申请/专利权人：安徽大学

申请日：2024-01-09

公开（公告）日：2024-03-19

公开（公告）号：CN117727030A

主分类号：G06V20/69

分类号：G06V20/69;G06V10/44;G06V10/764;G06V10/82;G06N3/0464;G06N3/08;G06N20/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种基于机器学习的沸腾危机气泡临界填充因子预测方法，包括：1、沸腾气泡样本数据的获取和预处理，2、使用蒙特卡洛模拟计算临界填充因子，3、沸腾气泡样本标签的分配，4、建立沸腾危机分类网络，5、训练得到最优沸腾危机分类模型，6、利用最优沸腾危机分类模型对临界填充因子的预测。本发明能准确预测出沸腾危机位形的临界填充因子，从而能提高临界填充因子的预测精度，并能降低时间复杂度和分类的误差。

主权项：1.一种基于机器学习的沸腾危机气泡临界填充因子预测方法，其特征在于，是按如下步骤进行：步骤1、沸腾气泡样本数据的获取和预处理：步骤1.1、从连续圆盘渗流模型中获取沸腾气泡图像样本数据集其中，表示气泡个数为n的图像样本集，且bn，i表示图像样本集中第i个样本，W为图像样本集中的样本总数，N为图像样本集中的最大气泡个数，n服从1到N的均匀分布；步骤1.2、根据式1计算图像样本集的填充因子ηn＝{ηn，i|i＝1，2，...，W}： 式1中，rj表示第j个气泡的半径长度；ai为第i个样本bn，i的边长，r为气泡的半径，且r服从泊松分布；ηn，j表示第i个样本bn，j的填充因子；步骤1.3、计算图像样本集中第i个样本bn，i的第二大团簇面积Sn，j；步骤1.4、合并中W个样本的填充因子和第二大团簇面积后，得到气泡个数为n的合并样本集从而得到沸腾气泡合并样本数据集步骤2、使用蒙特卡洛模拟计算P+的临界填充因子ηc：步骤2.1、计算的填充因子以及的平均第二大团簇面积并根据填充因子，对Q+进行升序排序，得到排序后的合并样本数据集其中，表示气泡个数为n的排序后的合并样本集，且表示的填充因子，表示的平均第二大团簇面积；步骤2.2、对和进行曲线绘制，并计算曲线上极值点的临界填充因子ηc；步骤3、根据ηn，j是否大于ηc，设置气泡个数为n的样本集中第i个样本bn，i的标签；步骤4、建立沸腾危机分类网络，依次包括：特征提取器和标签分类器：步骤4.1、搭建特征提取器由卷积神经网络模块和全连接网络模块构成：步骤4.1.1、所述卷积神经网络模块由一个卷积层，一个最大池化层，一个扁平化层依次构成；所述第i个图像样本bn，j输入卷积层中进行处理，并输出气泡初始特征图Bn，i后，再输入最大池化层中进行降采样，并输出降采样后的特征图B′n，i；再利用扁平化层将特征图B′n，i转化为特征向量fn，i；步骤4.1.2、所述全连接网络模块由若干个处理块依次组成，每个处理块依次包括全连接层FC1、激活函数ReLU、L2正则化层；所述特征向量fn，j依次经过所述处理块的处理后，得到气泡最终特征图Fn，i；步骤4.2、搭建标签分类器由一个全连接层和一个激活函数构成，并对Fn，i进行处理后，得到归一化后的沸腾危机气泡二分类预测标签pn，j；步骤5、利用式3构建二分类交叉熵损失函数Loss： 其中flagn，i表示样本bn，i的真实标签，pn，i表示样本bn，i的预测标签；基于沸腾气泡图像样本数据集利用梯度下降法对沸腾危机分类网络进行迭代训练，并计算二分类交叉熵损失函数Loss以更新网络参数，当训练迭代次数达到设定的次数时或所述二分类交叉熵损失函数Loss收敛时，训练停止，从而得到最优沸腾危机气泡分类模型；步骤6、利用最优沸腾危机气泡分类模型对临界填充因子η′c的预测：步骤6.1、创建临界填充因子为{ηc-dΔη，...，ηc-Δη，ηc+Δη…，ηc+dΔη}的沸腾气泡图像，并得到图像样本测试集其中，表示临界填充因子为ηc-d-kΔη的图像样本集，且bk，i表示图像样本集中第i个样本，d表示临界区间的大小，D＝2d表示不同填充因子的总数；Δη表示填充因子间隔大小；步骤6.2、将R+输入最优沸腾危机气泡分类模型，得到预测标签为1的概率和预测标签为0的概率其中，和分别表示的预测标签为0和1的平均概率；对Y1+和Y2+进行曲线绘制，并计算曲线上交点的填充因子η′c。

全文数据：

权利要求：

百度查询： 安徽大学 基于机器学习的沸腾危机气泡临界填充因子预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD