基于神经网络的气液流量推断
流体动力学
2020-05-26 v3 计算工程、金融与科学
摘要
由于流型与流体性质、流动方向、通道几何等之间的非线性关系，气液流动计量十分困难。事实上，多数商用多相流量计精度低、操作范围有限或需对相进行物理分离。我们引入使用神经网络模型推断气液流量，该模型由丝网传感器（WMS）实验数据训练。WMS 是一种记录气液流动中高分辨率高频 3D 空泡率分布的实验工具。所利用的实验数据库跨越两个数量级的表观速度量级，并涵盖竖直小直径管中的多种流型。我们的结果表明单一网络可在所有流型下提供准确且精确的推断，MAP 误差低于 7.5%。性能最佳的网络具有 3D-卷积头与 LSTM 尾的组合。该发现表明气液流动中观测到的时空特征可被系统性分解并用于推断相别流量。我们的方法不涉及空泡率矩阵的复杂预处理，导致评估时间相较输入时间跨度可忽略。模型的效率体现为响应时间比当前 SOTA 低两个数量级。
引用
@article{arxiv.2003.08182,
title = {Inference of Gas-liquid Flowrate using Neural Networks},
author = {Akshay J. Dave and Annalisa Manera},
journal= {arXiv preprint arXiv:2003.08182},
year = {2020}
}
备注
11 pages, 4 figures; Added link to source code repository in introduction, updated video repository link