CN113223107B - 一种气液两相流的电阻层析成像方法、装置及终端设备 - Google Patents
一种气液两相流的电阻层析成像方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113223107B CN113223107B CN202110551226.0A CN202110551226A CN113223107B CN 113223107 B CN113223107 B CN 113223107B CN 202110551226 A CN202110551226 A CN 202110551226A CN 113223107 B CN113223107 B CN 113223107B
- Authority
- CN
- China
- Prior art keywords
- liquid
- phase flow
- module
- layer
- block layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measurement Of Resistance Or Impedance (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明适用于层析成像技术领域,提供了一种气液两相流的电阻层析成像方法、装置及终端设备,该方法包括:通过阵列电极向被测气液两相流发送激励信号,并获取被测气液两相流响应于激励信号产生的扫描信号;根据扫描信号获取所述被测气液两相流的边界电压矩阵;基于残差神经网络和边界电压矩阵,生成被测气液两相流的电导率分布图像。本发明提供的气液两相流的电阻层析成像方法可以根据边界电压矩阵和改进的残差神经网络,准确高效的生成被测气液两相流的电导率分布图像,简化计算过程的同时提高成像的准确性。
Description
技术领域
本发明属于层析成像技术领域,尤其涉及一种气液两相流的电阻层析成像方法、装置及终端设备。
背景技术
电学层析成像技术(ElectricalTomography,ET)是通过向被测气液两相流施加电激励并检测其边界值来获取被测气液两相流内部电特性参数分布的技术,具有无辐射、响应速度快的优势,在多相流参数可视化测量中应用广泛。电阻层析成像(ElectricalResistanceTomography,ERT)是电学层析成像技术中的一个重要分支,结合图像重建算法,能够在非侵入的条件下灵活地检测被测气液两相流内部电导率的分布情况。
传统的电学层析成像算法包括线性反投影法、兰德韦伯迭代算法等,但这些算法具有伪影多,面对复杂流型时成像精度低的局限性,成像准确性差。
发明内容
有鉴于此,本发明实施例提供了一种气液两相流的电阻层析成像方法、装置及终端设备,能够提高气液两相流电导率分布图像的准确性。
本发明实施例的第一方面提供了一种气液两相流的电阻层析成像方法,包括:
通过阵列电极向被测气液两相流发送激励信号,并获取所述被测气液两相流响应于所述激励信号产生的扫描信号;
根据所述扫描信号获取所述被测气液两相流的边界电压矩阵;
基于残差神经网络和所述边界电压矩阵,生成所述被测气液两相流的电导率分布图像。
本发明实施例的第二方面提供了一种气液两相流的电阻层析成像装置,包括:
扫描信号获取模块,用于通过阵列电极向被测气液两相流发送激励信号,并获取所述被测气液两相流响应于所述激励信号产生的扫描信号;
边界电压矩阵获取模块,用于根据所述扫描信号获取所述被测气液两相流的边界电压矩阵;
电导率分布图像生成模块,用于基于残差神经网络和所述边界电压矩阵,生成所述被测气液两相流的电导率分布图像。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例的第五方面提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得电子设备执行上述第一方面中任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例提供的气液两相流的电阻层析成像方法包括:通过阵列电极向被测气液两相流发送激励信号,并获取被测气液两相流响应于激励信号产生的扫描信号;根据扫描信号获取所述被测气液两相流的边界电压矩阵;基于残差神经网络和边界电压矩阵,生成被测气液两相流的电导率分布图像。本发明提供的气液两相流的电阻层析成像方法可以根据边界电压矩阵和改进的残差神经网络,准确高效的生成被测气液两相流的电导率分布图像,简化计算过程的同时提高成像的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的气液两相流的电阻层析成像方法的应用场景示例图;
图2是本发明实施例提供的气液两相流的电阻层析成像方法的实现流程示意图;
图3是本发明实施例提供的残差神经网络的模型示例图;
图4是本发明实施例提供的残差神经网络的又一模型示例图;
图5是本发明实施例提供的样本敏感场剖分示意图;
图6是本发明实施例提供的气液两相流的电阻层析成像方法的测试结果示例图;
图7是本发明实施例提供的气液两相流的气液两相流的电阻层析成像装置的结构示意图;
图8是本发明实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1示出了本发明实施例提供的气液两相流的电阻层析成像方法应用的一种成像系统。参见图1,计算机控制设备120控制激励信号发生设备130向被测气液两相流发送激励信号,并控制数据采集与处理设备140获取被测气液两相流响应于激励信号产生的扫描信号。进一步的,数据采集与处理设备140向图形重建与显示设备150发送处理后的扫描信号。图像重建与显示设备150在计算机控制设备120的控制下进行图像重建。
在一些实施例中,以上各个设备可以集成在一个成像仪器中。
图2示出了本发明实施例提供的气液两相流的电阻层析成像方法的实现流程示意图,参见图1,该方法可以包括S101至S103。
S101:通过阵列电极向被测气液两相流发送激励信号,并获取被测气液两相流响应于激励信号产生的扫描信号。
在一些实施例中,通过激励信号发生设备130向被测气液两相流发送激励信号。通过数据采集与处理设备140获取被测气液两相流110响应于激励信号产生的扫描信号。
S102:根据扫描信号获取被测气液两相流的边界电压矩阵。
在一些实施例中,S102包括:根据扫描信号确定被测气液两相流的边界电压序列。对边界电压序列进行预处理,生成被测气液两相流的边界电压矩阵。
在一个具体的应用场景中,边界电压序列中包含的电压值的数量为120个。对边界电压序列进行预处理,包括:使用reshape函数将边界电压序列重排为大小为(12,10,1)的矩阵,并使用ZeroPadding函数对该矩阵进行零填充处理。使UpSamling函数将零填充处理后的矩阵进行上采样处理,得到大小为(36,36,1)的边界电压矩阵。
S103:基于残差神经网络和边界电压矩阵,生成被测气液两相流的电导率分布图像。
在一些实施例中,残差神经网络包括第一模块和第二模块;
在一些实施例中,S103可以包括S201至S202。
S201:将边界电压矩阵输入第一模块,生成恒等残差块层输出。
S202:将恒等残差块层输出输入至第二模块,生成被测气液两相流的电导率分布图像。
在一些实施例中,第一模块包括卷积层、批量归一化层、最大池化层、第一卷积块层以及第一恒等残差块层。
相应的,S201可以包括:令所述边界电压矩阵依次经过卷积层、批量归一化层、最大池化层、第一卷积块层以及第一恒等残差块层,生成恒等残差块层输出。
在一些实施例中,第二模块包括第二卷积块层、第二恒等残差块层、第三卷积块层、第三恒等残差块层、第一全连接层以及第一输出层。
相应的,S202可以包括:令恒等残差块层输出依次经过第二卷积块层、第二恒等残差块层、第三卷积块层、第三恒等残差块层、第一全连接层以及第一输出层,生成被测气液两相流的电导率分布图像。
在本实施例中,应用残差神经网络的强非线性映射进行电阻层析成像,可以提高成像的准确性。
气液两相流的运动规律是两相流体力学的主要研究内容之一,气液两相流型的分析与判断在化学工程、航天工程、动力工程等行业中具有重要意义。传统上使用的压差信号法、图像处理法存在特征提取困难的局限性,流型辨识的准确度低。
在一些实施例中,残差神经网络还包括第三模块。
相应的,S103还可以包括:
S203:将恒等残差块层输出输入至第三模块,生成被测气液两相流的流型。
在一些实施例中,被测气液两相流的流型包括环流、单泡流、双泡流、三泡流以及四泡流。
在一些实施例中,第三模块包括第二全连接层和第二输出层;
相应的,S203包括:令恒等残差块层输出依次经过第二全连接层和第二输出层,生成被测气液两相流的流型。
本实施例提供的残差神经网络可以根据一组输入得到两组输出结果,主输出为电导率分布图像,辅助输出为流型,从而实现输入数据的复用,减小数据的处理量,实现权值的共享,并便于用户对深层特征信息进行分析。与传统的电阻层析成像方法中的图像重建过程相比,本方法无需计算灵敏度矩阵,可以简化运算过程。
另一方面,本实施例提供的残差神经网络,程序运行时间短,能够满足电阻层析成像系统的在线测量需求。且由于残差神经网络具有一定的鲁棒性,因此本法也具有良好的模型泛化性和抗噪性。
图3示出了本发明实施例提供的残差神经网络的模型示意图。在一个具体的实施例中,将归一化的边界电压值输入残差神经网络模型,边界电压值经过Reshape函数的重排,成为大小为(12,10,1)的矩阵。再使用ZeroPadding函数进行零填充处理,使用Upsampling函数进行上采集处理,得到大小为(36,36,1)的边界电压矩阵。
令边界电压矩阵依次经过卷积层(Conv)、批量归一化层(BN)和最大池化层(MaxPooling),得到大小为(8,8,64)的矩阵。再令上述矩阵经过第一卷积块层(ConvBlock)和第一恒等残差块层(IdentityBlock),得到大小为(4,4,128)的矩阵,即恒等残差块层输出。以上各层属于第一模块。
由于本实施例提供的残差神经网络具有电导率分布图像与流型两个输出,因此恒等残差块层输出具有两个数据流向。
为了得到主输出即电导率分布图像,需要令恒等残差块层输出依次经过第二模块包含的第二卷积块层、第二恒等残差块层,得到大小为(2,2,256)的矩阵;再令上述矩阵经过第三卷积块层、第三恒等残差块层,得到大小为(1,1,512)的矩阵。将该输出进行拉平处理,再经过神经元数为1024的第一全连接层(Dense)进行升维和像素扩充,经过神经元数为1920的第一输出层(Dense)得到1920个电导率分布值。在第一输出层使用Sigmiod激活函数将预测得到的1920个电导率分布值进行重排,生成被测气液两相流的电导率分布图。以上各层属于第二模块,以上过程充分利用了边界电压的深层信息。
为了得到辅助输出的流型,仅需要将恒等残差块层输出进行拉平(Flatten)处理,经过第三模块包含的神经元数为64的第二全连接层(Dense)进行降维处理,最后经过神经元数为5的第二输出层(Dense)输出流型。在第二输出层使用Softmax激活函数对5个神经元的分类概率进行计算,最终实现流型的辨识分类。以上各层属于第三模块,以上过程仅需使用边界电压的中浅层信息。
图4示出了本发明实施例提供的残差神经网络中卷积块层和恒等残差块层的模型示意图。
在一些实施例中,气液两相流的电阻层析成像方法还包括:获取多个不同流型的样本,根据样本训练所述残差神经网络模型。
在一些实施例中,训练残差网络模型的过程可以包括:
利用有限元法对电阻层析成像正问题进行仿真。根据仿真样本对残差神经网络进行训练。
图5示出了本发明实施例提供的样本敏感场剖分示意图。参见图5,设置电阻层析成像敏感场的管道直径为160mm,电极数为16个,敏感物场被剖分为1920个三角形单元,即电导率分布图像包含1920个成像像素点。
在一个具体的应用场景中,仿真样本的类型包括:环流、单泡流、三泡流和四泡流。仿真样本的数量为25000个,每个流型种类的样本数量为5000个。对每个样本设置不同的气液两相流型、电导率分布值和边界电压值,每个样本均包含120个边界电压特征值和1920个电导率分布值。
为不同流型的样本进行编码,环流、单泡流、三泡流和四泡流分别对应0、1、2、3、4。将样本的排序打乱,进行残差神经网络的训练。为了加快网络的收敛,可以将每个样本的120个边界电压值进行归一化处理。训练过程中训练集、测试集以及验证集中样本的数量比例为8:1:1。
损失函数可以为:
主输出损失函数可以为binary crossentropy交叉熵函数,辅助损失函数可以为sparse categorical crossenteopy交叉熵函数,使用该形式的辅助损失函数可以避免对流型标签进行独热编码。
具体的,使用Keras架构训练残差网络模型,设置批量数(batch size)为64,学习率(Ir)为0.001,梯度裁剪系数(clipvalue)为1,总训练轮数(epoch)为100,使用Adam优化器进行模型训练。
将训练过程分为前向传播和反向传播两个阶段,其中前向传播阶段首先初始化各神经元间的权值和偏置,得到输出Y并计算损失函数值;反向传播阶段利用梯度下降法对各神经元间的权值和偏置进行更新并更新学习率,从而降低损失函数值。使训练数据反复经过前向传播和反向传播迭代,直至损失函数趋于收敛。以上训练过程使用残差连接的方法,能够进一步提高损失函数的收敛速度。
具体的,主输出的评价标准为:
辅助输出的评价标准为:
其中,acc为流型识别准确率。
可选的,训练完成的标准为损失函数趋于0.028,流型识别准确率趋于100%,RIE趋于0.21,ICC趋于0.98。
使用验证集中的2500个样本对训练好的残差网络模型进行测试。
图6示出了本实施例中测试集的成像结果,图7中的第一行图像为样本的原始图像,第二行为重建得到的图像。
表1示出了本实施例中测试集的流型辨识结果。
表1测试集流型辨识结果
结合图7和表1,本实施例提供的气液两相流的电阻层析成像方法测试得到的平均ICC为0.965,平均RIE为0.224,程序运行时间为7秒,平均每个样本的成像与流型辨识仅耗时0.0028秒,本实施例提供的气液两相流的电阻层析成像方法用时短、速度快,能够满足在线测量的及时性需求。
在又一些实施例中,仿真样本包括层流、十字流等流型,则该残差神经网络可以实现对以上流型的辨别。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图7是本发明实施例提供的气液两相流的电阻层析成像装置的结构示意图,参见图7,在本实施例中,气液两相流的电阻层析成像装置70可以包括:扫描信号获取模块710、边界电压矩阵获取模块720以及电导率分布图像生成模块730。
扫描信号获取模块710,用于通过阵列电极向被测气液两相流发送激励信号,并获取被测气液两相流响应于激励信号产生的扫描信号。
边界电压矩阵获取模块720,用于根据扫描信号获取被测气液两相流的边界电压矩阵。
电导率分布图像生成模块730,用于基于残差神经网络和边界电压矩阵,生成被测气液两相流的电导率分布图像。
本发明实施例提供的气液两相流的电阻层析成像装置可以根据边界电压矩阵和改进的残差神经网络,准确高效的生成被测气液两相流的电导率分布图像,简化计算过程的同时提高成像的准确性。
在一些实施例中,残差神经网络包括第一模块和第二模块。
电导率分布图像生成模块730包括恒等残差块层输出单元和电导率分布图像生成单元。
恒等残差块层输出单元用于将边界电压矩阵输入第一模块,生成恒等残差块层输出。
电导率分布图像生成单元用于将恒等残差块层输出输入至第二模块,生成被测气液两相流的电导率分布图像。
在一些实施例中,第一模块包括卷积层、批量归一化层、最大池化层、第一卷积块层以及第一恒等残差块层。
恒等残差块层输出单元具体用于:令边界电压矩阵依次经过卷积层、批量归一化层、最大池化层、第一卷积块层以及第一恒等残差块层,生成恒等残差块层输出。
在一些实施例中,第二模块包括第二卷积块层、第二恒等残差块层、第三卷积块层、第三恒等残差块层、第一全连接层以及第一输出层。
电导率分布图像生成单元具体用于:令恒等残差块层输出依次经过第二卷积块层、第二恒等残差块层、第三卷积块层、第三恒等残差块层、第一全连接层以及第一输出层,生成被测气液两相流的电导率分布图像。
在一些实施例中,残差神经网络还包括第三模块。
气液两相流的电阻层析成像装置70还包括:流型生成模块。
流型生成模块用于:将恒等残差块层输出输入至第三模块,生成被测气液两相流的流型。
在一些实施例中,第三模块包括第二全连接层和第二输出层。
流型生成模块具体用于:令恒等残差块层输出依次经过第二全连接层和第二输出层,生成被测气液两相流的流型。
在一些实施例中,气液两相流的电阻层析成像装置70还包括:模型训练模块。
模型训练模块用于:获取多个不同流型的样本,根据所述样本训练所述残差神经网络模型。
图8是本发明一实施例提供的终端设备的示意图。如图8所示,该实施例的终端设备80包括:处理器800、存储器810以及存储在所述存储器810中并可在所述处理器800上运行的计算机程序820,例如气液两相流的电阻层析成像程序。所述处理器80执行所述计算机程序820时实现上述各个气液两相流的电阻层析成像方法实施例中的步骤,例如图2所示的步骤S101至S103。或者,所述处理器800执行所述计算机程序820时实现上述各装置实施例中各模块/单元的功能,例如图7所示模块710至730的功能。
示例性的,所述计算机程序820可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器810中,并由所述处理器800执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序820在所述终端设备80中的执行过程。例如,所述计算机程序820可以被分割成扫描信号获取模块、边界电压矩阵获取模块以及电导率分布图像生成模块。(虚拟装置中的模块)。
所述终端设备80可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器800、存储器810。本领域技术人员可以理解,图8仅仅是终端设备80的示例,并不构成对终端设备80的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器800可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器810可以是所述终端设备80的内部存储单元,例如终端设备80的硬盘或内存。所述存储器810也可以是所述终端设备80的外部存储设备,例如所述终端设备80上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器810还可以既包括所述终端设备80的内部存储单元也包括外部存储设备。所述存储器810用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器810还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种气液两相流的电阻层析成像方法,其特征在于,包括:
通过阵列电极向被测气液两相流发送激励信号,并获取所述被测气液两相流响应于所述激励信号产生的扫描信号;
根据所述扫描信号获取所述被测气液两相流的边界电压矩阵;
基于残差神经网络和所述边界电压矩阵,生成所述被测气液两相流的电导率分布图像;
所述残差神经网络包括第一模块和第二模块;
所述基于残差神经网络和所述边界电压矩阵,生成所述被测气液两相流的电导率分布图像,包括:
将所述边界电压矩阵输入所述第一模块,生成恒等残差块层输出;
将所述恒等残差块层输出输入至所述第二模块,生成所述被测气液两相流的电导率分布图像;
所述残差神经网络还包括第三模块;
所述气液两相流的电阻层析成像方法还包括:
将所述恒等残差块层输出输入至所述第三模块,生成所述被测气液两相流的流型。
2.如权利要求1所述的一种气液两相流的电阻层析成像方法,其特征在于,所述第一模块包括卷积层、批量归一化层、最大池化层、第一卷积块层以及第一恒等残差块层;
所述将所述边界电压矩阵输入所述第一模块,生成恒等残差块层输出,包括:
令所述边界电压矩阵依次经过所述卷积层、所述批量归一化层、所述最大池化层、所述第一卷积块层以及所述第一恒等残差块层,生成所述恒等残差块层输出。
3.如权利要求1所述的一种气液两相流的电阻层析成像方法,其特征在于,所述第二模块包括第二卷积块层、第二恒等残差块层、第三卷积块层、第三恒等残差块层、第一全连接层以及第一输出层;
所述将所述恒等残差块层输出输入至所述第二模块,生成所述被测气液两相流的电导率分布图像,包括:
令所述恒等残差块层输出依次经过所述第二卷积块层、第二恒等残差块层、所述第三卷积块层、所述第三恒等残差块层、所述第一全连接层以及所述第一输出层,生成所述被测气液两相流的电导率分布图像。
4.如权利要求3所述的一种气液两相流的电阻层析成像方法,其特征在于,所述第三模块包括第二全连接层和第二输出层;
所述将所述恒等残差块层输出输入至所述第三模块,生成所述被测气液两相流的流型,包括:
令所述恒等残差块层输出依次经过所述第二全连接层和所述第二输出层,生成所述被测气液两相流的流型。
5.如权利要求1至4任一项所述的一种气液两相流的电阻层析成像方法,其特征在于,所述方法还包括:
获取多个不同流型的样本,根据所述样本训练所述残差神经网络模型。
6.一种气液两相流的电阻层析成像装置,其特征在于,包括:
扫描信号获取模块,用于通过阵列电极向被测气液两相流发送激励信号,并获取所述被测气液两相流响应于所述激励信号产生的扫描信号;
边界电压矩阵获取模块,用于根据所述扫描信号获取所述被测气液两相流的边界电压矩阵;
电导率分布图像生成模块,用于基于残差神经网络和所述边界电压矩阵,生成所述被测气液两相流的电导率分布图像;
所述残差神经网络包括第一模块和第二模块;
所述电导率分布图像生成模块包括恒等残差块层输出单元和电导率分布图像生成单元;
所述恒等残差块层输出单元,用于将所述边界电压矩阵输入所述第一模块,生成恒等残差块层输出;
所述电导率分布图像生成单元,用于将所述恒等残差块层输出输入至所述第二模块,生成所述被测气液两相流的电导率分布图像;
所述残差神经网络还包括第三模块;
所述气液两相流的电阻层析成像装置还包括:流型生成模块;
所述流型生成模块,用于将所述恒等残差块层输出输入至所述第三模块,生成所述被测气液两相流的流型。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551226.0A CN113223107B (zh) | 2021-05-20 | 2021-05-20 | 一种气液两相流的电阻层析成像方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551226.0A CN113223107B (zh) | 2021-05-20 | 2021-05-20 | 一种气液两相流的电阻层析成像方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113223107A CN113223107A (zh) | 2021-08-06 |
CN113223107B true CN113223107B (zh) | 2023-01-31 |
Family
ID=77093297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551226.0A Active CN113223107B (zh) | 2021-05-20 | 2021-05-20 | 一种气液两相流的电阻层析成像方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223107B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114332035A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院力学研究所 | 空泡内部介质参数的测量方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830875B (zh) * | 2018-05-08 | 2021-04-27 | 天津大学 | 一种基于残差最小的电阻抗层析成像图像分割方法 |
CN110163215B (zh) * | 2018-06-08 | 2022-08-23 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN109598768B (zh) * | 2018-10-11 | 2023-03-28 | 天津大学 | 基于卷积神经网络的电学层析成像图像重建方法 |
CN111693574B (zh) * | 2020-06-09 | 2022-12-09 | 长江武汉航道工程局 | 基于电学层析成像的三维液固两相流检测装置及检测方法 |
-
2021
- 2021-05-20 CN CN202110551226.0A patent/CN113223107B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113223107A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Compressed sensing MRI using a recursive dilated network | |
Clavel et al. | Missing data estimation in morphometrics: how much is too much? | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
WO2020114329A1 (zh) | 磁共振快速参数成像方法及装置 | |
CN110930378B (zh) | 基于低数据需求的肺气肿影像处理方法及系统 | |
CN113283419B (zh) | 基于注意力的卷积神经网络指针式仪表图像读数识别方法 | |
CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
Tang et al. | Example-based super-resolution via social images | |
CN113223107B (zh) | 一种气液两相流的电阻层析成像方法、装置及终端设备 | |
Zhu et al. | Deep image refinement method by hybrid training with images of varied quality in electrical capacitance tomography | |
CN113378472B (zh) | 一种基于生成对抗网络的混合边界电磁逆散射成像方法 | |
Samsi et al. | Colorization of H&E stained tissue using Deep Learning | |
CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
CN117373580A (zh) | 基于时序网络实现钛合金产品的性能分析方法及系统 | |
Amjad et al. | Deep learning model-aware regulatization with applications to inverse problems | |
CN117292750A (zh) | 细胞类型占比的预测方法、装置、设备及存储介质 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN109583512B (zh) | 图像处理方法、装置及系统 | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
Hua et al. | ECG signals deep compressive sensing framework based on multiscale feature fusion and SE block | |
Luo et al. | Frequency Information Matters for Image Matting | |
Ekmekci et al. | Quantifying Generative Model Uncertainty in Posterior Sampling Methods for Computational Imaging | |
Afkham et al. | Goal-oriented Uncertainty Quantification for Inverse Problems via Variational Encoder-Decoder Networks | |
CN115330279B (zh) | 一种基于股票走势图相似性检测的公司选取方法 | |
CN117058262A (zh) | 一种磁性纳米粒子成像重建的方法、系统及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |