关键词:
多相流检测
电容层析成像
算法
机器学习
图像重建
摘要:
作为一种极具发展潜力的新型参数可视化测量技术,电容层析成像(Electrical Capacitance Tomography,ECT)因其适用范围广、非侵入性、结构简单、无辐射、成本低廉、成像速度快等优点,逐渐成为工业生产和科学领域的研究热点。ECT技术是一种参数实时检测的有效手段,因而在两相流及多相流领域有着广阔的应用前景。图像重建的速度和精度是决定ECT系统性能好坏的关键因素之一。本文基于12电极ECT成像系统,对图像重建算法展开了一系列研究,旨在提高图像重建的精确性。本文的主要工作及相关成果概括如下:(1)针对ECT成像过程中采用线性正问题求解方法会导致重建误差的问题,本文提出了一种基于极限学习机(Extreme Learning Machine,ELM)的非线性ECT正问题求解方法。网络的输入是介电常数分布,输出是测量电容值。将其与Landweber算法相结合,以实现图像重建。ELM网络的样本在物体分布位置和大小上均采用随机生成的方式,使其更具代表性。仿真和静态实验表明,相较于具有自适应步长的Landweber迭代算法,新算法在成像质量和收敛速度上均表现出明显的优势,由此验证了新算法的有效性。(2)将基于迭代重加权最小二乘法(Iterative Reweighted Least Squares,IRLS)的鲁棒正则化极限学习机(Robust Regularized Extreme Learning Machine,RELM)算法应用于ECT成像。在RELM-IRLS网络中,Bisquare损失函数的作用在于增强鲁棒性,l2-norm正则化项的作用在于避免过拟合,目标函数的优化采用IRLS算法。通过matlab有限元仿真构建油/气两相流中五种典型的随机流型分布的样本,以完成该网络的训练。仿真及静态实验均展现了新算法更好的成像效果。该算法在泛化性能方面优于经典ELM网络,且比Landweber迭代算法拥有更佳的成像质量。(3)提出了一种基于自适应支持驱动贝叶斯重加权(Adaptive Support Driven Bayesian Reweighted,ASDBR)算法的新型ECT图像重建算法。其最大优点是能够准确提取流型的主要特征,移除冗余信息。该算法将原始问题转化为一系列具有迭代重新加权权重的子问题,并通过迭代收缩阈值算法(Iterative Shrinkage-Thresholding Algorithm,ISTA)解决这些子问题。在ASDBR算法、Landweber迭代算法、稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)算法和Lasso之间进行了比较。仿真和实验结果均表明,所提出的新方法显著提高了重建图像的质量。(4)提出了一种基于高效稀疏贝叶斯学习(Efficient Sparse Bayesian Learning,ESBL)算法的新型ECT图像重建算法。该算法以高斯尺度混合模型作为参数的先验分布,增加了模型的灵活性,并采用代理函数来代替高斯似然函数,降低了算法的计算复杂度。为验证算法的有效性,分别采用拉普拉斯分布和Student’s T分布作为参数的先验分布,以获取该算法的两种具体实现,并进行了仿真和实验测试。与稀疏贝叶斯学习算法、基于拉普拉斯先验的贝叶斯压缩感知(Laplace Prior based Bayesian Compressive Sensing,LPBCS)算法和Landweber算法相比,本文提出的具有拉普拉斯先验分布的EBSL算法具有更好的图像质量和更佳的实时性。