基于ECT技術的管道流型識別與運用研究*

袁俊朗 范世東江 攀許浩然

(武漢理工大學能源與動力工程學院1) 武漢 430063) (中國船級社武漢分社2) 武漢 430000)

0 引 言

兩相流廣泛存在于工程領域，流型作為反映兩相流流動狀態的重要參數，流型識別的準確程度在很大程度上會影響兩相流流動參數的測量.目前針對流型的識別方法主要分為觀測法和測量法，這兩種方法難以實現流型的在線測量[1].疏浚系統中一般采用射線對管道內流體進行測量，但是射線測量儀不僅費用昂貴，而且對于日常的使用與維護都有較高的要求.

電容層析成像(electrical capacitance tomography,ECT)技術作為一種非侵入的測量技術，已經在兩相流的測量領域得到了廣泛的運用[2-3].但是在疏浚系統中運用ECT技術卻鮮有這方面的報導.關于運用電容層析成像技術進行流型識別，國內外已有廣泛的研究.總的來說，可以分為以下兩種方法:①基于成像的流型識別,通過電容層析成像系統對兩相流流動進行成像，根據所成圖像提取出相應的特征值，再根據提取出的特征值運用模糊匹配的方式達到流型識別的目的[4];②基于原始數據的流型識別,通過對電容層析成像系統所采集的電容值進行特征值的選取，達到流型識別的目的[5].

支持向量機(support vector machine，SVM),該方法具有：通用性、魯棒性、有效性等優點，該算法被廣泛的運用于分類與非線性回歸[6].在SVM分類中，參數c和參數g的選取對分類的準確性有很大的影響.如何選取較好的參數也是一個關鍵問題.目前對于SVM中參數的選取優化方式主要有以下3種：①經驗法；②交叉驗證法(cross validation，CV)；③啟發式算法.遺傳算法(genetic algorithm，GA)是一種模擬自然進化過程尋求最優解的算法.采用遺傳算法不用像CV那樣遍歷網格中所有的點就可以求出全局最優解，從而減少運算量[7].

1 基本原理與特征值提取

1.1 ECT系統的基本原理

ECT系統主要由傳感器子系統、數據采集與處理子系統、圖像重建子系統三個部分構成，見圖1.當被測區域內部的物質所占的比例或位置發生變化時，就會引起外圍電極板之間電容值的改變[8].測得的電容值通過數據采集與處理子系統傳遞到圖像重建子系統中，通過一定的算法重建被測區域的介質分布圖像.

圖1 ECT系統簡圖

對于擁有N(N一般為偶數)個電極的電容層析成像系統，可得到的測量電容值個數M為

那么對于本文所構建的8電極ECT成像系統就有28個電極對數.每次工作時，某一電極被施加一個恒定的電壓值，這個極板稱為激勵電極.剩下的電極進行接地處理，均稱為測量電極.現假設激勵電極為1號電極，2～8號電極均為測量電極.測量C12，C12，…，C18電容值，測量完成之后，2極板激勵其余極板接地，測量C23，C24，…，C28，直到極板8完成激勵，這樣就完成了一次測量.其中Cij為極板i與極板j之間的電容值.

1.2 基于GA優化的SVM分類流程

本文的思路是從ECT系統采集到的電容值中選取特征值，運用GA優化出SVM的關鍵參數c、g，采用優化后的參數對流型進行識別.具體實施的方式見圖2.

圖2 GA優化的SVM與ECT流型識別過程

1.3 流型特征值的選取

本文主要對管道常見的四種流型進行了相應的識別，這四種流型分別為：層流、環狀流、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 待識別流型圖

液相與氣相擁有不同的相對介電常數，在不同的流型之間，液相與氣相的相對位置和數量均不相同，導致電極板間電容值的不同.因此利用SVM在ECT系統所采集到的電容值，與流型之間建立起對應關系，實現流型識別.

由前文分析可知，8電極的ECT系統可以得到28個不同的電容值.若全部選取這些電容值用于建立電容值與流型之間的關系，將會造成運算量過大，加大流型識別的時間，不利于流型的在線識別.而選取有代表性的電容值作為特征值進行流行識別，可以大大減少輸入的數據量，加快流型識別的速度.

采用逐步分組的方式進行特征值的提取.從上文所述的四種流型中選取一種流型作為集合P，從28個電容值中選取可以區分集合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入集合P，再次判斷.反之則從剩下的電容值中在選取相應的電容值加入集合Q直到可以分辨出這兩種電容值為止.接下來加入一個電容值進入集合P，重復上述操作，直到集合Q中的電容值可以區分本文的四種流型為止.

2 流型建模仿真與識別

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

圖4 傳感器管道模型圖

2.1 不同流型的構造

1) 環狀流 環狀流的流型構造是，空相位于中心，外圍是液相.設置空氣域的半徑為x，則外圍的(45-x) mm為液相.設置x的起始值為3 mm，增長步長為1 mm，當x從3 mm增長到42 mm時，可以得到40個不同的環狀流狀態.

2) 中心流 中心流狀態與環狀流相反，中心是液相，外圍是氣相.設置液相的半徑為x，則外圍的(45-x) mm為氣相.初始值與增長步長與環狀流相同，得到40個不同的中心流狀態.

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

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

經過上述操作，每個流型各有40個不同的狀態，共160個狀態.

2.2 特征值的選取

為了更好的識別出這4種流型，運用逐步分組法選取了C12，C18，C54，C56，C26，C48，C15，C37這8個電容值作為特征值進行流型識別.值得說明的是，特征值的選取并不唯一，本文僅僅列舉出其中的一種.將原來的28個數據降到了八個數據，在確?？梢苑诸惖幕A上減少了運算量.

2.3 基于GA優化的SVM的流型識別

運用有限元分析軟件對本文所涉及到的四種流型進行分析，相應的建模見2.1.得到四種流型的160組數據.將得到的四種流型的數據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所采集到的電容值之間相差會很大，為了更好的進行流型的識別，對所有特征值采取歸一化處理.為了在SVM算法中更好的區分每一類流型，對每一類流型都加上相應的標簽.在本節，層流記為“1”、環狀流記為“2”、泡狀流記為“3”、中心流記為“4”.將得到的160組數據分為兩組，一組用來訓練，一組用來測試.訓練和測試組每組均包含80組數據，每一種流型20組數據.使用較直觀的形式將識別結果顯示出來.分別運用隨機取得的c,g值和運用遺傳算法優化得到的c,g值進行分類，其分類結果見圖5～6.

圖5 隨機選取參數流型識別結果圖

圖6 GA優化后的SVM流型識別結果

由圖5～6可知，隨機選取參數雖然可以達到流型識別的效果，但是識別正確率受參數影響較大.通過遺傳算法可以得到最佳的參數值，可以看到在該參數下層流、泡狀流、中心流、環狀流識別率均為100%，綜合識別率達到100%.這表明基于遺傳優化后的SVM與ECT系統可以在所選取數據較少的情況下達到較高的流型識別度.

3 疏浚管道堵塞的仿真與識別

3.1 管道堵塞的建模

對于疏浚工程而言，管道堵塞一直是長期困擾工程人員的問題，如何自動識別堵塞程度也是疏浚自動化的必經之路.本文在前文對層流已經準確識別的基礎上，對層流流型進行了進一步的細分，使之較為符合疏浚實際情況.模型如下：將管道內部分為兩個部分，上部分假設為液相，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行判斷.現在做如下假設，當管道內固體和液體的界面位于直徑上2/3及以上時，為管道嚴重堵塞狀態，當管道內固體和液體的界面位于直徑上2/3～1/3之間時，為管道堵塞狀態，當管道內固體和液體的界面位于直徑下1/3到管道底部時，為正常運行狀態.這三種狀態見圖7.

圖7 管道堵塞分類圖

將管道沿內徑方向分36等分，取前12組作為嚴重堵塞狀態，中間12組作為堵塞狀態，后12組作為正常狀態.

3.2 特征值的選取

對于管道內流體的仿真見圖8.

圖8 管道堵塞電勢分布圖

由圖8可知，在液固分界面處的電場會發生畸變，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個電容值.

3.3 基于GA優化的SVM的管道堵塞識別

主要過程為：運用有限元分析軟件對本節所涉及到的3種狀態進行分析，相應的建模見3.1.得到3種狀態的36組數據.將得到的3種狀態的數據按照前文選取特征值的原則將特征值選取出來，由于電容層析成像系統所采集到的電容值之間相差會很大，為了更好的進行管道堵塞的分類，對所有特征值采取歸一化處理.為了在SVM算法中更好的區分每一類流型，對每一類流型都加上相應的標簽.本節中，管道嚴重堵塞狀態，記為狀態“1”.管道堵塞狀態，記為狀態“2”.正常運行狀態，記為狀態“3”.將得到的36組數據分為兩組，一組用來訓練，一組用來測試.訓練和測試組每組均包含18組數據，每一種狀態6組數據.使用較直觀的形式將識別結果顯示出來.分別運用隨機取得的c,g值和運用遺傳算法優化得到的c,g值得到的識別效果，結果見圖9～10.

圖9 隨機選取參數的堵塞分類結果圖

圖10 GA優化后的SVM堵塞識別結果圖

由圖9～10可知，隨機選取參數雖然可以達到堵塞識別的效果，但是識別正確率受參數影響較大.通過遺傳算法可以得到最佳的參數值，可以看出遺傳算法優化后識別率得到了很大的提升.這也說明運用遺傳算法優化后的SVM進行管道堵塞的識別是可行的.

5 結 論

1) 文中完成了對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，在此基礎上進一步對疏浚管道堵塞進行了建模，并根據液固分界面的位置將管道堵塞分為3種狀態.

2) 對8電極的ECT系統進行了仿真，求解出不同流型狀態下的電容值.為了使SVM計算更加簡便，對電容值進行了特征值的提取，將原來的28個獨立電容值減小到8個值.在對ECT系統采集到的電容值進行特征值提取的基礎上運用SVM算法，對4種流型進行了識別并取得了較好的辨識度.針對c,g取值對識別結果影響較大的特點，運用了遺傳算法對SVM的參數進行優化，利用優化得出的c,g值進行流型識別取得了很好的效果.

3) 并以此為基礎擴展了該技術的運用范圍，用于管道堵塞的判斷，對8電極的ECT系統進行了仿真，求解出不同堵塞程度下的電容值.在電容值進行特征值提取的基礎上結合SVM算法對不同的堵塞程度進行了識別.運用遺傳算法對SVM進行優化，利用優化得出的c,g值進行管道堵塞識別.結果也表明該技術對管道的堵塞具有很好的辨識度.