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

• Autorzy: Ochał Piotr , Augustyn Małgorzata , Hanus Robert , Zych Marcin

Identyfikatory

DOI

10.15199/48.2024.07.27

Warianty tytułu

EN

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

• Języki publikacji: PL

Abstrakty

PL

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.

EN

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

PL

przepływ dwufazowy; absorpcja promieniowania gamma; rozpoznawanie struktury przepływu; konwolucyjna sieć neuronowa

EN

two-phase flow; gamma-ray absorption; flow structure recognition; convolutional neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 7
• Strony: 131--134
• Opis fizyczny: Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Ochał Piotr

• Bury Technologies, ul. Wspólna 2, 35-205 Rzeszów

autor

Augustyn Małgorzata

• Politechnika Rzeszowska, Wydział Elektrotechniki i Informatyki, al. Powstańców Warszawy 12, 35-959 Rzeszów

• https://orcid.org/0000-0001-7093-021X

autor

Hanus Robert

• Politechnika Rzeszowska, Wydział Elektrotechniki i Informatyki, al. Powstańców Warszawy 12, 35-959 Rzeszów

• https://orcid.org/0000-0001-8595-1478

autor

Zych Marcin

• AGH w Krakowie, Wydział Geologii, Geofizyki i Ochrony Środowiska, al. Mickiewicza 30, 30-059 Kraków

• https://orcid.org/0000-0001-6374-9498

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

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).