Two-Phase Flow Regimes Characterization via Pressure Heat Map Recognition
Notice bibliographique
Résumé
Precise recognition of flow regimes in industrial two-phase flow system is reliant on visual aids. However, opacity of pipe medium poses a significant challenge and presents a pressing need for reliable identification of flow regimes. This study aims to characterize stratified, slug, elongated bubble and dispersed bubble flow by evaluating the performance of four prominent deep learning architectures. Numerical investigation was conducted for pressure signal data collection for individual flow regimes by varying inlet gas and liquid superficial velocities. Frequency with time domain heatmaps were generated from pressure signals and were pre-processed. Data sets were trained, validated and tested using EfficientNetB80, MobileNetV2, Xception, and DenseNet deep learning architectures. Gradient-weighted Class Activation Mapping (Grad-CAM) were created to visualize the targeted features in each architecture. Corresponding performances were evaluated to identify the best deep learning architecture for flow regime characterization from pressure signals heatmaps. MobileNetV2 with accuracy of 92.5% outperformed EfficientNetB80 and DenseNet each with accuracy of 88.46% and Xception having accuracy of 84.62%. Higher rate of confusion in distinguishing between elongated bubble and dispersed bubble flow lead to lower accuracies in the applied lagging models. MobileNetV2 proves to be an effective CNN architecture for identifying two-phase flow regimes from pressure signal heatmaps in industrial systems.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».