基于深度學習的氣液固三相反應(yīng)器圖像分析方法及應(yīng)用

黃正梁，王超，李少碩，楊遙，孫婧元，王靖岱，陽永榮

（1 浙江省化工高效制造技術(shù)重點實驗室，浙江杭州310027； 2 浙江大學化學工程國家重點實驗室，浙江杭州310027；3浙江大學化學工程與生物工程學院，浙江杭州310027）

引 言

涓流床、三相鼓泡床、三相移動床等氣液固三相反應(yīng)器廣泛應(yīng)用于石油和化學工業(yè)[1-2]。氣液固三相反應(yīng)器中不同操作條件下會出現(xiàn)不同的流動行為[3]，對反應(yīng)器中的流動和傳遞產(chǎn)生顯著影響[4]。流型、相含率及其分布等流動參數(shù)的準確測量對氣液固三相反應(yīng)器的設(shè)計和優(yōu)化具有重要意義。

針對氣液固三相反應(yīng)器中的流動行為，常用的檢測方法包括目測法[5-7]、高速攝像法[8-10]、壓降法[11-12]、聲信號檢測法[13]、電導探針法[14]、電子斷層掃描[15-16]、X 射線成像[17]、磁共振成像[18-19]和伽馬射線斷層掃描[20]等。其中，目測法和高速攝像法等可視化方法常用于驗證其他檢測方法的準確性[21]，然而可視化方法通常只能進行定性分析。有學者將單層圓柱形規(guī)整填料均勻地固定在兩塊透明板之間，制成一種特殊結(jié)構(gòu)的二維床，采用高速攝像法研究了規(guī)整填料中氣泡的破碎、聚并行為[9-10]。他們使用的圓柱形規(guī)整填料間距較大，與實際反應(yīng)器存在較大差異。在實際工業(yè)裝置中，球形、齒球形、三葉草形等不同形狀的催化劑顆粒緊密堆積在反應(yīng)器中，復雜的顆粒背景使拍攝得到的圖像中氣液兩相之間的灰度差異非常小，給定量分析帶來了極大的挑戰(zhàn)。

近年來，以深度學習為代表的圖像處理方法取得了重大突破，使得從背景復雜的圖像中精確提取目標信息成為可能[22-25]。深度學習作為分析數(shù)據(jù)的機器學習方法之一，其源于神經(jīng)學研究的啟示，能夠像大腦一樣通過組合低層特征形成更加抽象的高層特征[26]。在深度學習的起源階段，在神經(jīng)元結(jié)構(gòu)和工作原理的啟發(fā)下，構(gòu)建了M-P 模型、感知機等結(jié)構(gòu)，奠定了神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)[27]。在其發(fā)展過程中，誤差反向傳播（BP）算法在正向傳播的基礎(chǔ)上，增加了誤差的反向傳播過程，促成了神經(jīng)網(wǎng)絡(luò)的崛起，但其容易出現(xiàn)梯度彌散現(xiàn)象[28]。直到2006年，Hinton 等[29]開創(chuàng)性地提出了深度學習的概念及模型訓練方法，即通過無監(jiān)督的學習方法逐層訓練，再使用有監(jiān)督的反向傳播算法進行調(diào)優(yōu)，打破了BP 神經(jīng)網(wǎng)絡(luò)發(fā)展的瓶頸。隨后在受限玻爾茲曼機、自動編碼器、稀疏編碼和卷積神經(jīng)網(wǎng)絡(luò)等多種典型算法的基礎(chǔ)上，深度學習技術(shù)被廣泛應(yīng)用于語音、圖像和自然語言處理等領(lǐng)域[30]，尤其是圖像中對象和區(qū)域的檢測、分割和識別等[24]，例如交通標志識別[31]、醫(yī)學圖像分析[32]、人臉識別[33]和人體姿勢預(yù)測[34]等。因此，本文將深度學習方法用于氣液固三相反應(yīng)器中圖像分析，期望定量地獲取三相體系中的相含率及其分布、流型等流動參數(shù)，為氣液固三相反應(yīng)器的研究提供新的工具。

1 測量原理及方法

1.1 測量原理

基于深度學習的氣液固三相反應(yīng)器圖像分析方法的原則流程如圖1所示，包括采集圖像、制作訓練集、建立圖像識別模型、提取流動參數(shù)4個步驟。

（1）提取圖像 在透明的氣液固三相反應(yīng)器模擬實驗裝置中（一般用二維床或矩形床），利用高速相機獲取不同操作條件下的圖像，典型的圖像如圖2(a)所示。

圖1 基于深度學習的氣液固三相反應(yīng)器圖像分析流程Fig.1 Procedure of image analysis method based on deeplearning in gas-liquid-solid three-phase reactors

（2）制作訓練集 隨機選擇部分原始圖像作為樣本圖像，采用Photoshop CS5 中的光標繪制樣本圖像中的氣液邊界，然后用白色填充氣相以增加氣相和液相之間的灰度差異，可以獲得如圖2(b)所示的分割圖像；將分割圖像轉(zhuǎn)換為灰度圖像，并通過閾值分割程序（灰度閾值取250）進一步處理，得到如圖2(c)所示的二值化圖像，其中白色區(qū)域為氣相。采用上述方法處理所有樣本圖像，將樣本圖像及其對應(yīng)的二值化圖像合并為訓練集、驗證集和測試集，三者比例為3∶1∶1。

（3）建立圖像識別模型 使用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱，以圖2 所示的全卷積神經(jīng)網(wǎng)絡(luò)（FCN）算法為基礎(chǔ)構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。全卷積神經(jīng)網(wǎng)由CNN 網(wǎng)絡(luò)層、FCN 網(wǎng)絡(luò)層和條件隨機場三部分組成。其中，CNN 網(wǎng)絡(luò)層包括卷積層、激活函數(shù)層和池化層，在5 個卷積層中，采用5×5 的卷積核，步長為1；采用隨機初始化權(quán)重及誤差反向傳播方法進行網(wǎng)絡(luò)的訓練和網(wǎng)絡(luò)層的連接；采用2×2 的核進行最大池化操作；利用Relu 函數(shù)克服梯度消失問題。FCN 網(wǎng)絡(luò)層對輸入圖像的特征進行全卷積操作并計算Softmax 分類的代價函數(shù)，采用均值操作融合對應(yīng)圖像的特征，并進行像素點的預(yù)測，最后通過反卷積上采樣操作將圖像恢復至輸入尺寸。條件隨機場主要是用于進一步提高學習精度。

模型建立過程中，首先將原始圖像和其二值化圖像[圖2(a)、(c)]輸入全卷積神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過模型內(nèi)部的訓練學習，得到圖2(d)所示的識別結(jié)果[35-37]，計算其與圖2(c)所示的二值化圖像之間的偏差，當偏差大于設(shè)定值時，調(diào)整模型參數(shù)繼續(xù)訓練；當偏差小于設(shè)定值時，認為圖像識別模型已構(gòu)建完成。

（4）提取流動參數(shù) 采用所建立的圖像識別模型對原始圖像進行分析，獲得局部相含率（氣相分數(shù)和液相分數(shù)）及其空間分布、時間序列等信息。其中，位于液相區(qū)的像素點被識別為0，位于氣相區(qū)的像素點被識別為1，局部液相分數(shù)等于被識別為0的像素點之和與總像素點的比值，局部氣相分數(shù)等于被識別為1的像素點之和與總像素點的比值。進一步，如圖3所示，采用時域分析、頻譜分析、小波分析等現(xiàn)代分析方法，對局部相含率的時間序列信號進行分析，獲得均值、標準差、特征峰位置、特征峰強度等二次參數(shù)，可以與壓降、流型、流型轉(zhuǎn)變等流動參數(shù)進行關(guān)聯(lián)；對局部相含率的空間分布數(shù)據(jù)進行分析，獲得方差、標準差、概率分布半峰寬等二次參數(shù)，可用于表征相含率空間分布的均勻性及其隨時間的變化特征。

圖2 圖像的典型處理過程Fig.2 Typical processing of original images

圖3 氣液固三相反應(yīng)器圖像分析方法提取的流動參數(shù)Fig.3 Flow parameters extracted by image analysis method in gas-liquid-solid three-phase reactors

1.2 模型參數(shù)優(yōu)化

使用全卷積神經(jīng)網(wǎng)絡(luò)模型建立圖像識別模型的過程中，學習率、訓練次數(shù)、訓練集大小是非常重要的模型參數(shù)，與模型預(yù)測準確率密切相關(guān)[25]。不同學習率下圖像識別模型的訓練準確率隨訓練次數(shù)的變化見表1，當學習率從0.0001 增大到0.01 時，模型的收斂速度和訓練準確率明顯提高，且在學習率為0.005 時達到最佳收斂效果。但當學習率大于0.1 時，模型將不會收斂，且模型訓練準確率僅為60%。因此選擇學習率為0.005，以保證模型的訓練精度并提高收斂速度。從表中還可看出，訓練準確率隨著訓練次數(shù)的增加呈對數(shù)增長，當學習率為0.005 且訓練次數(shù)大于2000 時，訓練精度達到95.3%。因此，訓練次數(shù)選為2000 能夠保證訓練準確率。

表1 不同學習率下圖像識別模型訓練準確率/%Table 1 Training accuracy of model at various learning rates/%

此外，訓練集大小始終是決定深度學習模型預(yù)測準確率的關(guān)鍵因素，增大訓練集能夠降低模型預(yù)測值的平均相對偏差。本文分析了訓練集大小對模型預(yù)測準確率的影響，通過將測試集輸入模型得到模型預(yù)測值，與其對應(yīng)的二值化圖像進行對比，得到的平均相對偏差如表2 所示。由表可知，平均相對偏差隨訓練集的增大逐漸減小，當訓練集達到350 張圖像時，模型預(yù)測的平均相對偏差小于5%，當訓練集達到400 張圖像時，模型預(yù)測的平均相對偏差為4.1%。因此，訓練集包含400 張圖像可以保證訓練準確率。綜上，推薦的模型參數(shù)為：學習率0.005，學習次數(shù)大于2000，訓練集包含超過400 張圖像。

表2 圖像識別模型的平均相對偏差Table 2 Relative deviation of model

2 圖像分析法在三相體系中的應(yīng)用

2.1 實驗裝置及方法

圖4 為氣液固三相反應(yīng)器冷模實驗裝置，由矩形床、固體料倉、空氣和供水系統(tǒng)、測量系統(tǒng)組成。其中矩形床由兩個平行的玻璃板制成，長100 mm、高600 mm，兩塊板之間的寬度為38 mm。不銹鋼制成的固體料倉安裝在矩形床上方500 mm處，以確保顆粒的連續(xù)流動和床層上部的氣密性。料倉通過直徑為35 mm 的固體進料管與矩形床連接，固體進料管伸入床層120 mm。為了保證氣液固的均勻分布，氣體分配器安裝在固體進料管出口上方100 mm處，兩個連續(xù)液體噴嘴（BB1/ 8-SS，噴嘴孔徑2.0 mm）安裝在氣體分配器和固體進料管的出口之間。其中，分布器為多孔分布板，孔徑為1 mm，正三角形排布，開孔率為2.94%。

圖4 氣液固三相反應(yīng)器冷模實驗裝置Fig.4 Cold-model experimental system for gas-liquid-solid three-phase reactor

實驗采用壓縮空氣、水和陶瓷球顆粒作為模擬介質(zhì)。陶瓷球的主要成分為SiO2，直徑6 mm，液固接觸角為42.9°。采用轉(zhuǎn)子流量計（LZB-15）測量氣相流量，用電磁流量計（LDG-SUP）測量液相流量，用電子天平（YP10K-1）測量固體質(zhì)量。氣速變化范圍 為0.007～0.139 m·s-1，液 速 變 化 范 圍 為0.003～0.033 m·s-1。采用高速相機（Photron Fastcam Mini WX100，Japan）及Photron 配套軟件，在固定拍攝窗口拍攝分辨率為2048×2048 像素的圖像，拍攝區(qū)域大小為20 mm×20 mm，位于氣體分布器下方500 mm處。實驗中使用的光源是LED 背光源，光強度為4000 cd。使用尼康相機自動對焦鏡頭（AF 50/1.8D）。采集速率設(shè)置為每秒50 幀，曝光時間為1/1000 s，采集時間設(shè)置為30 s。

實驗過程中固體顆粒不動，氣液兩相并流向下。在氣速保持恒定的條件下，增大液體流速，使流型從涓流先轉(zhuǎn)變?yōu)槊}沖流再轉(zhuǎn)變?yōu)楣呐萘?，用于考察圖像分析方法在涓流床典型流型識別中應(yīng)用的可行性。實驗前需要對顆粒進行預(yù)潤濕，將顆粒在水中浸漬30 min，然后自然過濾20 min，保證顆粒表面無自由水，即可獲得預(yù)潤濕的顆粒[38]。每次改變操作條件后，系統(tǒng)需要運行10 min 以達到新的穩(wěn)態(tài)，再使用高速相機采集圖像。

2.2 圖像分析法在涓流床中的應(yīng)用

氣液并流向下涓流床在不同操作條件下會出現(xiàn)涓流、脈沖流、鼓泡流等典型流型。大多數(shù)工業(yè)涓流床在涓流-脈沖流的轉(zhuǎn)變邊界附近操作，可以得到較高的傳質(zhì)效率和催化劑利用率，同時又能夠降低能耗[4]。

本文采用高速攝像法獲得的涓流床中典型流型的照片見圖5。當氣速和液速較低時（uG= 0.069 m·s-1,uL= 0.003 m·s-1）為涓流，如圖5(a)所示，此時氣液相都是連續(xù)相，床層空隙主要被氣相占據(jù)，液相僅以膜流的形式沿顆粒表面向下流動，同時較弱的氣液相互作用難以破壞相界面，氣液相界面清晰。當液速足夠大時（uL= 0.022 m·s-1），涓流轉(zhuǎn)變?yōu)槿鐖D5(b)、(c)所示的脈沖流。局部液體脈沖形成的頻率增加，匯聚在一起形成大脈沖進而阻塞整個床層橫截面，因此氣相和液相均為半連續(xù)相，富氣區(qū)和富液區(qū)交替向下流動。同時較強的氣液相互作用能夠破壞氣液相界面，氣液相界面變得模糊。當液速進一步增大且氣速減小時（uG= 0.007 m·s-1,uL= 0.028 m·s-1），脈沖流轉(zhuǎn)變?yōu)槿鐖D5(d)所示的鼓泡流。此時氣相為分散相，液相為連續(xù)相，盡管氣液相互作用較強，但氣相推動力難以破壞連續(xù)的液體流，氣體以氣泡的形式分散在連續(xù)液相中。

圖5 涓流床中3種典型氣液流型Fig.5 Three typical gas-liquid flow behaviors in trickle bed

2.2.1 涓流床中流型識別 采用本文提出的基于深度學習的圖像分析方法，從原始圖像提取氣相分數(shù)和液相分數(shù)及其時間序列信號，通過分析時間序列信號及其頻譜和概率密度分布的特征來識別流型。

涓流床中3種典型流型下局部液相分數(shù)隨時間的變化如圖6 所示。在涓流流型下，液相分數(shù)較小并且隨時間無明顯變化；在脈沖流流型下，液相分數(shù)增大并且呈周期性的劇烈波動，變化范圍為55%～75%；在鼓泡流流型下，氣相以氣泡的形式分散在連續(xù)液流中，液相分數(shù)進一步增大，當氣泡通過時會出現(xiàn)液相分數(shù)較低的信號峰?？梢姡ㄟ^液相分數(shù)隨時間的變化特征能夠區(qū)分涓流床中3種典型流型。

圖6 涓流床中3種典型流型下局部液相分數(shù)隨時間的變化Fig.6 Variations of local liquid fraction with time under three typical flow regimes in trickle bed

涓流床中3種典型流型下局部液相分數(shù)時間序列信號的功率譜如圖7 所示。在涓流流型下，氣液兩相穩(wěn)定向下流動，液相分數(shù)保持相對恒定，因此其功率譜圖無明顯的特征峰。在脈沖流流型下，富氣區(qū)和富液區(qū)交替通過使得液相分數(shù)呈現(xiàn)周期波動，其功率譜圖在3 Hz和6 Hz附近存在特征峰。而在鼓泡流中，氣相以氣泡的形式分散在液相中，氣泡并聚對液相分數(shù)的擾動較小，因此其功率譜圖的特征峰大多出現(xiàn)在極低的頻率?？梢姡ㄟ^液相分數(shù)時間序列信號功率譜中特征峰位置也能夠區(qū)分涓流床中3 種典型流型。此外，還可以根據(jù)特征峰的頻率和數(shù)量，定量描述氣液兩相的相互作用規(guī)律。

局部液相分數(shù)時間序列信號的概率密度曲線如圖8 所示，其在一定間隔內(nèi)的積分可用于指示液相分數(shù)位于該區(qū)間內(nèi)的概率。在涓流流型下，氣液流動穩(wěn)定，液相分數(shù)變化小，故其概率密度分布呈現(xiàn)出較窄的單峰分布。在脈沖流中，氣液相互作用強烈，富氣區(qū)和富液區(qū)的交替向下流動，液相分數(shù)在一定范圍內(nèi)劇烈波動，故其分布曲線呈現(xiàn)出較寬的單峰分布，且接近正態(tài)分布。在鼓泡流中，氣泡的隨機性導致液相分數(shù)分布曲線呈現(xiàn)較寬的單峰左偏態(tài)分布?？梢?，通過液相分數(shù)時間序列信號的概率密度曲線分布特征也能區(qū)分涓流床中3種典型流型。

圖8 涓流床中3種典型條件下局部液相分數(shù)信號的概率密度分布曲線Fig.8 Variations of probability density curve of liquid fractions under three typical flow regimes in trickle bed

采用基于深度學習的圖像分析法得到3種典型流型下液相分數(shù)的均值、標準差、極差、概率密度分布曲線的半峰寬等特征參數(shù)，如表3 所示。由表可知，不同流型下特征參數(shù)的數(shù)值差異明顯，根據(jù)不同操作條件下特征參數(shù)的變化趨勢，即可定量確定流型邊界。

表3 涓流床中3種典型流型對應(yīng)的特征參數(shù)Table 3 Characteristic parameters corresponding to three typical flow regimes in trickle bed

2.2.2 涓流床壓降預(yù)測 Holub 等[39]提出了一種涓流床壓降的預(yù)測模型，如式（1）所示。

式中，ΔP/Z是單位床層壓降；ΨG為氣相壓降；床層空隙率?B=0.4；液相分率?L通過圖像分析方法得到；ReG和GaG分別為氣相Reynolds 數(shù)和Galileo數(shù)；E1和E2是根據(jù)厄根公式修正而來的系數(shù)（根據(jù)文獻[40]，取E1=180，E2=1.8）。氣相密度ρG為1.185 kg·m-3，氣相黏度μG為0.01834 mPa·s。

在涓流床中的涓流區(qū)，基于圖像分析方法在液速增加和減少的過程中得到了平均液相分數(shù)，代入式（1）計算得到床層壓降隨液速的變化曲線，其與液速上升和下降過程中U形管壓差計測量值的比較如圖9所示。可見，二者具有相同的變化趨勢，平均相對偏差約為15%。實驗結(jié)果表明，本文提出的圖像分析方法能夠用于預(yù)測涓流床中涓流區(qū)的壓降變化。

圖9 涓流床壓降的實驗值與理論預(yù)測值的比較Fig.9 Comparison of experimental pressure drop with theoretical predictions from model in trickle flow

圖10 涓流床中3種典型流型下局部液相分數(shù)空間分布的標準差隨時間的變化Fig.10 Variation of standard deviation of spatial distribution of local liquid fractions under three typical flow regimes in trickle bed

2.2.3 氣液分布均勻性 采用本文提出的基于深度學習的圖像分析方法，從原始圖像提取氣相分數(shù)和液相分數(shù)空間分布的標準差，通過分析標準差的大小及其隨時間的變化來判別氣液分布的均勻性。涓流床中3種典型流型下局部液相分數(shù)空間分布的標準差隨時間的變化如圖10 所示。從標準差的數(shù)值來看，涓流流型下標準差最大，對應(yīng)的液相分數(shù)空間分布最不均勻；脈沖流下標準差次之；鼓泡流下標準差最小，對應(yīng)的液相分數(shù)空間分布最均勻。從標準差隨時間的變化來看，涓流流型下波動最小，脈沖流下波動居中，鼓泡流下波動最大。這是因為從脈沖流轉(zhuǎn)變?yōu)楣呐萘骱?，床層空隙主要被液相占?jù)，氣泡隨機向下流動，當氣泡并聚或者大量氣泡出現(xiàn)時，對氣液兩相的空間分布造成劇烈擾動，使得標準差波動增大。需要指出的是，如果拍攝區(qū)域不能覆蓋整個床層截面，可將床層截面分為多個區(qū)域，用多個相機同時拍攝后，再使用上述方法判別氣液分布均勻性。

3 結(jié) 論

本文發(fā)展了一種基于深度學習的氣液固三相反應(yīng)器圖像分析方法，包括采集圖像、制作訓練集、建立圖像識別模型和提取流動參數(shù)四個步驟。其中，學習率、訓練次數(shù)、訓練集大小是采用全卷積神經(jīng)網(wǎng)絡(luò)模型建立的圖像識別模型的關(guān)鍵參數(shù)。優(yōu)選的模型參數(shù)為：學習率為0.005，訓練次數(shù)為2000次，訓練集大小為超過400 張圖像。該方法可獲取三相反應(yīng)器中局部相含率（氣相分數(shù)和液相分數(shù)）及其空間分布、時間序列等信息，采用時域分析、頻率分析、小波分析等分析方法提取的二次參數(shù)，可用于流型識別、壓降預(yù)測和氣液分布的均勻性判別等。

本文將基于深度學習的圖像分析方法用于氣液并流向下涓流床中流動參數(shù)的檢測，結(jié)果表明，局部液相分數(shù)隨時間變化信號及其功率譜、概率密度分布曲線均能清晰地區(qū)分涓流、脈沖流、鼓泡流等典型流型；均值、標準差、極差等特征參數(shù)隨操作條件的變化趨勢可用于確定流型邊界；平均液相分數(shù)可用于預(yù)測涓流區(qū)壓降，其與U 形管壓差計測量值的平均相對偏差約為15%；液相分數(shù)空間分布的標準差可用于判別涓流床中不同流型下氣液分布均勻性。

本文提出的圖像分析方法只能測量氣液固三相反應(yīng)器壁面附近的流動參數(shù)，如何建立其與床層內(nèi)部流動參數(shù)的關(guān)聯(lián)，提高預(yù)測精度，有待深入研究。