Using machine vision algorithms for characterizing gas-liquid slug flows in vertical pipes
Notice bibliographique
Résumé
Slug flow, characterized by the distinctive interfacial structures of Taylor bubbles surrounded by liquid films and bridged by aerated liquid slugs, is a dynamically complex two-phase flow pattern exist in many oil and gas, and energy systems. Accurate and precise quantification of such complex flow behaviour is essential for optimal design, safe operation, and reliable modelling of these systems. Existing image-based measurement techniques mostly rely on offline image processing algorithms and are often limited to a narrow set of flow characteristics primarily focusing on Taylor bubbles. Such constraints not only impede real-time flow monitoring and regulation but also leave liquid slug characteristics unmeasured, resulting in an inability to accurately determine the flow characteristics and extract instantaneous void fraction signals. Present study examined the performance of adaptive thresholding (AT) and background subtraction (BS) algorithms in capturing slug flow characteristics. It was found that while the former excels in Taylor bubbles detection and the latter in small bubbles identification, neither individually addresses the accurate measurement of both flow structures' characteristics. This observation, along with the mentioned restrictions of existing algorithms are the main reason for developing the present combined machine vision-based algorithm. While unlocking the ability to extract instantaneous void fraction signals, this new approach facilitates online measurement of a wide range of key flow characteristics, including Taylor bubble length, velocity, void fraction, and surrounding liquid film thickness; liquid slug length and void fraction; and slug unit length, void fraction, and frequency. Parallel to the high-speed imaging, time-series void fraction data was collected using two capacitance sensors installed alongside the imaging area on the pipe, providing benchmark data essential for the validation of the new algorithm's accuracy. The comparisons demonstrated a high degree of accuracy and precision for the combined algorithm. Quantitatively, the new algorithm measured key unit cell characteristics with RMS errors ranging from 2 to 10 %, while the BS and AT algorithms exhibited wider RMS error ranges of 8–46 % and 2–53 %, respectively. This underscores the new algorithm's potential as a transformative tool for slug flow analysis. • Background subtraction and adaptive thresholding algorithms were evaluated for slug flow analysis. • A combined machine vision-based algorithm was developed to quantify slug flow characteristics. • Instantaneous void fraction signals were extracted for enhanced slug flow identification through PDF analysis. • Capacitance measurements were conducted to establish benchmark data for comparative analysis. • RMS error analysis and Bland-Altman plots were utilized to validate the accuracy and precision of the new algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».