基于遷移學習的水平管氣液兩相流型智能識別

梁法春， 陳 婧， 冉云麒， 高繼峰

（1.中國石油大學（華東）儲運與建筑工程學院，山東青島266580；2.中原石油工程設計有限公司，河南濮陽457001）

0 引 言

氣液兩相流廣泛存在于石油、化工、能源、動力等多個工業領域［1-2］。隨著氣液流速的不同，管路會呈現分層流、波浪流、段塞流、環狀流等多種流動形態，即流型［3］。流型是表征氣液兩相流動最重要參數之一，研究多相流動規律和機理，建立預測模型以及對氣液兩相流動過程進行設計、監測和控制都依賴于對其流型的準確識別［4］。當前流型識別方法主要有肉眼觀察法、波動分析法以及層析成像法等。人通過透明管壁觀察來識別流型最為簡單，也是確定流型的主要方式［5］。但流型識別結果依賴人的主觀判斷，不同識別主體辨別結果可能有較大差異。對于高速氣液兩相流動，人類肉眼難以準確分辨氣液界面，從而增加了識別難度。層析成像法通過測量管內氣液三維分布來判斷流型，具有可視化、非侵入等優點［6-8］。但層析成像法往往采用大量傳感器構建測量陳列，測量系統復雜，并需要圖像重建計算，從而影響顯示和測量的實時性。部分成像法還要求被檢測管道為不導電的絕緣材料，感測元件需布置在管道內壁，難以直接應用于已建氣液兩相流系統。波動分析法主要通過對壓力、差壓、持液率等信號的波動特征提取來間接識別流型，提取的特征參數通常有功率譜密度、標準偏差、斜度、多尺度熵、分型維數等［9-13］。特征提取往往具有一定的主觀性，很難全面反映流型特征。近年來，深度神經網絡迅猛發展，其優點是無需人為提取特征，已在人臉識別、物品分類、設備故障診斷等場景獲得巨大成功［14-16］。

一些學者探索將深度學習應用到兩相流型識別中，取得了較好的效果［17］。神經網絡在流型識別應用潛力巨大，但傳統的神經網絡需要大量的訓練樣本。本文探索將遷移學習應用于流型識別，采用高速攝像儀記錄流型照片，在訓練好的卷積神經網絡AlexNet的基礎上，應用少量標記好的流型圖片成功實現遷移學習訓練。

1 AlexNet卷積神經網絡結構

AlexNet是Hinton和Alex Krizhevsky開發的卷積神經網絡（Convolutional Neural Network，CNN）模型，可實現1 000多種常見物品的分類［18］。該模型在物品識別方面效果突出，曾獲2012年度ImageNet圖像識別大賽冠軍。如圖1所示為AlexNet基本架構，包括1個輸入層，5個卷積層和2個全連接層和1個輸出層。輸入層接收RGB彩色圖像（227×227×3）。卷積層是卷積神經網絡的關鍵組成部分，其作用是進行特征提取。卷積層內通常包含卷積、激活、歸一化、池化等操作，從而得到越來越復雜的特征圖。全連接層的作用在于分類，兩個全連接層的kernel都為4 096，最后輸出層擁有1 000個神經元，代表AlexNet能夠預測1 000多種分類物品。AlexNet網絡激活層采用了ReLU激活函數替代常規的Sigmoid和tanh函數，以提高收斂速度并克服較深網絡導致的梯度爆炸問題，同時采用Dropout操作隨機失活部分神經元來防止模型過擬合。

圖1 AxleNet網絡結構

2 流型識別遷移神經網絡構建

遷移學習（Transfer learning）是將用從一個環境中學到的知識來用于新環境。本文保留AlexNet網絡已經訓練好的權值參數，在此基礎上應用新的流型數據集進行遷移學習訓練。AlexNet原始訓練數據集采用ImageNet 2012分類數據集，該數據集有1 000個類別，包含120萬張訓練圖像，5萬張驗證圖像和10萬張測試圖像［18］。

圖2所示為用于流型識別的遷移網絡模型結構。將在ImageNet數據集上訓練好的AlexNet模型參數遷移到新的數據集上進行訓練，保留前5個卷積層和相應池化層以及2個全連接層的參數，其他參數采用隨機初始化。修改最后一層（分類層），設置其神經元個數為3，分別代表波浪流、環狀流、段塞流三類典型流型。分類層運用Softmax函數作為分類器計算訓練樣本中的正確標簽的對數概率平均值，從而實現流型識別，其表達式為：

圖2 流型識別遷移神經網絡

式中：xi表示分類器的第i個輸入；c為識別的氣液兩相流流型種類，對于本流型辨識任務取值為3；yi為分類器的第i個輸出。

定義損失函數為

在網絡學習訓練中，首先將前向傳播得到的預測值與樣本標簽值進行比較，從而獲得損失函數E，然后通過誤差反向傳播算法不斷修正權值使得損失函數不斷降低，直至收斂。

3 氣液兩相流型樣本采集

為獲得網絡訓練所需的數據集，在氣液兩相流實驗環道上開展了流型圖像采集實驗。實驗工作介質為空氣和水，圖3所示為流型測量實驗環道示意圖。來自壓縮機的空氣首先進入氣體緩沖罐，以減少壓力波動，氣相流量由橫河旋渦流量計測量后進入氣液混合器。來自水箱的液體經離心泵增壓后，進入單相液體管路，采用艾默生質量流量計測量流量后進入氣液混合器，與氣相混合。測試段直徑40 mm，距離混合器出口180倍管徑，以保障流動充分發展。測試段采用透明有機玻璃制成，以便觀察和記錄流型。流型圖像采集采用美國NAC公司生產制造的MEMRECAM HX-7

圖3 氣液兩相流流型采集實驗系統

高速攝像儀，最高可拍攝8 500幀/s高清圖像。

管道結構和氣液流體性質確定后，氣液兩相流流型主要取決于氣液相流量。采用氣體旁通管線和氣體調節閥控制氣相流量，采用液體回流閥和液體調節閥控制液相流量，以實現不同流型。實驗氣相折算速度范圍為3.0～18.0 m/s，液相折算速度范圍為0.01～0.20 m/s。出現的流型為波浪流、段塞流以及環狀流。

本文實驗中對攝像頭采集的視頻按照一定采樣間隔進行圖片截取，從而獲得圖片數據集，然后對圖片數據集進行篩選，選取特征明確、圖像清晰的數據進行人工分類標注（見圖4）。對于標注的每個類別中的數據采用無放回隨機采樣的方法選取20%的圖片數據作為驗證集。實驗采集了分層流、段塞流、環狀流各120幅典型圖片，其中96幅圖用于網絡訓練，另24張用于網絡預測效果驗證。

圖4 典型流型訓練樣本

4 網絡訓練與誤差分析

將訓練樣本和驗證樣本輸入構建的遷移神經網絡進行學習，采用單個GPU來加速網絡訓練。設置學習率為0.000 1，Dropout值為0.5。采用重疊的最大池化層避免平均池化層的模糊化的效果，步長小于池化核的尺寸，使得池化輸出層之間有重疊和覆蓋進而提升了提取特征的豐富性。采用LRN（Local Response Normalization）局部響應歸一化，對局部神經元的活動創建了競爭機制，使得其中響應比較大的值變得更大，并抑制反饋較小的神經元，從而增強了預測網絡的泛化能力。

如圖5訓練誤差曲線，可以看出經過50步訓練后模型的準確率達到98.0%左右，在隨后訓練中，預測精度在98.0%附近徘徊，顯示該模型訓練已經達到較好的準確度，為防止過擬合，在250步時停止訓練。

圖5 學習訓練過程曲線

各組流型采用24個樣本進行驗證，結果如圖6所示。分層流和環狀流均能正確識別，而對于段塞流，24個測試流型中，有一個誤識別為分層流，流型識別精度和預測精度為98.6%。圖6顯示了真實流型圖片和相應的識別概率，可見遷移神經網絡在已訓練網絡基礎上，通過少量樣本學習即可正確識別流型。

圖6 流型分類效果

卷積神經網絡主要通過局部感受野、權值共享、降采樣這3種方法來實現對視覺皮層分層處理機制的模擬，相比于傳統的神經網絡，卷積神經網絡具有超強的特征抽取能力［19］。Matthew等［20］通過反卷積對卷積神經網絡進行可視化研究，發現第1卷積層主要提取邊緣、拐角、顏色等低層次的圖像特征。在此，對第1卷積層所提取的流型特征進行可視化顯示和分析。通過對輸入圖像（227×227×3），采用96個11×11卷積核進行卷積操作，得到96副大小為55×55圖像，見圖7。各幅圖像分別反映氣、液兩相在管道內的分布特征。例如，第2幅圖像主要提取了氣液界面特征。對于分層流，能明顯看到水平的氣液分界面（見圖7（a））；對于段塞流，當液塞來臨時持液率增加，氣液界面線上傾直至接近上管壁（見圖7（b））。而對于水平管環狀流，在重力作用下液膜主要在管道底部流動，氣液界面產生較大的界面波，氣液界面難以出現光滑的直線或曲線（見圖7（c））。流型本質即為氣液相分布，通過對卷積后的數據進行圖像化顯示表明，遷移學習后的卷積神經網絡能夠實現氣液兩相流本質特征抓取和表征。

圖7 第1卷積層提取的流型特征

5 結 論

在氣液兩相流實驗環道上開展實驗，采集了波浪流、環狀流、段塞流典型圖片，采用AlexNet卷積神經網絡，通過遷移學習成功實現氣液兩相流流型識別。主要結論如下：

（1）采集的氣液圖片是氣液流型最客觀、最豐富的信息載體，直接將流型圖片RGB三維數據作為神經網絡輸入，無需特征提取，解決了常規波動分析流型識別方法中特征提取難、提取信息不完全等問題。

（2）采用遷移學習方法，在前期訓練收斂好的AlexNet的基礎上，不改變收斂權值，通過更改輸出層，采用少量樣本訓練即可獲得理想的流型識別效果。測試表明，在3種流型訓練樣本均為96時，流型識別率可達98.6%，通過增加過渡流型樣本，有利于進一步提高流型識別準確率。

（3）通過對卷積神經網絡所提取特征進行圖像化顯示表明，第1卷積層蘊含豐富氣液界面信息，能夠對氣液兩相流本質進行提取和表征。

（4）當前實驗條件下，只對分層流、段塞流、環狀流3種流型進行了識別，將來需要進一步擴大流型范圍，提高神經網絡的泛化能力。