基于ECT技术的管道流型识别与运用研究*

袁俊朗 范世东江 攀许浩然

(武汉理工大学能源与动力工程学院1) 武汉 430063) (中国船级社武汉分社2) 武汉 430000)

0 引 言

两相流广泛存在于工程领域，流型作为反映两相流流动状态的重要参数，流型识别的准确程度在很大程度上会影响两相流流动参数的测量.目前针对流型的识别方法主要分为观测法和测量法，这两种方法难以实现流型的在线测量[1].疏浚系统中一般采用射线对管道内流体进行测量，但是射线测量仪不仅费用昂贵，而且对于日常的使用与维护都有较高的要求.

电容层析成像(electrical capacitance tomography,ECT)技术作为一种非侵入的测量技术，已经在两相流的测量领域得到了广泛的运用[2-3].但是在疏浚系统中运用ECT技术却鲜有这方面的报导.关于运用电容层析成像技术进行流型识别，国内外已有广泛的研究.总的来说，可以分为以下两种方法:①基于成像的流型识别,通过电容层析成像系统对两相流流动进行成像，根据所成图像提取出相应的特征值，再根据提取出的特征值运用模糊匹配的方式达到流型识别的目的[4];②基于原始数据的流型识别,通过对电容层析成像系统所采集的电容值进行特征值的选取，达到流型识别的目的[5].

支持向量机(support vector machine，SVM),该方法具有：通用性、鲁棒性、有效性等优点，该算法被广泛的运用于分类与非线性回归[6].在SVM分类中，参数c和参数g的选取对分类的准确性有很大的影响.如何选取较好的参数也是一个关键问题.目前对于SVM中参数的选取优化方式主要有以下3种：①经验法；②交叉验证法(cross validation，CV)；③启发式算法.遗传算法(genetic algorithm，GA)是一种模拟自然进化过程寻求最优解的算法.采用遗传算法不用像CV那样遍历网格中所有的点就可以求出全局最优解，从而减少运算量[7].

1 基本原理与特征值提取

1.1 ECT系统的基本原理

ECT系统主要由传感器子系统、数据采集与处理子系统、图像重建子系统三个部分构成，见图1.当被测区域内部的物质所占的比例或位置发生变化时，就会引起外围电极板之间电容值的改变[8].测得的电容值通过数据采集与处理子系统传递到图像重建子系统中，通过一定的算法重建被测区域的介质分布图像.

图1 ECT系统简图

对于拥有N(N一般为偶数)个电极的电容层析成像系统，可得到的测量电容值个数M为

那么对于本文所构建的8电极ECT成像系统就有28个电极对数.每次工作时，某一电极被施加一个恒定的电压值，这个极板称为激励电极.剩下的电极进行接地处理，均称为测量电极.现假设激励电极为1号电极，2～8号电极均为测量电极.测量C12，C12，…，C18电容值，测量完成之后，2极板激励其余极板接地，测量C23，C24，…，C28，直到极板8完成激励，这样就完成了一次测量.其中Cij为极板i与极板j之间的电容值.

1.2 基于GA优化的SVM分类流程

本文的思路是从ECT系统采集到的电容值中选取特征值，运用GA优化出SVM的关键参数c、g，采用优化后的参数对流型进行识别.具体实施的方式见图2.

图2 GA优化的SVM与ECT流型识别过程

1.3 流型特征值的选取

本文主要对管道常见的四种流型进行了相应的识别，这四种流型分别为：层流、环状流、泡状流、中心流.具体的流型见图3.

注：阴影-气相；白色-液相图3 待识别流型图

液相与气相拥有不同的相对介电常数，在不同的流型之间，液相与气相的相对位置和数量均不相同，导致电极板间电容值的不同.因此利用SVM在ECT系统所采集到的电容值，与流型之间建立起对应关系，实现流型识别.

由前文分析可知，8电极的ECT系统可以得到28个不同的电容值.若全部选取这些电容值用于建立电容值与流型之间的关系，将会造成运算量过大，加大流型识别的时间，不利于流型的在线识别.而选取有代表性的电容值作为特征值进行流行识别，可以大大减少输入的数据量，加快流型识别的速度.

采用逐步分组的方式进行特征值的提取.从上文所述的四种流型中选取一种流型作为集合P，从28个电容值中选取可以区分集合P中流型的电容值，将这些电容值作为集合Q.选取剩下三种流型中的一种放入集合P，判断集合Q能否区分这两种流型.如果可以判断出这两种流型，则从剩下的两种流型中选取一种进入集合P，再次判断.反之则从剩下的电容值中在选取相应的电容值加入集合Q直到可以分辨出这两种电容值为止.接下来加入一个电容值进入集合P，重复上述操作，直到集合Q中的电容值可以区分本文的四种流型为止.

2 流型建模仿真与识别

的传感器建模见图4.该传感器由八个围绕绝缘的管道布置的极板组成，电极板的外围还有环绕极板的屏蔽层.管道内部就是要识别的流体区域.本文所取的管道半径为45 mm.为了方便建模，液相设置为水，气相设置为空气.

图4 传感器管道模型图

2.1 不同流型的构造

1) 环状流 环状流的流型构造是，空相位于中心，外围是液相.设置空气域的半径为x，则外围的(45-x) mm为液相.设置x的起始值为3 mm，增长步长为1 mm，当x从3 mm增长到42 mm时，可以得到40个不同的环状流状态.

2) 中心流 中心流状态与环状流相反，中心是液相，外围是气相.设置液相的半径为x，则外围的(45-x) mm为气相.初始值与增长步长与环状流相同，得到40个不同的中心流状态.

3) 层流 层流设置为上层为气相下层为液相.不同的层流状态，主要是通过液相与气相不同的分界面来确定的.分界面的选取按照将管道内部直径分为40段，每一段作为一个分界面，得到40个不同的层流状态.

4) 泡状流 泡状流分别在管道内部四个不同的位置设置几个内径分别为R1，R2，R3，R4的空气域，其余部分设置为液相.R1，R2，R3，R4每种可以取10,11,12 mm，得到81个不同的泡状流状态，从这81个状态中选取40个状态作为本文使用的状态.

经过上述操作，每个流型各有40个不同的状态，共160个状态.

2.2 特征值的选取

为了更好的识别出这4种流型，运用逐步分组法选取了C12，C18，C54，C56，C26，C48，C15，C37这8个电容值作为特征值进行流型识别.值得说明的是，特征值的选取并不唯一，本文仅仅列举出其中的一种.将原来的28个数据降到了八个数据，在确保可以分类的基础上减少了运算量.

2.3 基于GA优化的SVM的流型识别

运用有限元分析软件对本文所涉及到的四种流型进行分析，相应的建模见2.1.得到四种流型的160组数据.将得到的四种流型的数据按照前文选取特征值的原则选取特征值，由于电容层析成像系统所采集到的电容值之间相差会很大，为了更好的进行流型的识别，对所有特征值采取归一化处理.为了在SVM算法中更好的区分每一类流型，对每一类流型都加上相应的标签.在本节，层流记为“1”、环状流记为“2”、泡状流记为“3”、中心流记为“4”.将得到的160组数据分为两组，一组用来训练，一组用来测试.训练和测试组每组均包含80组数据，每一种流型20组数据.使用较直观的形式将识别结果显示出来.分别运用随机取得的c,g值和运用遗传算法优化得到的c,g值进行分类，其分类结果见图5～6.

图5 随机选取参数流型识别结果图

图6 GA优化后的SVM流型识别结果

由图5～6可知，随机选取参数虽然可以达到流型识别的效果，但是识别正确率受参数影响较大.通过遗传算法可以得到最佳的参数值，可以看到在该参数下层流、泡状流、中心流、环状流识别率均为100%，综合识别率达到100%.这表明基于遗传优化后的SVM与ECT系统可以在所选取数据较少的情况下达到较高的流型识别度.

3 疏浚管道堵塞的仿真与识别

3.1 管道堵塞的建模

对于疏浚工程而言，管道堵塞一直是长期困扰工程人员的问题，如何自动识别堵塞程度也是疏浚自动化的必经之路.本文在前文对层流已经准确识别的基础上，对层流流型进行了进一步的细分，使之较为符合疏浚实际情况.模型如下：将管道内部分为两个部分，上部分假设为液相，下部分为固相.堵塞程度按照下部分固体与液体所在的界面位于管道直径的位置进行判断.现在做如下假设，当管道内固体和液体的界面位于直径上2/3及以上时，为管道严重堵塞状态，当管道内固体和液体的界面位于直径上2/3～1/3之间时，为管道堵塞状态，当管道内固体和液体的界面位于直径下1/3到管道底部时，为正常运行状态.这三种状态见图7.

图7 管道堵塞分类图

将管道沿内径方向分36等分，取前12组作为严重堵塞状态，中间12组作为堵塞状态，后12组作为正常状态.

3.2 特征值的选取

对于管道内流体的仿真见图8.

图8 管道堵塞电势分布图

由图8可知，在液固分界面处的电场会发生畸变，这回引起相邻电极电容值巨大的变化.基于这一特征，为了更好的捕捉界面的变化，选取相邻电极的电容值作为特征值.特征值选取为：C12，C18，C32，C34，C76，C78，C54，C56这8个电容值.

3.3 基于GA优化的SVM的管道堵塞识别

主要过程为：运用有限元分析软件对本节所涉及到的3种状态进行分析，相应的建模见3.1.得到3种状态的36组数据.将得到的3种状态的数据按照前文选取特征值的原则将特征值选取出来，由于电容层析成像系统所采集到的电容值之间相差会很大，为了更好的进行管道堵塞的分类，对所有特征值采取归一化处理.为了在SVM算法中更好的区分每一类流型，对每一类流型都加上相应的标签.本节中，管道严重堵塞状态，记为状态“1”.管道堵塞状态，记为状态“2”.正常运行状态，记为状态“3”.将得到的36组数据分为两组，一组用来训练，一组用来测试.训练和测试组每组均包含18组数据，每一种状态6组数据.使用较直观的形式将识别结果显示出来.分别运用随机取得的c,g值和运用遗传算法优化得到的c,g值得到的识别效果，结果见图9～10.

图9 随机选取参数的堵塞分类结果图

图10 GA优化后的SVM堵塞识别结果图

由图9～10可知，随机选取参数虽然可以达到堵塞识别的效果，但是识别正确率受参数影响较大.通过遗传算法可以得到最佳的参数值，可以看出遗传算法优化后识别率得到了很大的提升.这也说明运用遗传算法优化后的SVM进行管道堵塞的识别是可行的.

5 结 论

1) 文中完成了对于疏浚工程水平管道的气/液两相流的4种不同流型的建模，在此基础上进一步对疏浚管道堵塞进行了建模，并根据液固分界面的位置将管道堵塞分为3种状态.

2) 对8电极的ECT系统进行了仿真，求解出不同流型状态下的电容值.为了使SVM计算更加简便，对电容值进行了特征值的提取，将原来的28个独立电容值减小到8个值.在对ECT系统采集到的电容值进行特征值提取的基础上运用SVM算法，对4种流型进行了识别并取得了较好的辨识度.针对c,g取值对识别结果影响较大的特点，运用了遗传算法对SVM的参数进行优化，利用优化得出的c,g值进行流型识别取得了很好的效果.

3) 并以此为基础扩展了该技术的运用范围，用于管道堵塞的判断，对8电极的ECT系统进行了仿真，求解出不同堵塞程度下的电容值.在电容值进行特征值提取的基础上结合SVM算法对不同的堵塞程度进行了识别.运用遗传算法对SVM进行优化，利用优化得出的c,g值进行管道堵塞识别.结果也表明该技术对管道的堵塞具有很好的辨识度.