基于深度学习的气液固三相反应器图像分析方法及应用

黄正梁，王超，李少硕，杨遥，孙婧元，王靖岱，阳永荣

（1 浙江省化工高效制造技术重点实验室，浙江杭州310027； 2 浙江大学化学工程国家重点实验室，浙江杭州310027；3浙江大学化学工程与生物工程学院，浙江杭州310027）

引 言

涓流床、三相鼓泡床、三相移动床等气液固三相反应器广泛应用于石油和化学工业[1-2]。气液固三相反应器中不同操作条件下会出现不同的流动行为[3]，对反应器中的流动和传递产生显著影响[4]。流型、相含率及其分布等流动参数的准确测量对气液固三相反应器的设计和优化具有重要意义。

针对气液固三相反应器中的流动行为，常用的检测方法包括目测法[5-7]、高速摄像法[8-10]、压降法[11-12]、声信号检测法[13]、电导探针法[14]、电子断层扫描[15-16]、X 射线成像[17]、磁共振成像[18-19]和伽马射线断层扫描[20]等。其中，目测法和高速摄像法等可视化方法常用于验证其他检测方法的准确性[21]，然而可视化方法通常只能进行定性分析。有学者将单层圆柱形规整填料均匀地固定在两块透明板之间，制成一种特殊结构的二维床，采用高速摄像法研究了规整填料中气泡的破碎、聚并行为[9-10]。他们使用的圆柱形规整填料间距较大，与实际反应器存在较大差异。在实际工业装置中，球形、齿球形、三叶草形等不同形状的催化剂颗粒紧密堆积在反应器中，复杂的颗粒背景使拍摄得到的图像中气液两相之间的灰度差异非常小，给定量分析带来了极大的挑战。

近年来，以深度学习为代表的图像处理方法取得了重大突破，使得从背景复杂的图像中精确提取目标信息成为可能[22-25]。深度学习作为分析数据的机器学习方法之一，其源于神经学研究的启示，能够像大脑一样通过组合低层特征形成更加抽象的高层特征[26]。在深度学习的起源阶段，在神经元结构和工作原理的启发下，构建了M-P 模型、感知机等结构，奠定了神经网络模型的基础[27]。在其发展过程中，误差反向传播（BP）算法在正向传播的基础上，增加了误差的反向传播过程，促成了神经网络的崛起，但其容易出现梯度弥散现象[28]。直到2006年，Hinton 等[29]开创性地提出了深度学习的概念及模型训练方法，即通过无监督的学习方法逐层训练，再使用有监督的反向传播算法进行调优，打破了BP 神经网络发展的瓶颈。随后在受限玻尔兹曼机、自动编码器、稀疏编码和卷积神经网络等多种典型算法的基础上，深度学习技术被广泛应用于语音、图像和自然语言处理等领域[30]，尤其是图像中对象和区域的检测、分割和识别等[24]，例如交通标志识别[31]、医学图像分析[32]、人脸识别[33]和人体姿势预测[34]等。因此，本文将深度学习方法用于气液固三相反应器中图像分析，期望定量地获取三相体系中的相含率及其分布、流型等流动参数，为气液固三相反应器的研究提供新的工具。

1 测量原理及方法

1.1 测量原理

基于深度学习的气液固三相反应器图像分析方法的原则流程如图1所示，包括采集图像、制作训练集、建立图像识别模型、提取流动参数4个步骤。

（1）提取图像 在透明的气液固三相反应器模拟实验装置中（一般用二维床或矩形床），利用高速相机获取不同操作条件下的图像，典型的图像如图2(a)所示。

图1 基于深度学习的气液固三相反应器图像分析流程Fig.1 Procedure of image analysis method based on deeplearning in gas-liquid-solid three-phase reactors

（2）制作训练集 随机选择部分原始图像作为样本图像，采用Photoshop CS5 中的光标绘制样本图像中的气液边界，然后用白色填充气相以增加气相和液相之间的灰度差异，可以获得如图2(b)所示的分割图像；将分割图像转换为灰度图像，并通过阈值分割程序（灰度阈值取250）进一步处理，得到如图2(c)所示的二值化图像，其中白色区域为气相。采用上述方法处理所有样本图像，将样本图像及其对应的二值化图像合并为训练集、验证集和测试集，三者比例为3∶1∶1。

（3）建立图像识别模型 使用MATLAB 神经网络工具箱，以图2 所示的全卷积神经网络（FCN）算法为基础构建神经网络模型。全卷积神经网由CNN 网络层、FCN 网络层和条件随机场三部分组成。其中，CNN 网络层包括卷积层、激活函数层和池化层，在5 个卷积层中，采用5×5 的卷积核，步长为1；采用随机初始化权重及误差反向传播方法进行网络的训练和网络层的连接；采用2×2 的核进行最大池化操作；利用Relu 函数克服梯度消失问题。FCN 网络层对输入图像的特征进行全卷积操作并计算Softmax 分类的代价函数，采用均值操作融合对应图像的特征，并进行像素点的预测，最后通过反卷积上采样操作将图像恢复至输入尺寸。条件随机场主要是用于进一步提高学习精度。

模型建立过程中，首先将原始图像和其二值化图像[图2(a)、(c)]输入全卷积神经网络模型，经过模型内部的训练学习，得到图2(d)所示的识别结果[35-37]，计算其与图2(c)所示的二值化图像之间的偏差，当偏差大于设定值时，调整模型参数继续训练；当偏差小于设定值时，认为图像识别模型已构建完成。

（4）提取流动参数 采用所建立的图像识别模型对原始图像进行分析，获得局部相含率（气相分数和液相分数）及其空间分布、时间序列等信息。其中，位于液相区的像素点被识别为0，位于气相区的像素点被识别为1，局部液相分数等于被识别为0的像素点之和与总像素点的比值，局部气相分数等于被识别为1的像素点之和与总像素点的比值。进一步，如图3所示，采用时域分析、频谱分析、小波分析等现代分析方法，对局部相含率的时间序列信号进行分析，获得均值、标准差、特征峰位置、特征峰强度等二次参数，可以与压降、流型、流型转变等流动参数进行关联；对局部相含率的空间分布数据进行分析，获得方差、标准差、概率分布半峰宽等二次参数，可用于表征相含率空间分布的均匀性及其随时间的变化特征。

图2 图像的典型处理过程Fig.2 Typical processing of original images

图3 气液固三相反应器图像分析方法提取的流动参数Fig.3 Flow parameters extracted by image analysis method in gas-liquid-solid three-phase reactors

1.2 模型参数优化

使用全卷积神经网络模型建立图像识别模型的过程中，学习率、训练次数、训练集大小是非常重要的模型参数，与模型预测准确率密切相关[25]。不同学习率下图像识别模型的训练准确率随训练次数的变化见表1，当学习率从0.0001 增大到0.01 时，模型的收敛速度和训练准确率明显提高，且在学习率为0.005 时达到最佳收敛效果。但当学习率大于0.1 时，模型将不会收敛，且模型训练准确率仅为60%。因此选择学习率为0.005，以保证模型的训练精度并提高收敛速度。从表中还可看出，训练准确率随着训练次数的增加呈对数增长，当学习率为0.005 且训练次数大于2000 时，训练精度达到95.3%。因此，训练次数选为2000 能够保证训练准确率。

表1 不同学习率下图像识别模型训练准确率/%Table 1 Training accuracy of model at various learning rates/%

此外，训练集大小始终是决定深度学习模型预测准确率的关键因素，增大训练集能够降低模型预测值的平均相对偏差。本文分析了训练集大小对模型预测准确率的影响，通过将测试集输入模型得到模型预测值，与其对应的二值化图像进行对比，得到的平均相对偏差如表2 所示。由表可知，平均相对偏差随训练集的增大逐渐减小，当训练集达到350 张图像时，模型预测的平均相对偏差小于5%，当训练集达到400 张图像时，模型预测的平均相对偏差为4.1%。因此，训练集包含400 张图像可以保证训练准确率。综上，推荐的模型参数为：学习率0.005，学习次数大于2000，训练集包含超过400 张图像。

表2 图像识别模型的平均相对偏差Table 2 Relative deviation of model

2 图像分析法在三相体系中的应用

2.1 实验装置及方法

图4 为气液固三相反应器冷模实验装置，由矩形床、固体料仓、空气和供水系统、测量系统组成。其中矩形床由两个平行的玻璃板制成，长100 mm、高600 mm，两块板之间的宽度为38 mm。不锈钢制成的固体料仓安装在矩形床上方500 mm处，以确保颗粒的连续流动和床层上部的气密性。料仓通过直径为35 mm 的固体进料管与矩形床连接，固体进料管伸入床层120 mm。为了保证气液固的均匀分布，气体分配器安装在固体进料管出口上方100 mm处，两个连续液体喷嘴（BB1/ 8-SS，喷嘴孔径2.0 mm）安装在气体分配器和固体进料管的出口之间。其中，分布器为多孔分布板，孔径为1 mm，正三角形排布，开孔率为2.94%。

图4 气液固三相反应器冷模实验装置Fig.4 Cold-model experimental system for gas-liquid-solid three-phase reactor

实验采用压缩空气、水和陶瓷球颗粒作为模拟介质。陶瓷球的主要成分为SiO2，直径6 mm，液固接触角为42.9°。采用转子流量计（LZB-15）测量气相流量，用电磁流量计（LDG-SUP）测量液相流量，用电子天平（YP10K-1）测量固体质量。气速变化范围 为0.007～0.139 m·s-1，液 速 变 化 范 围 为0.003～0.033 m·s-1。采用高速相机（Photron Fastcam Mini WX100，Japan）及Photron 配套软件，在固定拍摄窗口拍摄分辨率为2048×2048 像素的图像，拍摄区域大小为20 mm×20 mm，位于气体分布器下方500 mm处。实验中使用的光源是LED 背光源，光强度为4000 cd。使用尼康相机自动对焦镜头（AF 50/1.8D）。采集速率设置为每秒50 帧，曝光时间为1/1000 s，采集时间设置为30 s。

实验过程中固体颗粒不动，气液两相并流向下。在气速保持恒定的条件下，增大液体流速，使流型从涓流先转变为脉冲流再转变为鼓泡流，用于考察图像分析方法在涓流床典型流型识别中应用的可行性。实验前需要对颗粒进行预润湿，将颗粒在水中浸渍30 min，然后自然过滤20 min，保证颗粒表面无自由水，即可获得预润湿的颗粒[38]。每次改变操作条件后，系统需要运行10 min 以达到新的稳态，再使用高速相机采集图像。

2.2 图像分析法在涓流床中的应用

气液并流向下涓流床在不同操作条件下会出现涓流、脉冲流、鼓泡流等典型流型。大多数工业涓流床在涓流-脉冲流的转变边界附近操作，可以得到较高的传质效率和催化剂利用率，同时又能够降低能耗[4]。

本文采用高速摄像法获得的涓流床中典型流型的照片见图5。当气速和液速较低时（uG= 0.069 m·s-1,uL= 0.003 m·s-1）为涓流，如图5(a)所示，此时气液相都是连续相，床层空隙主要被气相占据，液相仅以膜流的形式沿颗粒表面向下流动，同时较弱的气液相互作用难以破坏相界面，气液相界面清晰。当液速足够大时（uL= 0.022 m·s-1），涓流转变为如图5(b)、(c)所示的脉冲流。局部液体脉冲形成的频率增加，汇聚在一起形成大脉冲进而阻塞整个床层横截面，因此气相和液相均为半连续相，富气区和富液区交替向下流动。同时较强的气液相互作用能够破坏气液相界面，气液相界面变得模糊。当液速进一步增大且气速减小时（uG= 0.007 m·s-1,uL= 0.028 m·s-1），脉冲流转变为如图5(d)所示的鼓泡流。此时气相为分散相，液相为连续相，尽管气液相互作用较强，但气相推动力难以破坏连续的液体流，气体以气泡的形式分散在连续液相中。

图5 涓流床中3种典型气液流型Fig.5 Three typical gas-liquid flow behaviors in trickle bed

2.2.1 涓流床中流型识别 采用本文提出的基于深度学习的图像分析方法，从原始图像提取气相分数和液相分数及其时间序列信号，通过分析时间序列信号及其频谱和概率密度分布的特征来识别流型。

涓流床中3种典型流型下局部液相分数随时间的变化如图6 所示。在涓流流型下，液相分数较小并且随时间无明显变化；在脉冲流流型下，液相分数增大并且呈周期性的剧烈波动，变化范围为55%～75%；在鼓泡流流型下，气相以气泡的形式分散在连续液流中，液相分数进一步增大，当气泡通过时会出现液相分数较低的信号峰。可见，通过液相分数随时间的变化特征能够区分涓流床中3种典型流型。

图6 涓流床中3种典型流型下局部液相分数随时间的变化Fig.6 Variations of local liquid fraction with time under three typical flow regimes in trickle bed

涓流床中3种典型流型下局部液相分数时间序列信号的功率谱如图7 所示。在涓流流型下，气液两相稳定向下流动，液相分数保持相对恒定，因此其功率谱图无明显的特征峰。在脉冲流流型下，富气区和富液区交替通过使得液相分数呈现周期波动，其功率谱图在3 Hz和6 Hz附近存在特征峰。而在鼓泡流中，气相以气泡的形式分散在液相中，气泡并聚对液相分数的扰动较小，因此其功率谱图的特征峰大多出现在极低的频率。可见，通过液相分数时间序列信号功率谱中特征峰位置也能够区分涓流床中3 种典型流型。此外，还可以根据特征峰的频率和数量，定量描述气液两相的相互作用规律。

局部液相分数时间序列信号的概率密度曲线如图8 所示，其在一定间隔内的积分可用于指示液相分数位于该区间内的概率。在涓流流型下，气液流动稳定，液相分数变化小，故其概率密度分布呈现出较窄的单峰分布。在脉冲流中，气液相互作用强烈，富气区和富液区的交替向下流动，液相分数在一定范围内剧烈波动，故其分布曲线呈现出较宽的单峰分布，且接近正态分布。在鼓泡流中，气泡的随机性导致液相分数分布曲线呈现较宽的单峰左偏态分布。可见，通过液相分数时间序列信号的概率密度曲线分布特征也能区分涓流床中3种典型流型。

图8 涓流床中3种典型条件下局部液相分数信号的概率密度分布曲线Fig.8 Variations of probability density curve of liquid fractions under three typical flow regimes in trickle bed

采用基于深度学习的图像分析法得到3种典型流型下液相分数的均值、标准差、极差、概率密度分布曲线的半峰宽等特征参数，如表3 所示。由表可知，不同流型下特征参数的数值差异明显，根据不同操作条件下特征参数的变化趋势，即可定量确定流型边界。

表3 涓流床中3种典型流型对应的特征参数Table 3 Characteristic parameters corresponding to three typical flow regimes in trickle bed

2.2.2 涓流床压降预测 Holub 等[39]提出了一种涓流床压降的预测模型，如式（1）所示。

式中，ΔP/Z是单位床层压降；ΨG为气相压降；床层空隙率ɛB=0.4；液相分率ɛL通过图像分析方法得到；ReG和GaG分别为气相Reynolds 数和Galileo数；E1和E2是根据厄根公式修正而来的系数（根据文献[40]，取E1=180，E2=1.8）。气相密度ρG为1.185 kg·m-3，气相黏度μG为0.01834 mPa·s。

在涓流床中的涓流区，基于图像分析方法在液速增加和减少的过程中得到了平均液相分数，代入式（1）计算得到床层压降随液速的变化曲线，其与液速上升和下降过程中U形管压差计测量值的比较如图9所示。可见，二者具有相同的变化趋势，平均相对偏差约为15%。实验结果表明，本文提出的图像分析方法能够用于预测涓流床中涓流区的压降变化。

图9 涓流床压降的实验值与理论预测值的比较Fig.9 Comparison of experimental pressure drop with theoretical predictions from model in trickle flow

图10 涓流床中3种典型流型下局部液相分数空间分布的标准差随时间的变化Fig.10 Variation of standard deviation of spatial distribution of local liquid fractions under three typical flow regimes in trickle bed

2.2.3 气液分布均匀性 采用本文提出的基于深度学习的图像分析方法，从原始图像提取气相分数和液相分数空间分布的标准差，通过分析标准差的大小及其随时间的变化来判别气液分布的均匀性。涓流床中3种典型流型下局部液相分数空间分布的标准差随时间的变化如图10 所示。从标准差的数值来看，涓流流型下标准差最大，对应的液相分数空间分布最不均匀；脉冲流下标准差次之；鼓泡流下标准差最小，对应的液相分数空间分布最均匀。从标准差随时间的变化来看，涓流流型下波动最小，脉冲流下波动居中，鼓泡流下波动最大。这是因为从脉冲流转变为鼓泡流后，床层空隙主要被液相占据，气泡随机向下流动，当气泡并聚或者大量气泡出现时，对气液两相的空间分布造成剧烈扰动，使得标准差波动增大。需要指出的是，如果拍摄区域不能覆盖整个床层截面，可将床层截面分为多个区域，用多个相机同时拍摄后，再使用上述方法判别气液分布均匀性。

3 结 论

本文发展了一种基于深度学习的气液固三相反应器图像分析方法，包括采集图像、制作训练集、建立图像识别模型和提取流动参数四个步骤。其中，学习率、训练次数、训练集大小是采用全卷积神经网络模型建立的图像识别模型的关键参数。优选的模型参数为：学习率为0.005，训练次数为2000次，训练集大小为超过400 张图像。该方法可获取三相反应器中局部相含率（气相分数和液相分数）及其空间分布、时间序列等信息，采用时域分析、频率分析、小波分析等分析方法提取的二次参数，可用于流型识别、压降预测和气液分布的均匀性判别等。

本文将基于深度学习的图像分析方法用于气液并流向下涓流床中流动参数的检测，结果表明，局部液相分数随时间变化信号及其功率谱、概率密度分布曲线均能清晰地区分涓流、脉冲流、鼓泡流等典型流型；均值、标准差、极差等特征参数随操作条件的变化趋势可用于确定流型边界；平均液相分数可用于预测涓流区压降，其与U 形管压差计测量值的平均相对偏差约为15%；液相分数空间分布的标准差可用于判别涓流床中不同流型下气液分布均匀性。

本文提出的图像分析方法只能测量气液固三相反应器壁面附近的流动参数，如何建立其与床层内部流动参数的关联，提高预测精度，有待深入研究。