基于混合神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的兩相流流型識(shí)別方法

摘 要：針對(duì)氣液兩相流傳感器測量數(shù)據(jù)的強(qiáng)非線性和非平穩(wěn)性導(dǎo)致流型識(shí)別困難的問題，提出一種基于混合神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的流型識(shí)別方法.所提方法首先采用滑動(dòng)窗口法將傳感器測得的不同流型電導(dǎo)率數(shù)據(jù)分割為若干子序列，再利用變分模態(tài)分解算法獲得各子序列的固有模態(tài)函數(shù)，通過提取固有模態(tài)函數(shù)的Hjorth特征數(shù)據(jù)集實(shí)現(xiàn)對(duì)各子序列非線性特征的描述.接著，將隨機(jī)森林算法引入卷積神經(jīng)網(wǎng)絡(luò)的分類層，進(jìn)而構(gòu)建混合神經(jīng)網(wǎng)絡(luò)，并采用鯨魚算法對(duì)混合神經(jīng)網(wǎng)絡(luò)中3個(gè)超參數(shù)進(jìn)行優(yōu)化.最后，采用優(yōu)化后的混合神經(jīng)網(wǎng)絡(luò)對(duì)Hjorth參數(shù)特征向量數(shù)據(jù)集進(jìn)行分類，進(jìn)而實(shí)現(xiàn)流型識(shí)別.實(shí)驗(yàn)結(jié)果表明，所提方法對(duì)4種流型的平均辨識(shí)準(zhǔn)確率達(dá)到98.52%.

關(guān)鍵詞：氣液兩相流;Hjorth參數(shù);混合神經(jīng)網(wǎng)絡(luò);隨機(jī)森林

中圖分類號(hào)：O359 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1000-2367（2025）03-0121-07

氣液兩相流廣泛存在于石油、化工、核工業(yè)等眾多工程領(lǐng)域^［1］，其流型識(shí)別對(duì)提高工業(yè)生產(chǎn)經(jīng)濟(jì)性和安全性具有重要意義^［2］.然而，受流動(dòng)狀態(tài)的隨機(jī)性、時(shí)變性等因素影響，作用在流體上的力與參數(shù)之間的關(guān)系非常復(fù)雜，難以定量描述^［3］，導(dǎo)致流型的準(zhǔn)確識(shí)別較為困難.

現(xiàn)有流型識(shí)別方法主要分為兩類^［4］：一類是直接觀測高速攝像機(jī)拍攝的流體流動(dòng)狀態(tài)圖片進(jìn)行流型識(shí)別^［5］，此類方法僅能在透明管道情況下使用，具有較大的局限性^［6］；另一類則是根據(jù)傳感器采集的壓力信號(hào)、壓差信號(hào)、電導(dǎo)率信號(hào)等測量信號(hào)進(jìn)行流型識(shí)別^［7］，該類方法具有適應(yīng)性強(qiáng)、靈活性高、實(shí)時(shí)性好等優(yōu)點(diǎn)，目前已成為流型識(shí)別的主流方法^［8］.通過傳感器采集信號(hào)進(jìn)行流型識(shí)別的方法主要涉及特征信息的提取與流型分類兩個(gè)關(guān)鍵步驟.文獻(xiàn)［9］將得到的測量信號(hào)通過多尺度小波分析分解為6個(gè)尺度，然后提取每個(gè)尺度的平均值和標(biāo)準(zhǔn)差等統(tǒng)計(jì)特征信息并采用支持向量機(jī)（support vector machine，SVM）進(jìn)行特征信息分類；文獻(xiàn)［10］基于傳感器測量的電阻率信息，提取每個(gè)流型的統(tǒng)計(jì)特征信息并采用人工神經(jīng)網(wǎng)進(jìn)行流型分類；文獻(xiàn)［11］在提取各流型統(tǒng)計(jì)特征信息基礎(chǔ)上，采用最小二乘支持向量機(jī)（least square-support vector machine，LS-SVM）對(duì)流型進(jìn)行分類.然而，在特征信息提取方面，以上方法只提取信號(hào)的統(tǒng)計(jì)特征將遺失其非線性特征，造成流行識(shí)別準(zhǔn)確率下降；在流型分類方面，以上方法受單一分類算法性能的限制，特征信息分類精度不高.基于以上問題，文獻(xiàn)［12］采用優(yōu)化的范圍排列熵方法進(jìn)行特征信息提取，可準(zhǔn)確獲得測量信號(hào)的非線性特征；文獻(xiàn)［13］將CNN（convolutional neural network，CNN）和SVM結(jié)合構(gòu)建混合分類算法并將其用于流型識(shí)別，獲得了較好的分類效果.

鑒于此，本文提出了一種基于混合神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的氣液兩相流流型識(shí)別方法.首先，采用滑動(dòng)窗口法將不同流型的電導(dǎo)率測量信號(hào)分割為若干子序列，并利用變分模態(tài)分解（variational mode decomposition，VMD）提取子序列的固有模態(tài)函數(shù)；然后，提取固有模態(tài)函數(shù)的Hjorth特征數(shù)據(jù)以描述各子序列的非線性特征；接著，將隨機(jī)森林算法作為卷積神經(jīng)網(wǎng)絡(luò)的分類層構(gòu)建混合神經(jīng)網(wǎng)絡(luò)，并采用鯨魚算法對(duì)混合神經(jīng)網(wǎng)絡(luò)中的小批量參數(shù)、初始學(xué)習(xí)率、正則化系數(shù)3個(gè)超參數(shù)進(jìn)行優(yōu)化；最后，采用優(yōu)化后的混合神經(jīng)網(wǎng)絡(luò)對(duì)Hjorth參數(shù)特征向量數(shù)據(jù)集進(jìn)行分類，從而實(shí)現(xiàn)流型識(shí)別.

1 實(shí)驗(yàn)數(shù)據(jù)的特征信息提取

1.1 實(shí)驗(yàn)設(shè)置

采用氣液兩相流測量系統(tǒng)對(duì)兩相流動(dòng)狀態(tài)進(jìn)行檢測和數(shù)據(jù)采集，實(shí)驗(yàn)中，氣相為空氣，液相為自來水.氣液兩相流測量系統(tǒng)示意圖如圖1所示.圖1中，首先將空氣和水注入混合罐，再將混合罐中的氣液混合物注入到傳感器管道進(jìn)行在線測量，最后測量后的氣液混合物在分離罐中進(jìn)行分離，將獲得的水流回水箱以重復(fù)使用.根據(jù)流量計(jì)數(shù)值，通過調(diào)節(jié)閥整氣、水流量，從而配比出不同的相含率進(jìn)而獲得不同流型.實(shí)驗(yàn)中采用環(huán)形電導(dǎo)傳感器對(duì)流型數(shù)據(jù)進(jìn)行采集，其結(jié)構(gòu)如圖2所示.

圖2中，E₁和E₂為激勵(lì)電極，C₁和C₂為上游相關(guān)電極，C₃和C₄為下游相關(guān)電極，C₂和C₃為相含率電極.環(huán)形電導(dǎo)傳感器的采集頻率為1 kHz，采集周期為20 s，對(duì)每個(gè)流型重復(fù)采集3次得到3組測量數(shù)據(jù)，將每組測量數(shù)據(jù)定義為1個(gè)樣本，1個(gè)樣本包含20 000個(gè)測量值.本實(shí)驗(yàn)測量的4種流型分別為長塞流、短塞流、泡狀流、塞狀流.

1.2 數(shù)據(jù)預(yù)處理

為了減少樣本數(shù)據(jù)中異常值的影響，提高樣本數(shù)據(jù)的質(zhì)量，采用max-min歸一化對(duì)采集的樣本進(jìn)行歸一化處理，公式如下：x^′_i=（x_i-x_min）/（x_max-x_min），i=1，2，3，…，n.式中，n為20 000，x_i為樣本中的第i個(gè)數(shù)據(jù)，x^′_i為得到的新樣本中第i個(gè)數(shù)據(jù)，x_max為樣本中的最大值，x_min為樣本中的最小值.經(jīng)過歸一化后得到的新樣本為無量綱數(shù)據(jù)，范圍為［0，1］.

新樣本的長度與流型識(shí)別的實(shí)時(shí)性成反比，為此，采用滑動(dòng)窗口法^［14］將時(shí)間長度為20 s的新樣本分割為時(shí)間長度為4 s的子序列以保證流型識(shí)別的實(shí)時(shí)性.設(shè)定窗口大小為W，步長為S，樣本時(shí)間序列長度為L，得到的子序列長度等同于窗口大小，子序列個(gè)數(shù)的計(jì)算公式為：m=（（L-W）/S）+1.設(shè)置窗口大小為4 000，步長為2 000，可知，每一個(gè)新樣本可以分割為9個(gè)子序列.取長塞流、短塞流、塞狀流各20個(gè)樣本和泡狀流15個(gè)新樣本，經(jīng)過滑動(dòng)窗口法處理后共得到675個(gè)子序列，組成原始數(shù)據(jù)集.

由于原始數(shù)據(jù)集具有較強(qiáng)的非平穩(wěn)性，需對(duì)其進(jìn)行平穩(wěn)化處理再進(jìn)行特征提取.VMD算法可以將原始數(shù)據(jù)集中的每條數(shù)據(jù)轉(zhuǎn)換為多個(gè)平穩(wěn)的固有模態(tài)函數(shù)（intrinsic mode functions，IMFs），且相較于經(jīng)驗(yàn)?zāi)B(tài)分解算法，VMD算法可以避免模態(tài)混疊的現(xiàn)象^［15］，因此，本文采用VMD算法對(duì)原始數(shù)據(jù)集進(jìn)行平穩(wěn)化處理.需要注意的是，使用VMD算法進(jìn)行數(shù)據(jù)處理時(shí)需要提前設(shè)定分解層數(shù)K，本文設(shè)定K=8.數(shù)據(jù)處理結(jié)果如圖3所示.

圖3中，VMD算法將4種流型的原始數(shù)據(jù)從高頻到低頻分解為8個(gè)IMFs，在高頻范圍內(nèi)，因?yàn)樵摲秶鷥?nèi)的成分變化較快，波動(dòng)幅度較小，故信號(hào)的幅值相對(duì)較小.而隨著頻率降低，信號(hào)中的較低頻成分具有更大的幅值.可以看出，每個(gè)子序列經(jīng)分解后可以得到8個(gè)固有模態(tài)函數(shù)，且該固有模態(tài)函數(shù)在時(shí)間上沒有明顯的趨勢和周期性，平穩(wěn)性較好.然而，圖3中固有模態(tài)函數(shù)仍具有較強(qiáng)的非線性特性，還需要進(jìn)一步提取合適的特征值以便準(zhǔn)確獲得固有模態(tài)函數(shù)的非線性特征.

1.3 測量信號(hào)的非線性特征提取

相對(duì)于平均值、方差等統(tǒng)計(jì)特征，Hjorth參數(shù)綜合考慮了信號(hào)1階到3階的非線性特征，因此Hjorth參數(shù)可以更好地提取固有模態(tài)函數(shù)中的非線性信息，進(jìn)而更為全面地反映信號(hào)特性.Hjorth參數(shù)包括活動(dòng)度、移動(dòng)度和復(fù)雜度3個(gè)參數(shù)，其中，活動(dòng)度是指信號(hào)振幅變化程度，活動(dòng)度越大，信號(hào)的振幅變化越大；移動(dòng)度是指信號(hào)在一定時(shí)間范圍內(nèi)的變化程度.移動(dòng)度越高，信號(hào)具有的紋理或起伏越多；復(fù)雜度描述了信號(hào)在時(shí)間和振幅的變化程度，復(fù)雜度越大，信號(hào)在時(shí)間和幅度范圍內(nèi)的變化越復(fù)雜，包含的不規(guī)則性越多.3個(gè)參數(shù)計(jì)算公式如下：活動(dòng)度為σ²（x）；移動(dòng)度為σ′（x）/σ（x）；復(fù)雜度為［σ″（x）/σ′（x）］^1/2/［σ′（x）/σ（x）］^1/2.式中，x表示原始信號(hào)，σ表示信號(hào)的標(biāo)準(zhǔn)差，σ′表示原始信號(hào)一階差分的標(biāo)準(zhǔn)差，σ″表示原始信號(hào)二階差分的標(biāo)準(zhǔn)差.

每個(gè)固有模態(tài)函數(shù)可以提取一組Hjorth參數(shù)，每條子序列可以得到8組Hjorth參數(shù)作為特征向量.因此，根據(jù)原始數(shù)據(jù)集可得到675個(gè)特征向量，組成4種流型的特征向量數(shù)據(jù)集.為了分析4種流型的非線性特性，分別隨機(jī)抽取特征向量數(shù)據(jù)集中各流型數(shù)據(jù)對(duì)應(yīng)的1個(gè)特征向量，其Hjorth參數(shù)如圖4所示.

圖4（a）中泡狀流的活動(dòng)度參數(shù)最高，這反映了其對(duì)應(yīng)的泡狀流信號(hào)的振幅變化最劇烈，短塞流和塞狀流的活動(dòng)度參數(shù)相近，對(duì)應(yīng)的二者信號(hào)的振幅變化程度相近，長塞流的活動(dòng)度參數(shù)最低，說明長塞流信號(hào)的振幅變化平緩；圖4（b）4種流型信號(hào)的移動(dòng)度參數(shù)相近，代表4種流型信號(hào)的變化程度相近，且由于第7、第8個(gè)IMFs幅值高于前面的6個(gè)IMFs的幅值，故4種流型信號(hào)的后2個(gè)移動(dòng)度參數(shù)要高于前6個(gè)移動(dòng)度參數(shù)；圖4（c）泡狀流和塞狀流的復(fù)雜度參數(shù)相近，可以推斷出泡狀流和塞狀流信號(hào)的不規(guī)則程度相近，在時(shí)間和幅度范圍內(nèi)的變化最為復(fù)雜.短塞流信號(hào)的不規(guī)則程度弱于泡狀流和塞狀流，長塞流復(fù)雜度參數(shù)最低，反映了長塞流信號(hào)在時(shí)間和幅度范圍內(nèi)的變化最為簡單.因此，用Hjorth參數(shù)可以獲取不同流型固有模態(tài)函數(shù)的非線性特征，在此基礎(chǔ)上對(duì)非線性特征信息進(jìn)行分類即可實(shí)現(xiàn)流型識(shí)別.

2 非線性特征分類算法

非線性特征提取獲得的一維數(shù)據(jù)可采用一維卷積神經(jīng)網(wǎng)絡(luò)（1D convolutional neural network，1DCNN）對(duì)特征數(shù)據(jù)集進(jìn)行分類^［16］.1DCNN將Softmax層作為分類層，其作用是將全連接層輸出的特征向量轉(zhuǎn)化為類別的概率分布.然而，特征向量在經(jīng)過卷積等一系列運(yùn)算后會(huì)包含更多的信息量，造成Softmax層對(duì)特征向量的計(jì)算不穩(wěn)定，導(dǎo)致分類算法過擬合，影響流型識(shí)別的準(zhǔn)確率，而隨機(jī)森林算法可以通過隨機(jī)抽樣和特征選擇生成多個(gè)不同的決策樹模型并進(jìn)行集成學(xué)習(xí)，進(jìn)而解決算法過擬合問題^［17］.基于以上原因，本文在1DCNN中引入隨機(jī)森林算法（random forest，RF）替代1DCNN中的Softmax層，進(jìn)而構(gòu)建混合神經(jīng)網(wǎng)絡(luò)（1DCNN-RF），1DCNN-RF流程圖如圖5所示.

圖5中，首先，對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理操作，預(yù)處理包括規(guī)范化和格式轉(zhuǎn)換，經(jīng)預(yù)處理后的輸入數(shù)據(jù)按4∶1的比例被分為訓(xùn)練集和測試集，訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò)，利用測試集檢測網(wǎng)絡(luò)的分類性能；接著，將訓(xùn)練集輸入卷積層和池化層，通過卷積層和池化層提取訓(xùn)練集的主要特征信息；之后，將訓(xùn)練集的主要特征信息分為n個(gè)子集，每個(gè)子集可以訓(xùn)練一顆決策樹，每顆決策樹在訓(xùn)練中生成兩個(gè)包含不同類別特征向量的支節(jié)點(diǎn)，計(jì)算每個(gè)支節(jié)點(diǎn)的基尼指數(shù)（Gini Index），在基尼指數(shù)小的支節(jié)點(diǎn)下生成2個(gè)新的支節(jié)點(diǎn)并計(jì)算基尼指數(shù).當(dāng)支節(jié)點(diǎn)內(nèi)包含的特征向量僅為一類時(shí)，停止產(chǎn)生新的支節(jié)點(diǎn)，完成網(wǎng)絡(luò)訓(xùn)練；最后，將測試集輸入到訓(xùn)練后的1DCNN-RF中即可對(duì)混合神經(jīng)網(wǎng)絡(luò)的分類性能進(jìn)行驗(yàn)證.

另外，為了使1DCNN-RF性能達(dá)到最優(yōu)，本文采用鯨魚算法（whale optimization algorithm，WOA）對(duì)1DCNN-RF超參數(shù)進(jìn)行優(yōu)化，該算法在求解優(yōu)化問題時(shí)具有較強(qiáng)的搜索能力和并行性.WOA的計(jì)算步驟如下：

1）選擇位置向量和搜索方向，計(jì)算公式如下：D=（|C₁X^*₁（t）-X₁（t）|，|C₂X^*₂（t）-X₂（t）|，…）；X（t+1）=X^*（t）-D·A.式中，D是當(dāng)前搜索個(gè)體與當(dāng)前解的距離向量，X^*（t）是目前得到的最佳解的位置向量，X（t）是位置向量，t表示當(dāng)前迭代次數(shù)，A和C是系數(shù)向量，計(jì)算公式為：A=2ar₁-a；C=2r₂，r₁和r₂是［0，1］中的隨機(jī)向量，在迭代過程中，a由2線性減小到0.

2）螺旋更新位置.計(jì)算公式如下：X（t+1）=X^*（t）-D·A，p＜0.5，

e^blcos （2πl(wèi)）D′+X^*（t），p≥0.5，;D′=（|X^*₁（t）-X₁（t）|，|X^*₂（t）-X₂（t）|，…）.式中，p是值域?yàn)椋?，1］的隨機(jī)數(shù)，D′表示當(dāng)前搜索個(gè)體與當(dāng)前最優(yōu)解的距離向量，b用于定義螺旋形狀參數(shù)，l為服從均勻分布的隨機(jī)數(shù)［0，1］.

3）搜索全局解.當(dāng)|A|≥1時(shí)，從當(dāng)前解空間中隨機(jī)選擇一個(gè)解為目標(biāo)進(jìn)行位置更新，計(jì)算公式如下：D=（|C₁X^*_rand，1（t）-X₁（t）|，|C₂X^*_rand，2（t）-X₂（t）|，…）；X（t+1）=X_rand（t）-D·A.式中，X_rand（t）表示從當(dāng)前種群選擇的隨機(jī)位置向量.

在WOA算法中，首先將小批量參數(shù)（mini batch size）、初始學(xué)習(xí)率（initial learn rate）、正則化系數(shù)（L2Regularization）3個(gè)超參數(shù)隨機(jī)取值作為當(dāng)前解；接著，根據(jù)步驟2更新3個(gè)超參數(shù)的最優(yōu)解；最后，達(dá)到最大迭代次數(shù)后停止更新并將解返回1DCNN-RF.根據(jù)以上所述，所提基于Hjorth特征數(shù)據(jù)提取的WOA-1DCNN-RF流程圖如圖6所示.

圖6中，輸入數(shù)據(jù)為Hjorth參數(shù)特征向量數(shù)據(jù)集.首先，對(duì)特征向量數(shù)據(jù)集進(jìn)行預(yù)處理操作，預(yù)處理包括規(guī)范化和格式轉(zhuǎn)換，經(jīng)預(yù)處理后的數(shù)據(jù)集被分為訓(xùn)練集和測試集，訓(xùn)練集和測試集數(shù)據(jù)量之比為4∶1；接著，將訓(xùn)練集輸入WOA，對(duì)1DCNN-RF中的超參數(shù)進(jìn)行更新；然后，按照?qǐng)D5的流程利用訓(xùn)練集訓(xùn)練1DCNN-RF；最后，將測試集輸入訓(xùn)練好的1DCNN-RF中進(jìn)行分類，獲得流型分類結(jié)果.

3 結(jié)果分析

為了驗(yàn)證Hjorth參數(shù)對(duì)固有模態(tài)函數(shù)非線性特征的表征效果，分別提取每個(gè)樣本常規(guī)時(shí)域特征（conventional time-domain features，TF）和近似熵（approximate entropy，APEN）^［18］作為2個(gè)特征向量數(shù)據(jù)集，采用WOA-1DCNN-RF算法進(jìn)行分類，并與本文所提基于Hjorth特征數(shù)據(jù)提取的WOA-1DCNN-RF分類方法進(jìn)行比較，其結(jié)果如表1所示.

對(duì)于長塞流來說，基于Hjorth參數(shù)特征向量數(shù)據(jù)集和近似熵特征向量數(shù)據(jù)集的分類效果優(yōu)于基于常規(guī)時(shí)域特征所組成特征向量數(shù)據(jù)集的分類效果；對(duì)于短塞流和塞狀流，基于Hjorth參數(shù)特征向量數(shù)據(jù)集的分類效果要優(yōu)于其他兩種特征向量數(shù)據(jù)集；對(duì)于泡狀流，由于其振幅相對(duì)于其他流型信號(hào)變化最為劇烈，故算法對(duì)3種特征向量數(shù)據(jù)集的分類效果均達(dá)到100%.從以上數(shù)據(jù)可以看出，相對(duì)于常規(guī)時(shí)域特征和近似熵，由于Hjorth參數(shù)可以更好地獲取固有模態(tài)函數(shù)的非線性特征，因此流型分類準(zhǔn)確率最高.

為了評(píng)估所提算法性能，引入準(zhǔn)確率、精確度、召回率和F₁（F1 Score）作為性能評(píng)價(jià)指標(biāo).其中，準(zhǔn)確率指算法分類正確樣本數(shù)占總樣本數(shù)的比例；精確度表示算法分類為正例的樣本正確率；召回率指算法正確分類為正例的樣本數(shù)占所有實(shí)際為正例樣本的比例；F₁是精確度和召回率的加權(quán)調(diào)和平均值.準(zhǔn)確率P_Acc=（N_TP+N_TN）/（N_TP+N_TN+N_FP+N_FN）；精確度P_Pre=N_TP/（N_TP+N_FP）；召回率P_Rec=N_TP/（N_TP+N_FN）；F₁=2P_Pre（P_Rec/P_Pre）+P_Rec.式中，N_TP為真正例（true positives，TP），指算法正確識(shí)別出的正例數(shù)量；N_FP為假正例（1 positives，F(xiàn)P），指算法錯(cuò)誤地將負(fù)例預(yù)測為正例的數(shù)量；N_TN為真負(fù)例（true negatives，TN），指算法正確識(shí)別出的負(fù)例數(shù)量；N_FN為假負(fù)例（1 negatives，F(xiàn)N），指模型錯(cuò)誤地將正例預(yù)測為負(fù)例的數(shù)量.

為評(píng)估WOA的尋優(yōu)能力，使用粒子群算法（particle swarm optimization，PSO）和麻雀搜索算法（sparrow search algorithm，SSA）優(yōu)化1DCNN-RF構(gòu)建PSO-1DCNN-RF和SSA-1DCNN-RF，再將Hjorth參數(shù)特征向量數(shù)據(jù)集分別輸入到1DCNN-SVM（hybrid network of 1DCNN and SVM）、1DCNN-LSTM（hybrid network of 1DCNN and long short-term memory network）、1DCNN-RF、PSO-1DCNN-RF、SSA-1DCNN-RF和WOA-1DCNN-RF算法中進(jìn)行分類并計(jì)算性能指標(biāo)評(píng)估算法性能，6種算法的性能指標(biāo)結(jié)果如表2所示.

從表2中可以看出，1DCNN-SVM與1DCNN-LSTM的結(jié)果相近，1DCNN-RF算法的4個(gè)指標(biāo)結(jié)果則略高于1DCNN-SVM和1DCNN-LSTM，SSA-1DCNN-RF的4個(gè)指標(biāo)較1DCNN-RF算法有所提高，而PSO-1DCNN-RF的4個(gè)指標(biāo)較SSA-1DCNN-RF均提升了0.5%左右，所提WOA-1DCNN-RF的4個(gè)性能指標(biāo)均高于PSO-1DCNN-RF和SSA-1DCNN-RF算法.這是因?yàn)镻SO和SSA在搜索最優(yōu)解時(shí)易陷入局部最優(yōu)，進(jìn)而使1DCNN-RF的性能無法達(dá)到最優(yōu)，而WOA算法易于實(shí)現(xiàn)對(duì)全局最優(yōu)解的搜索，因此WOA-1DCNN-RF分類算法的性能優(yōu)于其他5種算法，其精確度達(dá)到99.63%.圖7給出了所提基于Hjorth特征數(shù)據(jù)提取的WOA-1DCNN-RF分法分類結(jié)果混淆矩陣.所提算法對(duì)4種流型特征向量的分類有很高的準(zhǔn)確率，36個(gè)短塞流特征向量中的1個(gè)被預(yù)測為長塞流，36個(gè)塞狀流特征向量中有1個(gè)被預(yù)測為短塞流.135個(gè)特征向量僅有2個(gè)被錯(cuò)誤分類，證明了所提方法的有效性和可靠性.

4 結(jié) 論

針對(duì)傳感器測量電導(dǎo)波動(dòng)信號(hào)強(qiáng)非線性和非平穩(wěn)性造成流型識(shí)別困難的問題，提出一種基于Hjorth特征數(shù)據(jù)提取的混合神經(jīng)網(wǎng)絡(luò)氣液兩相流流型識(shí)別方法.首先，采用滑動(dòng)窗口法將時(shí)長20 s的測量數(shù)據(jù)處理成時(shí)長為4 s的子序列；接著采用VMD算法提取信號(hào)的模態(tài)函數(shù)，然后在模態(tài)函數(shù)中提取Hjorth特征數(shù)據(jù)集以獲取測量信號(hào)的非線性特征；之后，引入隨機(jī)森林算法對(duì)神經(jīng)網(wǎng)絡(luò)的分類層進(jìn)行優(yōu)化，并采用鯨魚算法獲得混合神經(jīng)網(wǎng)絡(luò)的超參數(shù)；最后，利用優(yōu)化后的混合神經(jīng)網(wǎng)絡(luò)模型對(duì)氣液兩相流流型進(jìn)行分類預(yù)測.實(shí)驗(yàn)結(jié)果表明，所提方法對(duì)4種流型分類預(yù)測的平均準(zhǔn)確率達(dá)98.52%，證明了該方法的準(zhǔn)確性和可行性，并得出以下結(jié)論：

1）Hjorth參數(shù)可以較好地獲取固有模態(tài)函數(shù)的非線性特征.

2）隨機(jī)森林算法可以有效降低分類算法的過擬合風(fēng)險(xiǎn)，提高泛化能力.

3）采用鯨魚算法優(yōu)化網(wǎng)絡(luò)超參數(shù)可提升網(wǎng)絡(luò)預(yù)測精度，與1DCNN-SVM算法、1DCNN-LSTM算法和未優(yōu)化的1DCNN-RF算法相比，WOA-1DCNN-RF算法的流型識(shí)別精度更高.

參 考 文 獻(xiàn)

［1］ ZHANG L F，ZHANG S J.Gas/liquid two-phase flow pattern identification method using gramian angular field and densely connected network［J］.IEEE Sensors Journal，2023，23（4）：4022-4032.

［2］SHI Y Y，LIAO J J，WANG M，et al.Total fractional-order variation regularization based image reconstruction method for capacitively coupled electrical resistance tomography［J］.Flow Measurement and Instrumentation，2021，82：102081.

［3］YANG C，LU H C，WANG B，et al.Flow regime identification using pressure fluctuation signals in an aerated vessel stirred［J］.Chemical Engineering Science，2023，280：119058.

［4］DU M，JIN N D，GAO Z K，et al.Analysis of total energy and time-frequency entropy of gas-liquid two-phase flow pattern［J］.Chemical Engineering Science，2012，82：144-158.

［5］RAFA?KO G，MOSDORF R，GóRSKI G.Two-phase flow pattern identification in minichannels using image correlation analysis［J］.International Communications in Heat and Mass Transfer，2020，113：104508.

［6］ZHANG L F，ZHANG S J.Analysis and identification of gas-liquid two-phase flow pattern based on multi-scale power spectral entropy and pseudo-image encoding［J］.Energy，2023，282：128835.

［7］XU Q，ZHOU H Z，ZHU Y S，et al.Study of identification of global flow regime in a long pipeline transportation system［J］.Powder Technology，2020，362：507-516.

［8］ZHANG P，CAO X W，PENG F Y，et al.High-accuracy recognition of gas-liquid two-phase flow patterns：a Flow-Hilbert-CNN hybrid model［J］.Geoenergy Science and Engineering，2023，230：212206.

［9］XU Q，JIA P，WANG X Y，et al.Flow regime recognition in a long pipeline-riser system based on signals at the top of the riser［J］.Flow Measurement and Instrumentation，2021，80：101987.

［10］ROSA E S，SALGADO R M，OHISHI T，et al.Performance comparison of artificial neural networks and expert systems applied to flow pattern identification in vertical ascendant gas-liquid flows［J］.International Journal of Multiphase Flow，2010，36（9）：738-754.

［11］ZOU S F，GUO L J，XIE C.Fast recognition of global flow regime in pipeline-riser system by spatial correlation of differential pressures［J］.International Journal of Multiphase Flow，2017，88：222-237.

［12］REN W K，ZHANG J C，JIN N D.Rescaled range permutation entropy：a method for quantifying the dynamical complexity of gas-liquid two-phase slug flow［J］.Nonlinear Dynamics，2021，104（4）：4035-4043.

［13］XU H，TANG T，ZHANG B R，et al.Identification of two-phase flow regime in the energy industry based on modified convolutional neural network［J］.Progress in Nuclear Energy，2022，147：104191.

［14］YANG J，SHI Z P，WANG C X，et al.Design of optimized sliding-window BATS codes［J］.IEEE Communications Letters，2019，23（3）：410-413.

［15］LI C J，WU Y C，LIN H J，et al.ECG denoising method based on an improved VMD algorithm［J］.IEEE Sensors Journal，2022，22（23）：22725-22733.

［16］魏甫豫，張振宇，梁桂珍.基于卷積神經(jīng)網(wǎng)絡(luò)下昆蟲種類圖像識(shí)別應(yīng)用研究［J］.河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，50（6）：96-105.

WEI F Y，ZHANG Z Y，LIANG G Z.Research on application of insect species image recognition based on convolutional neural network［J］.Journal of Henan Normal University（Natural Science Edition），2022，50（6）：96-105.

［17］DONG L F，DU H Q，MAO F J，et al.Very high resolution remote sensing imagery classification using a fusion of random forest and deep learning technique：subtropical area for example［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2020，13：113-128.

［18］SUN L T，WANG X，YANG A F，et al.Radio frequency fingerprint extraction based on multi-dimension approximate entropy［J］.IEEE Signal Processing Letters，2020，27：471-475.

Flow pattern identification of two-phase flow based on an optimized hybrid neural network

Wang Meng， Zhang Song， Shi Yanyan， Yang Zhen， Shi Shuie

（Henan Key Laboratory of Optoelectronic Sensing Integrated Application， Henan Normal University， Xinxiang 453007， China）

Abstract： Accurate flow pattern identification is a great challenge due to strong nonlinearity and non-stationary of measurement data in gas-liquid two-phase flow. In this work， a new flow pattern identification method based on optimized hybrid neural network is proposed. In the proposed method， the measured conductivity data of different flow patterns is firstly segmented using the sliding window method. Then， the variational mode decomposition algorithm is utilized to obtain the intrinsic mode functions of each subsequence. The nonlinear features of each subsequence are described by extracting the Hjorth features from the intrinsic mode functions. Next， the random forest algorithm is introduced into the classification layer of the convolutional neural network to construct a hybrid neural network. The whale algorithm is employed to optimize the three hyperparameters in the hybrid neural network. Finally， flow pattern is identified by classifying the feature vector dataset of Hjorth parameters with the optimized hybrid neural network. The experimental results show that an average identification accuracy of 98.52% can be realized for the four flow patterns when the proposed method is used.

Keywords： gas-liquid two-phase flow; Hjorth parameters; hybrid neural network; random forest

［責(zé)任編校 楊浦 劉洋］