目标：使用深度神经网络对 S 形立管中的流态进行分类
该分类器与四种传统的机器学习分类器进行了比较：即 AdaBoost 分类器、bagging 分类器、额外树分类器和决策树分类器
小波分析在流态分类中的应用可以有效地提取多相流行为的特征。
使用信号处理方法进行流态分类，包括峰值点计数、幅度谱和概率密度分布。在他们的工作中，他们采用模糊分类方法与小波变换分析相结合，开发了一种独特的方法来识别浓悬浮垂直流、湍流、鼓泡、循环湍流流化床和快速流化流模式[9]。周等人。应用声发射技术进行气固两相流态转变识别。他们提出了多尺度和标准差分析的组合来检查快速流化、鼓泡流化、密相气力输送和湍流流化之间的流动转变[3]。
事实证明，使用神经网络进行流态预测能够客观地对两相流态进行分类，在正确实施训练过程时对大量样本进行聚类特征[11]、[12]。
写作逻辑
introduction
多相流广泛存在于各种工程和工业过程中 → 流态相当复杂 → 流态的不同特性不同
流态影响很多因素
流态识别主观性强 → 获得可靠的流动模型具有挑战性
信号分析在流态识别中起着至关重要的作用 → 总体目标流态预测尚未实现
小波分析很有效 → 详细介绍
神经网络可以进行流态识别 → 详细介绍 → DNN 性能好
大多数识别方法都无法为工业在线流态识别提供可靠且有效的解决方案。→ 尚未探索使用深度学习方法进行流态分类。
本文提出了一种使用连续波多普勒超声 (CWDU) 信号和 DNN 来识别 S 形管道立管系统中两相气液流态的非侵入式、非放射性方法