CN113657526A - 一种多分类ert流型识别方法 - Google Patents

一种多分类ert流型识别方法 Download PDF

Info

Publication number
CN113657526A
CN113657526A CN202110970027.3A CN202110970027A CN113657526A CN 113657526 A CN113657526 A CN 113657526A CN 202110970027 A CN202110970027 A CN 202110970027A CN 113657526 A CN113657526 A CN 113657526A
Authority
CN
China
Prior art keywords
bubble
continuous phase
flow
quadrant
voltage
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.)
Withdrawn
Application number
CN202110970027.3A
Other languages
English (en)
Inventor
王湃
苗月盈
乔详
加波
郭春勇
刘浪
王美
秦学斌
郇超
张超
赵玉娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202110970027.3A priority Critical patent/CN113657526A/zh
Publication of CN113657526A publication Critical patent/CN113657526A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/045—Combinations of networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种多分类ERT流型识别方法，包括步骤：一、构建多分类ERT流型仿真模型；二、获取测量电压；三、测量电压的数据处理；四、构建数据库；五、CNN卷积神经网络的训练及测试；六、多分类ERT流型识别。本发明利用电极系统采集测量电压，将一维电压数据信息转变为二维点阵信息，在此基础上进行时域到频域转换，保证原始数据完整性的同时增强数据特征，采用时域和频域双通道样本，提高算法识别不同尺度样本的鲁棒性，构建多流型分类ERT电压图像数据库，增加多组易混淆流型类别，完成较高难度识别任务，选用卷积神经网络进行ERT流型识别方，在识别易混淆流型时具有优越性。

Description

一种多分类ERT流型识别方法
技术领域
本发明属于多分类ERT流型识别技术领域，具体涉及一种多分类ERT流型识别方法。
背景技术
电阻层析成像技术(Electrical Resistance Tomography)作为现代工业检测的前沿技术，具有低成本、无放射性、可视化和非入侵的特点，广泛应用于石油、化工、电力及冶金等行业中的两相流测量。流型是两相流的重要指标，其它参数的测量往往依赖于对流型的准确辨别。然而，由于ERT的“软场”特性、成像区域刨分单元数量、噪声、传输以及成像算法等因素的影响，现有ERT流型识别方法存在诸多问题：
第一，现有流型识别方法大多直接使用未经预处理的测量电压作为样本，或是选用不合适的预处理方法，造成数据特征丢失，进而难以准确表征不同流型；
第二，ERT流型重建算法存在成像不清晰、成像质量差等问题，根据重建图像难以准确识别流型类别；
第三，现有的流型识别类别主要分为芯流、泡状流、环流以及层流等大类，并未针对不同流型特点进行更细致分类；
第四，现有流型识别算法的准确率尚不理想，尤其是在识别某些易混淆流型时容易出现误判。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多分类ERT流型识别方法，利用电极系统采集测量电压，将一维电压数据信息转变为二维点阵信息，在此基础上进行时域到频域转换，保证原始数据完整性的同时增强数据特征，采用时域和频域双通道样本，提高算法识别不同尺度样本的鲁棒性，构建多流型分类ERT电压图像数据库，增加多组易混淆流型类别，完成较高难度识别任务，选用卷积神经网络进行ERT流型识别方，在识别易混淆流型时具有优越性，便于推广使用。
为解决上述技术问题，本发明采用的技术方案是：一种多分类ERT流型识别方法，其特征在于，该方法包括以下步骤：
步骤一、构建多分类ERT流型仿真模型：利用ERT仿真软件构建多分类ERT流型仿真模型，多分类ERT流型仿真模型包括仿真管道和均匀分布在管道外壁的16电极仿真系统，仿真管道内根据多分类ERT设定流型充填连续相介质和离散相介质；
以仿真管道横截面中心为圆心，建立直角坐标系，将多分类ERT设定流型分为核心流、第一单泡泡状流、第二单泡泡状流、第三单泡泡状流、第四单泡泡状流、第一双泡泡状流、第二双泡泡状流、第三双泡泡状流、第四双泡泡状流、第五双泡泡状流、第六双泡泡状流、第七双泡泡状流、第八双泡泡状流、第九双泡泡状流、第十双泡泡状流、第一三泡泡状流、第二三泡泡状流、第三三泡泡状流、第四三泡泡状流、四泡泡状流、五泡泡状流、小环流、中环流、大环流、低位层流、中位层流和高位层流；
其中，核心流中连续相介质的数量为一个且位于直角坐标系中心；
第一单泡泡状流中连续相介质的数量为一个且位于第一象限；
第二单泡泡状流中连续相介质的数量为一个且位于第二象限；
第三单泡泡状流中连续相介质的数量为一个且位于第三象限；
第四单泡泡状流中连续相介质的数量为一个且位于第四象限；
第一双泡泡状流中连续相介质的数量为两个且均位于第一象限；
第二双泡泡状流中连续相介质的数量为两个且均位于第二象限；
第三双泡泡状流中连续相介质的数量为两个且均位于第三象限；
第四双泡泡状流中连续相介质的数量为两个且均位于第四象限；
第五双泡泡状流中连续相介质的数量为两个且分别位于一、二象限；
第六双泡泡状流中连续相介质的数量为两个且分别位于一、三象限；
第七双泡泡状流中连续相介质的数量为两个且分别位于一、四象限；
第八双泡泡状流中连续相介质的数量为两个且分别位于二、三象限；
第九双泡泡状流中连续相介质的数量为两个且分别位于二、四象限；
第十双泡泡状流中连续相介质的数量为两个且分别位于三、四象限；
第一三泡泡状流中连续相介质的数量为三个且分别位于一、二、三象限；
第二三泡泡状流中连续相介质的数量为三个且分别位于一、二、四象限；
第三三泡泡状流中连续相介质的数量为三个且分别位于一、三、四象限；
第四三泡泡状流中连续相介质的数量为三个且分别位于二、三、四象限；
四泡泡状流中连续相介质的数量为四个且随机分布在直角坐标系内；
五泡泡状流中连续相介质的数量为五个且随机分布在直角坐标系内；
小环流中连续相介质为环形结构且环形结构的连续相介质的内外直径大于
Figure BDA0003225603080000031
且小于
Figure BDA0003225603080000032
D为仿真管道内径；
中环流中连续相介质为环形结构且环形结构的连续相介质的内外直径不小于
Figure BDA0003225603080000033
且小于
Figure BDA0003225603080000034
大环流中连续相介质为环形结构且环形结构的连续相介质的内外直径不小于
Figure BDA0003225603080000035
低位层流中连续相介质的面层高度小于
Figure BDA0003225603080000036
中位层流中连续相介质的面层高度不小于
Figure BDA0003225603080000037
且小于
Figure BDA0003225603080000038
低位层流中连续相介质的面层高度不小于
Figure BDA0003225603080000039
步骤二、获取测量电压：在ERT仿真软件中设置各种ERT流型的电导率分布，16电极仿真系统利用相邻激励模式输出激励电流获取每种ERT设定流型的多组测量电压，每组测量电压为A*1维电压数值，其中，A为测量电压维数，每种ERT设定流型的测量电压不少于100组；
步骤三、测量电压的数据处理，过程如下：
步骤301、对每组测量电压的A*1维电压数值进行归一化处理，得到每组测量电压的归一化电压数值uk；
步骤302、根据公式
Figure BDA0003225603080000041
对归一化后的每组测量电压分别进行升维处理得到A*A的电压矩阵Uk；
步骤303、对每个电压矩阵Uk进行边缘补零处理，使每个电压矩阵Uk的维度扩充为256*256，再给维度扩充后的电压矩阵中每个元素值乘以255，得到每个元素值在0～255之间的矩阵Hk；
此时获得的矩阵Hk可视为256*256*1的点阵图片所对应的像素值矩阵，将像素值矩阵转化为jpg格式的图片，得到每张包含测量电压信息的点阵图片；
步骤304、对点阵图片进行DCT变换，得到DCT电压样本；
步骤四、构建数据库：将每种ERT设定流型的多组测量电压对应的点阵图片和DCT电压样本构成一个数据库，对数据库进行随机分类，获得训练数据集合和测试数据集合；
步骤五、CNN卷积神经网络的训练及测试：将点阵图片和DCT电压样本作为CNN卷积神经网络输入样本，将ERT流型作为网络输出，利用训练数据集合对CNN卷积神经网络进行训练，直至训练数据集合中点阵图片和DCT电压样本调取完毕；
再在测试数据集合中调取点阵图片和DCT电压样本，对CNN卷积神经网络进行测试，获取训练并测试完成的CNN卷积神经网络；
步骤六、多分类ERT流型识别，过程如下：
步骤601、利用16电极系统待测管道进行测量，获取实际测量电压，实际测量电压为A*1维电压数值；对实际测量电压的A*1维电压数值进行归一化处理，得到实际测量电压的归一化电压数值uj；
步骤602、根据公式
Figure BDA0003225603080000051
对归一化后的实际测量电压进行升维处理得到A*A的电压矩阵Uj；
步骤603、对电压矩阵Uj进行边缘补零处理，使电压矩阵Uj的维度扩充为256*256，再给维度扩充后的电压矩阵Uj中每个元素值乘以255，得到每个元素值在0～255之间的矩阵Hj；
此时获得的矩阵Hj可视为256*256*1的点阵图片所对应的像素值矩阵，将像素值矩阵转化为jpg格式的图片，得到包含实际测量电压信息的点阵图片；
步骤604、对点阵图片进行DCT变换，得到DCT电压样本；
步骤605、将实际测量电压对应的点阵图片和DCT电压样本送入训练并测试完成的CNN卷积神经网络，进行ERT流型识别。
上述的一种多分类ERT流型识别方法，其特征在于：所述离散相介质包括空气，所述连续相介质包括油或自来水。
上述的一种多分类ERT流型识别方法，其特征在于：所述CNN卷积神经网络包括输入层、特征提取层、全连接层和输出层，所述特征提取层包括两个卷积层和两个池化层，所述卷积层的卷积核的大小为5*5，所述池化层的pooling区域大小为2*2。
上述的一种多分类ERT流型识别方法，其特征在于：所述CNN卷积神经网络的激活函数为ReLU激活函数。
上述的一种多分类ERT流型识别方法，其特征在于：所述输出层为softmax分类器。
上述的一种多分类ERT流型识别方法，其特征在于：所述训练数据集合和测试数据集合中数据比例为9:1。
本发明与现有技术相比具有以下优点：
1、本发明通过构建多分类ERT流型仿真模型，利用仿真模型模拟任意尺寸管道任意形态的ERT流型，更加全面的获取ERT流型分类，易操作，再通过ERT测量电压的数据处理，实现一维电压数据信息到二维点阵信息的转变，对点阵进行DCT变换由时域转到频域，在保证原始数据完整性的基础上增强数据特征，便于推广使用。
2、本发明在时域和频域双通道下，采用原尺度、下采样两种尺度样本，提高算法识别不同尺度样本的鲁棒性，可靠稳定，使用效果好。
3、本发明方法步骤简单，构建多流型分类ERT电压图像数据库，根据ERT流型特征在原有分类的基础上进一步划分为27类，增加多组易混淆流型类别，完成较高难度识别任务；选用CNN卷积神经网络设计基于深度学习的ERT流型识别方式，其结构为两个卷积层、两个池化和一个全连接层，各流型识别准确率高，在识别易混淆流型时具有优越性，便于推广使用。
综上所述，本发明利用电极系统采集测量电压，将一维电压数据信息转变为二维点阵信息，在此基础上进行时域到频域转换，保证原始数据完整性的同时增强数据特征，采用时域和频域双通道样本，提高算法识别不同尺度样本的鲁棒性，构建多流型分类ERT电压图像数据库，增加多组易混淆流型类别，完成较高难度识别任务，选用卷积神经网络进行ERT流型识别方，在识别易混淆流型时具有优越性，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明核心流的设定图像。
图2为本发明第一单泡泡状流设定图像。
图3为本发明第二单泡泡状流设定图像。
图4为本发明第三单泡泡状流设定图像。
图5为本发明第四单泡泡状流设定图像。
图6为本发明第一双泡泡状流设定图像。
图7为本发明第二双泡泡状流设定图像。
图8为本发明第三双泡泡状流设定图像。
图9为本发明第四双泡泡状流设定图像。
图10为本发明第五双泡泡状流设定图像。
图11为本发明第六双泡泡状流设定图像。
图12为本发明第七双泡泡状流设定图像。
图13为本发明第八双泡泡状流设定图像。
图14为本发明第九双泡泡状流设定图像。
图15为本发明第十双泡泡状流设定图像。
图16为本发明第一三泡泡状流设定图像。
图17为本发明第二三泡泡状流设定图像。
图18为本发明第三三泡泡状流设定图像。
图19为本发明第四三泡泡状流设定图像。
图20为本发明四泡泡状流设定图像。
图21为本发明五泡泡状流设定图像。
图22为本发明小环流设定图像。
图23为本发明中环流设定图像。
图24为本发明大环流设定图像。
图25为本发明低位层流设定图像。
图26为本发明中位层流设定图像。
图27为本发明高位层流设定图像。
图28为本发明的方法流程框图。
具体实施方式
如图1至图28所示，本发明的一种多分类ERT流型识别方法，包括以下步骤：
步骤一、构建多分类ERT流型仿真模型：利用ERT仿真软件构建多分类ERT流型仿真模型，多分类ERT流型仿真模型包括仿真管道和均匀分布在管道外壁的16电极仿真系统，仿真管道内根据多分类ERT设定流型充填连续相介质和离散相介质；
本实施例中，所述离散相介质包括空气，所述连续相介质包括油或自来水。
以仿真管道横截面中心为圆心，建立直角坐标系，将多分类ERT设定流型分为核心流、第一单泡泡状流、第二单泡泡状流、第三单泡泡状流、第四单泡泡状流、第一双泡泡状流、第二双泡泡状流、第三双泡泡状流、第四双泡泡状流、第五双泡泡状流、第六双泡泡状流、第七双泡泡状流、第八双泡泡状流、第九双泡泡状流、第十双泡泡状流、第一三泡泡状流、第二三泡泡状流、第三三泡泡状流、第四三泡泡状流、四泡泡状流、五泡泡状流、小环流、中环流、大环流、低位层流、中位层流和高位层流；
其中，核心流中连续相介质的数量为一个且位于直角坐标系中心；
第一单泡泡状流中连续相介质的数量为一个且位于第一象限；
第二单泡泡状流中连续相介质的数量为一个且位于第二象限；
第三单泡泡状流中连续相介质的数量为一个且位于第三象限；
第四单泡泡状流中连续相介质的数量为一个且位于第四象限；
第一双泡泡状流中连续相介质的数量为两个且均位于第一象限；
第二双泡泡状流中连续相介质的数量为两个且均位于第二象限；
第三双泡泡状流中连续相介质的数量为两个且均位于第三象限；
第四双泡泡状流中连续相介质的数量为两个且均位于第四象限；
第五双泡泡状流中连续相介质的数量为两个且分别位于一、二象限；
第六双泡泡状流中连续相介质的数量为两个且分别位于一、三象限；
第七双泡泡状流中连续相介质的数量为两个且分别位于一、四象限；
第八双泡泡状流中连续相介质的数量为两个且分别位于二、三象限；
第九双泡泡状流中连续相介质的数量为两个且分别位于二、四象限；
第十双泡泡状流中连续相介质的数量为两个且分别位于三、四象限；
第一三泡泡状流中连续相介质的数量为三个且分别位于一、二、三象限；
第二三泡泡状流中连续相介质的数量为三个且分别位于一、二、四象限；
第三三泡泡状流中连续相介质的数量为三个且分别位于一、三、四象限；
第四三泡泡状流中连续相介质的数量为三个且分别位于二、三、四象限；
四泡泡状流中连续相介质的数量为四个且随机分布在直角坐标系内；
五泡泡状流中连续相介质的数量为五个且随机分布在直角坐标系内；
小环流中连续相介质为环形结构且环形结构的连续相介质的内外直径大于
Figure BDA0003225603080000091
且小于
Figure BDA0003225603080000092
D为仿真管道内径；
中环流中连续相介质为环形结构且环形结构的连续相介质的内外直径不小于
Figure BDA0003225603080000093
且小于
Figure BDA0003225603080000094
大环流中连续相介质为环形结构且环形结构的连续相介质的内外直径不小于
Figure BDA0003225603080000095
低位层流中连续相介质的面层高度小于
Figure BDA0003225603080000096
中位层流中连续相介质的面层高度不小于
Figure BDA0003225603080000097
且小于
Figure BDA0003225603080000098
低位层流中连续相介质的面层高度不小于
Figure BDA0003225603080000099
步骤二、获取测量电压：在ERT仿真软件中设置各种ERT流型的电导率分布，16电极仿真系统利用相邻激励模式输出激励电流获取每种ERT设定流型的多组测量电压，每组测量电压为A*1维电压数值，其中，A为测量电压维数，每种ERT设定流型的测量电压不少于100组；
步骤三、测量电压的数据处理，过程如下：
步骤301、对每组测量电压的A*1维电压数值进行归一化处理，得到每组测量电压的归一化电压数值uk；
步骤302、根据公式
Figure BDA00032256030800000910
对归一化后的每组测量电压分别进行升维处理得到A*A的电压矩阵Uk；
步骤303、对每个电压矩阵Uk进行边缘补零处理，使每个电压矩阵Uk的维度扩充为256*256，再给维度扩充后的电压矩阵中每个元素值乘以255，得到每个元素值在0～255之间的矩阵Hk；
此时获得的矩阵Hk可视为256*256*1的点阵图片所对应的像素值矩阵，将像素值矩阵转化为jpg格式的图片，得到每张包含测量电压信息的点阵图片；
步骤304、对点阵图片进行DCT变换，得到DCT电压样本；
步骤四、构建数据库：将每种ERT设定流型的多组测量电压对应的点阵图片和DCT电压样本构成一个数据库，对数据库进行随机分类，获得训练数据集合和测试数据集合；
步骤五、CNN卷积神经网络的训练及测试：将点阵图片和DCT电压样本作为CNN卷积神经网络输入样本，将ERT流型作为网络输出，利用训练数据集合对CNN卷积神经网络进行训练，直至训练数据集合中点阵图片和DCT电压样本调取完毕；
再在测试数据集合中调取点阵图片和DCT电压样本，对CNN卷积神经网络进行测试，获取训练并测试完成的CNN卷积神经网络；
本实施例中，所述CNN卷积神经网络包括输入层、特征提取层、全连接层和输出层，所述特征提取层包括两个卷积层和两个池化层，所述卷积层的卷积核的大小为5*5，所述池化层的pooling区域大小为2*2。
本实施例中，所述CNN卷积神经网络的激活函数为ReLU激活函数。
本实施例中，所述输出层为softmax分类器。
本实施例中，所述训练数据集合和测试数据集合中数据比例为9:1。
需要说明的是，池化层是对卷积后的特征图进行下采样处理，主要目的是在保留有用信息的基础上减少数据处理量，加快网络训练速度，池化层是对输入的特征图进行降维处理，不改变特征图个数，具有不变性。
步骤六、多分类ERT流型识别，过程如下：
步骤601、利用16电极系统待测管道进行测量，获取实际测量电压，实际测量电压为A*1维电压数值；对实际测量电压的A*1维电压数值进行归一化处理，得到实际测量电压的归一化电压数值uj；
步骤602、根据公式
Figure BDA0003225603080000111
对归一化后的实际测量电压进行升维处理得到A*A的电压矩阵Uj；
步骤603、对电压矩阵Uj进行边缘补零处理，使电压矩阵Uj的维度扩充为256*256，再给维度扩充后的电压矩阵Uj中每个元素值乘以255，得到每个元素值在0～255之间的矩阵Hj；
此时获得的矩阵Hj可视为256*256*1的点阵图片所对应的像素值矩阵，将像素值矩阵转化为jpg格式的图片，得到包含实际测量电压信息的点阵图片；
步骤604、对点阵图片进行DCT变换，得到DCT电压样本；
步骤605、将实际测量电压对应的点阵图片和DCT电压样本送入训练并测试完成的CNN卷积神经网络，进行ERT流型识别。
本发明使用时，通过构建多分类ERT流型仿真模型，利用仿真模型模拟任意尺寸管道任意形态的ERT流型，更加全面的获取ERT流型分类，易操作，再通过ERT测量电压的数据处理，实现一维电压数据信息到二维点阵信息的转变，对点阵进行DCT变换由时域转到频域，在保证原始数据完整性的基础上增强数据特征；在时域和频域双通道下，采用原尺度、下采样两种尺度样本，提高算法识别不同尺度样本的鲁棒性；构建多流型分类ERT电压图像数据库，根据ERT流型特征在原有分类的基础上进一步划分为27类，增加多组易混淆流型类别，完成较高难度识别任务；选用CNN卷积神经网络设计基于深度学习的ERT流型识别方式，其结构为两个卷积层、两个池化和一个全连接层，各流型识别准确率高，在识别易混淆流型时具有优越性。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (6)

1.一种多分类ERT流型识别方法，其特征在于，该方法包括以下步骤：
步骤一、构建多分类ERT流型仿真模型：利用ERT仿真软件构建多分类ERT流型仿真模型，多分类ERT流型仿真模型包括仿真管道和均匀分布在管道外壁的16电极仿真系统，仿真管道内根据多分类ERT设定流型充填连续相介质和离散相介质；
以仿真管道横截面中心为圆心，建立直角坐标系，将多分类ERT设定流型分为核心流、第一单泡泡状流、第二单泡泡状流、第三单泡泡状流、第四单泡泡状流、第一双泡泡状流、第二双泡泡状流、第三双泡泡状流、第四双泡泡状流、第五双泡泡状流、第六双泡泡状流、第七双泡泡状流、第八双泡泡状流、第九双泡泡状流、第十双泡泡状流、第一三泡泡状流、第二三泡泡状流、第三三泡泡状流、第四三泡泡状流、四泡泡状流、五泡泡状流、小环流、中环流、大环流、低位层流、中位层流和高位层流；
其中，核心流中连续相介质的数量为一个且位于直角坐标系中心；
第一单泡泡状流中连续相介质的数量为一个且位于第一象限；
第二单泡泡状流中连续相介质的数量为一个且位于第二象限；
第三单泡泡状流中连续相介质的数量为一个且位于第三象限；
第四单泡泡状流中连续相介质的数量为一个且位于第四象限；
第一双泡泡状流中连续相介质的数量为两个且均位于第一象限；
第二双泡泡状流中连续相介质的数量为两个且均位于第二象限；
第三双泡泡状流中连续相介质的数量为两个且均位于第三象限；
第四双泡泡状流中连续相介质的数量为两个且均位于第四象限；
第五双泡泡状流中连续相介质的数量为两个且分别位于一、二象限；
第六双泡泡状流中连续相介质的数量为两个且分别位于一、三象限；
第七双泡泡状流中连续相介质的数量为两个且分别位于一、四象限；
第八双泡泡状流中连续相介质的数量为两个且分别位于二、三象限；
第九双泡泡状流中连续相介质的数量为两个且分别位于二、四象限；
第十双泡泡状流中连续相介质的数量为两个且分别位于三、四象限；
第一三泡泡状流中连续相介质的数量为三个且分别位于一、二、三象限；
第二三泡泡状流中连续相介质的数量为三个且分别位于一、二、四象限；
第三三泡泡状流中连续相介质的数量为三个且分别位于一、三、四象限；
第四三泡泡状流中连续相介质的数量为三个且分别位于二、三、四象限；
四泡泡状流中连续相介质的数量为四个且随机分布在直角坐标系内；
五泡泡状流中连续相介质的数量为五个且随机分布在直角坐标系内；
小环流中连续相介质为环形结构且环形结构的连续相介质的内外直径大于
Figure FDA0003225603070000021
且小于
Figure FDA0003225603070000022
D为仿真管道内径；
中环流中连续相介质为环形结构且环形结构的连续相介质的内外直径不小于
Figure FDA0003225603070000023
且小于
Figure FDA0003225603070000024
大环流中连续相介质为环形结构且环形结构的连续相介质的内外直径不小于
Figure FDA0003225603070000025
低位层流中连续相介质的面层高度小于
Figure FDA0003225603070000026
中位层流中连续相介质的面层高度不小于
Figure FDA0003225603070000027
且小于
Figure FDA0003225603070000028
低位层流中连续相介质的面层高度不小于
Figure FDA0003225603070000029
步骤二、获取测量电压：在ERT仿真软件中设置各种ERT流型的电导率分布，16电极仿真系统利用相邻激励模式输出激励电流获取每种ERT设定流型的多组测量电压，每组测量电压为A*1维电压数值，其中，A为测量电压维数，每种ERT设定流型的测量电压不少于100组；
步骤三、测量电压的数据处理，过程如下：
步骤301、对每组测量电压的A*1维电压数值进行归一化处理，得到每组测量电压的归一化电压数值uk；
步骤302、根据公式
Figure FDA0003225603070000031
对归一化后的每组测量电压分别进行升维处理得到A*A的电压矩阵Uk；
步骤303、对每个电压矩阵Uk进行边缘补零处理，使每个电压矩阵Uk的维度扩充为256*256，再给维度扩充后的电压矩阵中每个元素值乘以255，得到每个元素值在0～255之间的矩阵Hk；
此时获得的矩阵Hk可视为256*256*1的点阵图片所对应的像素值矩阵，将像素值矩阵转化为jpg格式的图片，得到每张包含测量电压信息的点阵图片；
步骤304、对点阵图片进行DCT变换，得到DCT电压样本；
步骤四、构建数据库：将每种ERT设定流型的多组测量电压对应的点阵图片和DCT电压样本构成一个数据库，对数据库进行随机分类，获得训练数据集合和测试数据集合；
步骤五、CNN卷积神经网络的训练及测试：将点阵图片和DCT电压样本作为CNN卷积神经网络输入样本，将ERT流型作为网络输出，利用训练数据集合对CNN卷积神经网络进行训练，直至训练数据集合中点阵图片和DCT电压样本调取完毕；
再在测试数据集合中调取点阵图片和DCT电压样本，对CNN卷积神经网络进行测试，获取训练并测试完成的CNN卷积神经网络；
步骤六、多分类ERT流型识别，过程如下：
步骤601、利用16电极系统待测管道进行测量，获取实际测量电压，实际测量电压为A*1维电压数值；对实际测量电压的A*1维电压数值进行归一化处理，得到实际测量电压的归一化电压数值uj；
步骤602、根据公式
Figure FDA0003225603070000032
对归一化后的实际测量电压进行升维处理得到A*A的电压矩阵Uj；
步骤603、对电压矩阵Uj进行边缘补零处理，使电压矩阵Uj的维度扩充为256*256，再给维度扩充后的电压矩阵Uj中每个元素值乘以255，得到每个元素值在0～255之间的矩阵Hj；
此时获得的矩阵Hj可视为256*256*1的点阵图片所对应的像素值矩阵，将像素值矩阵转化为jpg格式的图片，得到包含实际测量电压信息的点阵图片；
步骤604、对点阵图片进行DCT变换，得到DCT电压样本；
步骤605、将实际测量电压对应的点阵图片和DCT电压样本送入训练并测试完成的CNN卷积神经网络，进行ERT流型识别。
2.按照权利要求1所述的一种多分类ERT流型识别方法，其特征在于：所述离散相介质包括空气，所述连续相介质包括油或自来水。
3.按照权利要求1所述的一种多分类ERT流型识别方法，其特征在于：所述CNN卷积神经网络包括输入层、特征提取层、全连接层和输出层，所述特征提取层包括两个卷积层和两个池化层，所述卷积层的卷积核的大小为5*5，所述池化层的pooling区域大小为2*2。
4.按照权利要求1所述的一种多分类ERT流型识别方法，其特征在于：所述CNN卷积神经网络的激活函数为ReLU激活函数。
5.按照权利要求3所述的一种多分类ERT流型识别方法，其特征在于：所述输出层为softmax分类器。
6.按照权利要求1所述的一种多分类ERT流型识别方法，其特征在于：所述训练数据集合和测试数据集合中数据比例为9:1。
CN202110970027.3A 2021-08-23 2021-08-23 一种多分类ert流型识别方法 Withdrawn CN113657526A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110970027.3A CN113657526A (zh) 2021-08-23 2021-08-23 一种多分类ert流型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110970027.3A CN113657526A (zh) 2021-08-23 2021-08-23 一种多分类ert流型识别方法

Publications (1)

Publication Number Publication Date
CN113657526A true CN113657526A (zh) 2021-11-16

Family

ID=78481602

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110970027.3A Withdrawn CN113657526A (zh) 2021-08-23 2021-08-23 一种多分类ert流型识别方法

Country Status (1)

Country Link
CN (1) CN113657526A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862978A (zh) * 2022-04-21 2022-08-05 南通大学 一种基于自适应神经模块网络的电阻层析成像方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114862978A (zh) * 2022-04-21 2022-08-05 南通大学 一种基于自适应神经模块网络的电阻层析成像方法
CN114862978B (zh) * 2022-04-21 2024-08-13 南通大学 一种基于自适应神经模块网络的电阻层析成像方法

Similar Documents

Publication Publication Date Title
CN108573225B (zh) 一种局部放电信号模式识别方法及系统
US11875500B2 (en) Failure diagnosis method for power transformer winding based on GSMallat-NIN-CNN network
CN108732465B (zh) 一种基于小波变换和cnn的配电网故障定位方法
CN108009515A (zh) 一种基于fcn的无人机航拍图像的输电线定位识别方法
CN109685117B (zh) 一种气液固三相体系中流动参数的图像测量方法
CN115984850A (zh) 基于改进Deeplabv3+的轻量级遥感影像语义分割方法
CN115908142B (zh) 一种基于视觉识别的接触网微小部件验损方法
CN110536257A (zh) 一种基于深度自适应网络的室内定位方法
CN115205647A (zh) 一种基于注意力机制与多尺度特征融合的植物图像分割方法
CN114266881A (zh) 一种基于改进型语义分割网络的指针式仪表自动读数方法
CN113807278A (zh) 一种基于深度学习的土地利用分类及变化预测方法
CN113657526A (zh) 一种多分类ert流型识别方法
CN114048682B (zh) 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法
CN117911350A (zh) 一种基于改进YOLOv7-tiny的PCB表面缺陷检测方法
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN116680988A (zh) 一种基于Transformer网络的多孔介质渗透率预测方法
CN114066819B (zh) 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法
CN116343016A (zh) 一种基于轻量型卷积网络的多角度声呐图像目标分类方法
CN114970601A (zh) 一种电力设备局部放电类型识别方法、设备及存储介质
Li et al. Research on Fault Diagnosis Method of Bearings in the Spindle System for CNC Machine Tools Based on DRSN-Transformer
CN112990336B (zh) 基于竞争注意力融合的深度三维点云分类网络构建方法
CN114417931A (zh) 一种基于原型网络的轴承故障诊断方法
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN114004295A (zh) 一种基于对抗增强的小样本图像数据拓展方法
CN115546498B (zh) 一种基于深度学习的流场时变数据的压缩存储方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20211116