افزايش كارآيي جريان سنج دو فازي با استفاده از روش هاي استخراج ويژگي حوزه ي فركانس و شبكه عصبي در طيف خروجي آشكارساز

Increasing efficiency of two-phase flowmeters using frequency-domain feature extraction and neural network in the detector output spectrum

دانش تشخيص مشخصه هاي جريان هاي چند فازي از جمله دوفازي‌ها در بسياري از صنايع از جمله صنايع نفت، هسته اي، شيمي به عنوان مسئله اي كليدي همواره مطالعه شده و مورد توجه بوده است. در اين مقاله يك جريان دو فازي1 با سه رژيم حلقوي2، لايه اي3 و همگن4 با استفاده از كد مونت كارلو 5 در بازه ي كسر خالي %90-%5 شبيه سازي شده است. در شبيه سازي انجام شده از يك چشمه سزيم 137 و دو آشكار ساز NaI به منظور ثبت فوتون هاي دريافتي استفاده شده است. با استفاده از نرم افزار متلب، سيگنال هاي حاصله توسط تحليل فركانسي(تبديل فوريه) وارد بُعد فركانس شده اند و شش ويژگي ميانگين فركانسي سيگنال، دامنه فركانس غالب، واريانس، انحراف معيار، مجذور ميانگين مربعات و كشيدگي به صورت يكسان از دو آشكار ساز استخراج شده است. با بررسي تمام حالات ممكن و در نظر گرفتن اين نكته كه معيار تشخيص رژيم ها، تفكيك پذيري نمودارها مي باشد، حالاتي كه نمودار آن ها هيچ نقطه تلاقي ندارند به عنوان ويژگي مناسب انتخاب گرديده است. در اين پژوهش از دو شبكه ي عصبي پرسپترون چندلايه به منظور تشخيص نوع رژيم هاي جرياني و تعيين درصد هاي حجمي استفاده شده است. با استفاده از تكنيك استخراج ويژگي مطرح شده و شبكه عصبي طراحي شده، نوع رژيم جرياني به درستي تشخيص داده شدند و درصد هاي حجمي با ميانگين نسبي خطاي 1/15 تعيين گرديدند.

In this paper, three different regimes including annular, stratified and homogeneous in the range of 5%-90% void fraction, were simulated by Mont Carlo N-Particle (MCNP) Codes. In simulated structure, a cesium 137 source and two Nal detectors were used to record received photons. In this study, the Fast Fourier Transform (FFT) was applied to the registered signals from two detectors in order to analyze in the frequency domain. Several features of signals in the frequency domain were extracted using average value of fast Fourier transform, the amplitude of dominant frequency, kurtosis, Standard Deviation (STD), RMS (Root Mean Square) and Variance. The same features were extracted from analyzed signals of both detectors in order to find the best separation patterns. These extracted features were used as inputs of artificial neural networks (ANNs) to increase the efficiency of two-phase flowmeters. Two multi-layer perceptrons (MLP) neural networks were implemented in MATLAB software in order to classify flow regimes (annular, stratified and homogeneous) and predict the void fraction. All of the training and testing data were obtained correctly and the mean relative error percentage of the predicted void fraction was 1/15 %.