Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 7

Identyfikacja struktury przepływu ciecz-gaz w rurociągu przy zastosowaniu konwolucyjnej sieci neuronowej i spektrogramów sygnałów radiometrycznych

dentification of the structure of liquid-gas flow in a pipeline using a convolutional neural network and spectrograms of radiometric signals

10.15199/48.2024.07.27

nr katalogowy: 149528
10.15199/48.2024.07.27

Streszczenie

Identyfikacja struktury przepływów dwufazowych ciecz-gaz w rurociągach jest istotna dla oceny przebiegu wielu procesów przemysłowych. W niniejszej pracy zastosowano Konwolucyjną Sieć Neuronową VGG-16 do analizy spektrogramów sygnałów uzyskanych dla przepływu woda-powietrze z wykorzystaniem metody absorpcji promieniowania gamma. Analizowano cztery typy przepływu: rzutowy, tłokowy, tłokowo-pęcherzykowy i pęcherzykowy. Eksperymenty przeprowadzono na laboratoryjnej instalacji hydraulicznej wyposażonej w radiometryczny układ pomiarowy, zawierający źródło promieniowania Am-241 i detektor scyntylacyjny NaI(Tl). Stwierdzono, że sieć VGG-16 poprawnie rozpoznaje strukturę przepływu w ponad 90% przypadków.

Abstract

Identification of the liquid-gas flow structure is important for assessing the course of many industrial processes. In this work, the Convolutional Neural Network VGG-16 is applied for analysis of spectrograms of signals obtained for water-air flow by use gamma-ray absorption method. Four types of flow regimes as plug, slug, bubble, and transitional plug – bubble were studied.The experiments were carried out on the laboratory hydraulic installation fitted with radiometric measurement system containing an Am-241 radiation source and a NaI(Tl) scintillation detector. It was found that the VGG-16 network correctly recognize the flow structure in more than 90% of cases.

Słowa kluczowe

Keywords

Bibliografia

[1] Aarabi Jeshvaghani P., Rezaee Kh., Rezaee K., Feghhi S.A.H., Jafari A., Using statistical features and a neural network to predict gas volume fractions independent of flow regime changes, Flow Meas. Instrum. 93 (2023), 102430
[2] Salgado C.M., Dam S.F., Puertas E.J.A., Salgado R.W.L., Calculation of volume fractions regardless scale deposition in the oil industry pipelines using feed-forward multilayer perceptron artificial neural network and MCNP6 code, Appl. Radiat. Isot. 185(10–11) (2022), 110215
[3] Roshani M., Phan G., Faraj R.H., Phan N.-H., Roshani G.H., Nazemi B., Corniani E., Nazemi E., Proposing a gamma radiation based intelligent system for simultaneous analyzing and detecting type and amount of petroleum by-products, Nucl. Eng. Technol. 53(4), (2021), 1277-1283
[4] Roshani G.H., Nazemi E., Feghhi S.A.H., Setayeshi S., Flow regime identification and void fraction prediction in two-phase flows based on gamma ray attenuation, Measurement 62 (2015), 25–32
[5] Roshani G.H., Nazemi E., Shama F., Imani M.A., Mohammadi S., Designing a simple radiometric system to predict void fraction percentage independent of flow pattern using radial basis function, Metrol. Meas. Syst. 25(2) (2018), 347–358
[6] Zhao Y., Qincheng B., Richa H., Recognition and measurement in the flow pattern and void fraction of gaseliquid two-phase flow in vertical upward pipes using the gamma densitometer, Appl. Therm. Eng. 60 (2013), 398-410
[7] Hanus R., Zych M., Kusy M., Jaszczur M., Petryka L., Identification of liquid-gas flow regime in a pipeline using gamma-ray absorption technique and computational intelligence methods, Flow Meas. Instrum. 60 (2018), 17-23
[8] Roshani M., Sattari M.A., Ali P.J.M., Roshani G.H., Nazemi B., Corniani E., Nazemi E., Application of GMDH neural network technique to improve measuring precision of a simplified photon attenuation based two-phase flowmeter, Flow Meas. Instrum. 75 (2020), 101804
[9] Liu W. , Lv X., Jiang S., Li H., Zhou H., Dou X., Two-phase flow pattern identification in horizontal gas–liquid swirling pipe flow by machine learning method, Ann. Nucl. Energy, 12 (2022), 109644
[10] Ochał P., Hanus R., Zych M., Zastosowanie konwolucyjnej sieci neuronowej do identyfikacji struktury przepływu ciecz-gaz w rurociągu z wykorzystaniem histogramów sygnałów z detektorów scyntylacyjnych, Przegl. Elektrotech. 98(11), 2022, 185-189
[11] Mayet A.M., Alizadeh S.M., Nurgalieva K.S., Hanus R., Nazemi E., Narozhnyy I.M., Extraction of time-domain characteristics and selection of effective features using correlation analysis to increase the accuracy of petroleum fluid monitoring systems, Energies 15(6) (2022), 1986
[12] Hanus R., Zych M., Jaszczur M., Computational intelligence approach for liquid-gas flow regime classification based on frequency domain analysis of signals from scintillation detectors. In: Rojas I., Joya G., Catala A. (eds) Advances in Computational Intelligence. IWANN 2019. Lecture Notes in Computer Science, vol. 11507, 339-349, Springer, Cham 2019
[13] Hosseini S., Taylan O., Abusurrah M., Akilan T., Nazemi E., Eftekhari-Zadeh E., Bano F., Roshani G.H., Application of Wavelet Feature Extraction and Artificial Neural Networks for Improving the Performance of Gas–Liquid Two-Phase Flow Meters Used in Oil and Petrochemical Industries, Polymers, 13(21) (2021), 3647
[14] Du M., Yin H., Chen X., Wang X., Oil-in-water two-phase flow pattern identification from experimental snapshots using convolutional neural network, IEEE Access, 7 (2018), 6219 6225
[15] Salgado W.L., Dam R.S.D.F., Desterro F.S.M.D, da Cruz B.L., Silva A.X.D., Salgado C.M., Application of deep neural network and gamma radiation to monitor the transport of petroleum by products through polyducts, Appl. Radiat. Isot., 200 (2023), 110973
[16] Pang B., et al., Deep Learning With TensorFlow: A Review, J. Educ. Behav. Stat., 45 (2019), 227-248
[17] Johansen G.A., Jackson P., Radioisotope Gauges for Industrial Process Measurements, John Wiley & Sons, New York, 2004
[18] Raitoharju J., Convolutional neural networks, in: Deep Learning for Robot Perception and Cognition, Academic Press, 2022
[19] Zafar A., et al., A Comparison of Pooling Methods for Convolutional Neural Networks, Appl. Sci. 12(17) (2022), 8643
[20] Osowski S., Metody i narzędzia eksploracji danych, Wydawnictwo BTC, Legionowo 2013
[21] Grandini M., Bagli E., Visani G., Metrics for Multi-Class Classification: an Overview, https://doi.org/10.48550/arXiv.2008.05756 arXiv:2008.05756,
[22] Chicco D., Jurman G., The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation, BMC Genomics 21(6) (2020)
[23] Hanus R., Zych M., Golijanek-Jędrzejczyk A., Investigation of liquid–gas flow in a horizontal pipeline using gamma-ray technique and modified cross-correlation, Energies 15(16) (2022), 5848
[24] Hanus R., Zych M., Mosorov V., Golijanek-Jędrzejczyk A., Jaszczur M., Andruszkiewicz A., Evaluation of liquid-gas flow in pipeline using gamma-ray absorption technique and advanced signal processing, Metrol. Meas. Syst. 28(1) (2021),145–159
[25] Hanus R., Zych M., Golijanek-Jędrzejczyk A., Measurements of dispersed phase velocity in two-phase flows in pipelines using gamma-absorption technique and phase of the cross-spectral density function. Energies 15(24) (2022), 9526

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-7 , nr katalogowy 149528 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-7 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-7

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma