發(fā)生變化時(shí)，就會(huì)引起外圍電極板之間電容值的改變[8].測(cè)得的電容值通過(guò)數(shù)據(jù)采集與處理子系統(tǒng)傳遞到圖像重建子系統(tǒng)中，通過(guò)一定的算法重建被測(cè)區(qū)域的介質(zhì)分布圖像.

圖1 ECT系統(tǒng)簡(jiǎn)圖

對(duì)于擁有N(N一般為偶數(shù))個(gè)電極的電容層析成像系統(tǒng)，可得到的測(cè)量電容值個(gè)數(shù)M為

那么對(duì)于本文所構(gòu)建的8電極ECT成像系統(tǒng)就有28個(gè)電極對(duì)數(shù).每次工作時(shí)，某一電極被施加一個(gè)恒定的電壓值，這個(gè)極板稱為激勵(lì)電極.剩下的電極進(jìn)行接地處理，均稱為測(cè)量電極.現(xiàn)假設(shè)激勵(lì)電極為1號(hào)電極，2～8號(hào)電極均為測(cè)量電極.測(cè)量C12，C12，…，C18電容值，測(cè)量完成之后，2極板激勵(lì)其余極板接地，測(cè)量C23，C24，…，C28，直到極板8完成激勵(lì)，這樣就完成了一次測(cè)量.其中Cij為極板i與極板j之間的電容值.

1.2 基于GA優(yōu)化的SVM分類流程

本文的思路是從ECT系統(tǒng)采集到的電容值中選取特征值，運(yùn)用GA優(yōu)化出SVM的關(guān)鍵參數(shù)c、g，采用優(yōu)化后的參數(shù)對(duì)流型進(jìn)行識(shí)別.具體實(shí)施的方式見圖2.

圖2 GA優(yōu)化的SVM與ECT流型識(shí)別過(guò)程

1.3 流型特征值的選取

本文主要對(duì)管道常見的四種流型進(jìn)行了相應(yīng)的識(shí)別，這四種流型分別為：層流、環(huán)狀流、泡狀流、中心流.具體的流型見圖3.

注：陰影-氣相；白色-液相圖3 待識(shí)別流型圖

液相與氣相擁有不同的相對(duì)介電常數(shù)，在不同的流型之間，液相與氣相的相對(duì)位置和數(shù)量均不相同，導(dǎo)致電極板間電容值的不同.因此利用SVM在ECT系統(tǒng)所采集到的電容值，與流型之間建立起對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)流型識(shí)別.

由前文分析可知，8電極的ECT系統(tǒng)可以得到28個(gè)不同的電容值.若全部選取這些電容值用于建立電容值與流型之間的關(guān)系，將會(huì)造成運(yùn)算量過(guò)大，加大流型識(shí)別的時(shí)間，不利于流型的在線識(shí)別.而選取有代表性的電容值作為特征值進(jìn)行流行識(shí)別，可以大大減少輸入的數(shù)據(jù)量，加快流型識(shí)別的速度.

采用逐步分組的方式進(jìn)行特征值的提取.從上文所述的四種流型中選取一種流型作為集合P，從28個(gè)電容值中選取可以區(qū)分集合P中流型的電容值，將這些電容值作為集合Q.選取剩下三種流型中的一種放入集合P，判斷集合Q能否區(qū)分這兩種流型.如果可以判斷出這兩種流型，則從剩下的兩種流型中選取一種進(jìn)入集合P，再次判斷.反之則從剩下的電容值中在選取相應(yīng)的電容值加入集合Q直到可以分辨出這兩種電容值為止.接下來(lái)加入一個(gè)電容值進(jìn)入集合P，重復(fù)上述操作，直到集合Q中的電容值可以區(qū)分本文的四種流型為止.

2 流型建模仿真與識(shí)別

的傳感器建模見圖4.該傳感器由八個(gè)圍繞絕緣的管道布置的極板組成，電極板的外圍還有環(huán)繞極板的屏蔽層.管道內(nèi)部就是要識(shí)別的流體區(qū)域.本文所取的管道半徑為45 mm.為了方便建模，液相設(shè)置為水，氣相設(shè)置為空氣.

圖4 傳感器管道模型圖

2.1 不同流型的構(gòu)造

1) 環(huán)狀流 環(huán)狀流的流型構(gòu)造是，空相位于中心，外圍是液相.設(shè)置空氣域的半徑為x，則外圍的(45-x) mm為液相.設(shè)置x的起始值為3 mm，增長(zhǎng)步長(zhǎng)為1 mm，當(dāng)x從3 mm增長(zhǎng)到42 mm時(shí)，可以得到40個(gè)不同的環(huán)狀流狀態(tài).

2) 中心流 中心流狀態(tài)與環(huán)狀流相反，中心是液相，外圍是氣相.設(shè)置液相的半徑為x，則外圍的(45-x) mm為氣相.初始值與增長(zhǎng)步長(zhǎng)與環(huán)狀流相同，得到40個(gè)不同的中心流狀態(tài).

3) 層流 層流設(shè)置為上層為氣相下層為液相.不同的層流狀態(tài)，主要是通過(guò)液相與氣相不同的分界面來(lái)確定的.分界面的選取按照將管道內(nèi)部直徑分為40段，每一段作為一個(gè)分界面，得到40個(gè)不同的層流狀態(tài).

4) 泡狀流 泡狀流分別在管道內(nèi)部四個(gè)不同的位置設(shè)置幾個(gè)內(nèi)徑分別為R1，R2，R3，R4的空氣域，其余部分設(shè)置為液相.R1，R2，R3，R4每種可以取10,11,12 mm，得到81個(gè)不同的泡狀流狀態(tài)，從這81個(gè)狀態(tài)中選取40個(gè)狀態(tài)作為本文使用的狀態(tài).

經(jīng)過(guò)上述操作，每個(gè)流型各有40個(gè)不同的狀態(tài)，共160個(gè)狀態(tài).

2.2 特征值的選取

為了更好的識(shí)別出這4種流型，運(yùn)用逐步分組法選取了C12，C18，C54，C56，C26，C48，C15，C37這8個(gè)電容值作為特征值進(jìn)行流型識(shí)別.值得說(shuō)明的是，特征值的選取并不唯一，本文僅僅列舉出其中的一種.將原來(lái)的28個(gè)數(shù)據(jù)降到了八個(gè)數(shù)據(jù)，在確保可以分類的基礎(chǔ)上減少了運(yùn)算量.

2.3 基于GA優(yōu)化的SVM的流型識(shí)別

運(yùn)用有限元分析軟件對(duì)本文所涉及到的四種流型進(jìn)行分析，相應(yīng)的建模見2.1.得到四種流型的160組數(shù)據(jù).將得到的四種流型的數(shù)據(jù)按照前文選取特征值的原則選取特征值，由于電容層析成像系統(tǒng)所采集到的電容值之間相差會(huì)很大，為了更好的進(jìn)行流型的識(shí)別，對(duì)所有特征值采取歸一化處理.為了在SVM算法中更好的區(qū)分每一類流型，對(duì)每一類流型都加上相應(yīng)的標(biāo)簽.在本節(jié)，層流記為“1”、環(huán)狀流記為“2”、泡狀流記為“3”、中心流記為“4”.將得到的160組數(shù)據(jù)分為兩組，一組用來(lái)訓(xùn)練，一組用來(lái)測(cè)試.訓(xùn)練和測(cè)試組每組均包含80組數(shù)據(jù)，每一種流型20組數(shù)據(jù).使用較直觀的形式將識(shí)別結(jié)果顯示出來(lái).分別運(yùn)用隨機(jī)取得的c,g值和運(yùn)用遺傳算法優(yōu)化得到的c,g值進(jìn)行分類，其分類結(jié)果見圖5～6.

圖5 隨機(jī)選取參數(shù)流型識(shí)別結(jié)果圖

圖6 GA優(yōu)化后的SVM流型識(shí)別結(jié)果

由圖5～6可知，隨機(jī)選取參數(shù)雖然可以達(dá)到流型識(shí)別的效果，但是識(shí)別正確率受參數(shù)影響較大.通過(guò)遺傳算法可以得到最佳的參數(shù)值，可以看到在該參數(shù)下層流、泡狀流、中心流、環(huán)狀流識(shí)別率均為100%，綜合識(shí)別率達(dá)到100%.這表明基于遺傳優(yōu)化后的SVM與ECT系統(tǒng)可以在所選取數(shù)據(jù)較少的情況下達(dá)到較高的流型識(shí)別度.

3 疏浚管道堵塞的仿真與識(shí)別

3.1 管道堵塞的建模

對(duì)于疏浚工程而言，管道堵塞一直是長(zhǎng)期困擾工程人員的問(wèn)題，如何自動(dòng)識(shí)別堵塞程度也是疏浚自動(dòng)化的必經(jīng)之路.本文在前文對(duì)層流已經(jīng)準(zhǔn)確識(shí)別的基礎(chǔ)上，對(duì)層流流型進(jìn)行了進(jìn)一步的細(xì)分，使之較為符合疏浚實(shí)際情況.模型如下：將管道內(nèi)部分為兩個(gè)部分，上部分假設(shè)為液相，下部分為固相.堵塞程度按照下部分固體與液體所在的界面位于管道直徑的位置進(jìn)行判斷.現(xiàn)在做如下假設(shè)，當(dāng)管道內(nèi)固體和液體的界面位于直徑上2/3及以上時(shí)，為管道嚴(yán)重堵塞狀態(tài)，當(dāng)管道內(nèi)固體和液體的界面位于直徑上2/3～1/3之間時(shí)，為管道堵塞狀態(tài)，當(dāng)管道內(nèi)固體和液體的界面位于直徑下1/3到管道底部時(shí)，為正常運(yùn)行狀態(tài).這三種狀態(tài)見圖7.

圖7 管道堵塞分類圖

將管道沿內(nèi)徑方向分36等分，取前12組作為嚴(yán)重堵塞狀態(tài)，中間12組作為堵塞狀態(tài)，后12組作為正常狀態(tài).

3.2 特征值的選取

對(duì)于管道內(nèi)流體的仿真見圖8.

圖8 管道堵塞電勢(shì)分布圖

由圖8可知，在液固分界面處的電場(chǎng)會(huì)發(fā)生畸變，這回引起相鄰電極電容值巨大的變化.基于這一特征，為了更好的捕捉界面的變化，選取相鄰電極的電容值作為特征值.特征值選取為：C12，C18，C32，C34，C76，C78，C54，C56這8個(gè)電容值.

3.3 基于GA優(yōu)化的SVM的管道堵塞識(shí)別

主要過(guò)程為：運(yùn)用有限元分析軟件對(duì)本節(jié)所涉及到的3種狀態(tài)進(jìn)行分析，相應(yīng)的建模見3.1.得到3種狀態(tài)的36組數(shù)據(jù).將得到的3種狀態(tài)的數(shù)據(jù)按照前文選取特征值的原則將特征值選取出來(lái)，由于電容層析成像系統(tǒng)所采集到的電容值之間相差會(huì)很大，為了更好的進(jìn)行管道堵塞的分類，對(duì)所有特征值采取歸一化處理.為了在SVM算法中更好的區(qū)分每一類流型，對(duì)每一類流型都加上相應(yīng)的標(biāo)簽.本節(jié)中，管道嚴(yán)重堵塞狀態(tài)，記為狀態(tài)“1”.管道堵塞狀態(tài)，記為狀態(tài)“2”.正常運(yùn)行狀態(tài)，記為狀態(tài)“3”.將得到的36組數(shù)據(jù)分為兩組，一組用來(lái)訓(xùn)練，一組用來(lái)測(cè)試.訓(xùn)練和測(cè)試組每組均包含18組數(shù)據(jù)，每一種狀態(tài)6組數(shù)據(jù).使用較直觀的形式將識(shí)別結(jié)果顯示出來(lái).分別運(yùn)用隨機(jī)取得的c,g值和運(yùn)用遺傳算法優(yōu)化得到的c,g值得到的識(shí)別效果，結(jié)果見圖9～10.

圖9 隨機(jī)選取參數(shù)的堵塞分類結(jié)果圖

圖10 GA優(yōu)化后的SVM堵塞識(shí)別結(jié)果圖

由圖9～10可知，隨機(jī)選取參數(shù)雖然可以達(dá)到堵塞識(shí)別的效果，但是識(shí)別正確率受參數(shù)影響較大.通過(guò)遺傳算法可以得到最佳的參數(shù)值，可以看出遺傳算法優(yōu)化后識(shí)別率得到了很大的提升.這也說(shuō)明運(yùn)用遺傳算法優(yōu)化后的SVM進(jìn)行管道堵塞的識(shí)別是可行的.

5 結(jié) 論

1) 文中完成了對(duì)于疏浚工程水平管道的氣/液兩相流的4種不同流型的建模，在此基礎(chǔ)上進(jìn)一步對(duì)疏浚管道堵塞進(jìn)行了建模，并根據(jù)液固分界面的位置將管道堵塞分為3種狀態(tài).

2) 對(duì)8電極的ECT系統(tǒng)進(jìn)行了仿真，求解出不同流型狀態(tài)下的電容值.為了使SVM計(jì)算更加簡(jiǎn)便，對(duì)電容值進(jìn)行了特征值的提取，將原來(lái)的28個(gè)獨(dú)立電容值減小到8個(gè)值.在對(duì)ECT系統(tǒng)采集到的電容值進(jìn)行特征值提取的基礎(chǔ)上運(yùn)用SVM算法，對(duì)4種流型進(jìn)行了識(shí)別并取得了較好的辨識(shí)度.針對(duì)c,g取值對(duì)識(shí)別結(jié)果影響較大的特點(diǎn)，運(yùn)用了遺傳算法對(duì)SVM的參數(shù)進(jìn)行優(yōu)化，利用優(yōu)化得出的c,g值進(jìn)行流型識(shí)別取得了很好的效果.

3) 并以此為基礎(chǔ)擴(kuò)展了該技術(shù)的運(yùn)用范圍，用于管道堵塞的判斷，對(duì)8電極的ECT系統(tǒng)進(jìn)行了仿真，求解出不同堵塞程度下的電容值.在電容值進(jìn)行特征值提取的基礎(chǔ)上結(jié)合SVM算法對(duì)不同的堵塞程度進(jìn)行了識(shí)別.運(yùn)用遺傳算法對(duì)SVM進(jìn)行優(yōu)化，利用優(yōu)化得出的c,g值進(jìn)行管道堵塞識(shí)別.結(jié)果也表明該技術(shù)對(duì)管道的堵塞具有很好的辨識(shí)度.