使用光谱分析实现弯管中两相流含气率的预测

引用本文

车少敏, 马世一, 刘雪婧, 殷雄, 周延, 熊兵, 李锟, 李飞. 使用光谱分析实现弯管中两相流含气率的预测[J]. 光谱学与光谱分析, 2025,45(1): 231-238.
CHE Shao-min, MA Shi-yi, LIU Xue-jing, YIN Xiong, ZHOU Yan, XIONG Bing, LI Kun, LI Fei. Experimental Study on the Void Fraction Determination of Gas-Oil Two-Phase Flow in Elbow Based on Spectral Analysis[J]. Spectroscopy and Spectral Analysis, 2025,45(1): 231-238.
Doi:10.3964/j.issn.1000-0593(2025)01-0231-08 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

使用光谱分析实现弯管中两相流含气率的预测

车少敏¹, 马世一¹, 刘雪婧¹, 殷雄¹, 周延^1,^*, 熊兵², 李锟², 李飞³

1.西安交通大学能源与动力工程学院, 陕西西安 710049

2.中国航发四川燃气涡轮研究院, 四川成都 610500

3.西安石油大学电子工程学院, 陕西西安 710065

*通讯作者 e-mail: yan.zhou@mail.xjtu.edu.cn

作者简介: 车少敏, 女, 1996年生, 西安交通大学能源与动力工程学院硕士研究生 e-mail: cheshaomin@foxmail.com

收稿日期: 2024-03-12 修订日期: 2024-06-25

基金: 国家自然科学基金企业创新发展联合基金重点项目(U20B2029), 国家重点研发技术项目(2023YFC2810902)资助

摘要

空气被夹带进入发动机润滑油系统形成油气两相流后, 会严重影响润滑系统的正常运行。因此实现发动机润滑油系统中油气两相流含气率的准确和快速测量具有十分重要的意义。基于光谱匹配方法, 对发动机润滑油系统在弯管处的油气两相流含气率进行了测量研究。首先使用近红外、可见光和紫外光谱仪获取油气两相流在2个流速、 5个温度工况下0.10%~1.00%含气率范围(间隔0.06%)的吸光度数据并进行分析, 确认油气两相流在三个波段下均有吸收, 且吸收强度与含气率有关; 其次提出将数据预处理结合光谱相似性测度方法并应用于弯管含气率光谱分析中, 显著降低了基于原始光谱的含气率预测的最大相对误差。在近红外波段通过使用数据增强方法如中心化(center)和标准化(autoscaling)并结合光谱角余弦方法, 得出新润滑油的含气率最大相对误差相对于原始光谱得到的数值从48%降低到36%。利用该方法分别在三个波段进行含气率预测, 试验工况包括2个流速、 5个温度, 分析了两相流的温度和流速对含气率预测的影响。温度30.0 ℃, 流速5.1 m·min^-1下, 含气率信息在紫外波段(193.5~413.8 nm)与光谱向量的方向或形状差异的联系更为紧密, 含气率预测的最大相对误差仅为6%。在近红外和可见光波段, 流速或温度一定时, 最大相对误差随着温度或流速的增加均有减小趋势。紫外波段下温度对含气率预测效果没有特定的影响规律, 随着两相流的流速增加, 含气率预测的最大相对误差有增大趋势。结果表明对于透光性较好的新润滑油, 使用紫外光谱仪进行含气率数据的采集, 含气率的预测选用标准化预处理结合光谱角余弦方法, 得到的含气率预测最大相对误差最小。

关键词: 气液两相流; 含气率; 光谱分析; 光谱匹配

中图分类号:TK314 文献标志码:A

Experimental Study on the Void Fraction Determination of Gas-Oil Two-Phase Flow in Elbow Based on Spectral Analysis

CHE Shao-min¹, MA Shi-yi¹, LIU Xue-jing¹, YIN Xiong¹, ZHOU Yan^1,^*, XIONG Bing², LI Kun², LI Fei³

1. School of Energy and Power Engineering, Xi’an Jiaotong University, Xi’an 710049, China

2. AECC Sichuan Gas Turbine Establishment, Chengdu 610500, China

3. School of Electronic Engineering, Xi’an Shiyou University, Xi’an 710065, China

*Corresponding author

Abstract

When air is entrained into the engine lubricating oil system to form an oil and gas two-phase flow, it will seriously affect the normal operation of the lubrication system. Therefore, it is very important to realize the accurate and rapid measurement of the void fraction of the oil-gas two-phase flow in the engine lubricating oil system. This paper determines the void fraction in the engine lubrication system at the elbow based on the spectral matching method. Firstly, the absorption data of oil-gas two-phase flow were obtained at two flow rates and five temperature conditions, covering a gas content range of 0.10% to 1.00% (with an interval of 0.06%). This was accomplished by utilizing near-infrared, visible, and ultraviolet spectrophotometers, followed by rigorous analysis. It was ascertained that the oil-gas two-phase flow demonstrates absorption across all three wavelengths, with the intensity of absorption being correlated to the gas content. Secondly, the data preprocessing method combined with spectral similarity measure is proposed and applied to the gas content spectral analysis of bent pipe, significantly reducing the maximum relative error of gas content prediction based on the original spectrum. Using data enhancement methods such as center and autoscaling combined with Spectral Angle Cosine methods in the near-infrared spectrum, the maximum relative error of the gas content of the new lubricating oil was reduced from 48% to 36% relative to the original spectrum. The method predicts the void fraction of gas-oil two-phase flow in three bands respectively. The experimental conditions include two flow rates and five temperatures, and the influence of the temperature and flow rate of the two-phase flow on the void fraction prediction is analyzed. At the temperature of 30.0 ℃ and the flow rate of 5.1 m·min^-1, the gas content information in the ultraviolet band (193.5~413.8 nm) is more closely related to the spectral feature of the direction or shape difference of the spectral vector and the maximum relative error of the gas content prediction is only 6%. In the near-infrared and visible bands, the maximum relative error decreases with the increase of temperature or velocity when the flow rate or temperature is constant. There is no specific effect of temperature on the prediction of gas content in the ultraviolet band. With the increase of the two-phase flow rate, the maximum relative error of gas content prediction tends to increase. The results show that for new lubricating oil with good light transmittance, the gas content data is collected by the ultraviolet spectrometer, and the maximum relative error of gas content prediction is minimum by using standardized pretreatment combined with spectral Angle cosine method.

Keyword: Gas-oil two-phase flow; Void fraction; Spectral analysis; Spectral similarity matching

文章图片

引言

弯管为发动机润滑油系统中常见的一种润滑油输送管道结构。研究航空发动机润滑油系统在弯管处的油气两相流含气率检测问题, 可以为航空发动机测试系统提供理论依据。含气率可以反映出两相流的流动结构和流动规律, 其测定对于工业过程的安全监控以及正常运行是十分必要的。因此对于含气率的测量方法, 要求具有准确、快速和操作简便的特点。

光谱法检测含气率的基本原理是Beer-Lambert定律, 作为一种非侵入式方法, 有不易受流型干扰、快速灵敏的优点。光谱相似性测度分析法也叫光谱匹配法, 是一种通过对比不同光谱曲线之间的光谱特征, 如形状、方向的相似性和距离大小等的分析方法, 包括欧式距离、马氏距离、光谱角余弦、相关系数、信息熵等特征参数^[1]。张长兴等^[2]将光谱匹配法与盲元检测相结合, 提高热红外高光谱成像仪的盲元检测精度。张从征等^[3]利用光谱匹配法, 实现多个不同波段LED光源对目标光谱的拟合。李宏达等^[4]利用该方法, 实现对土壤有机碳的含量估算。胡鹏飞等^[5]通过光谱匹配法, 利用人造光源实现太阳光的模拟。王宝明^[6]研究了多种化合物在红外光下的光谱特征, 得到了各个化合物的光谱带宽度和位置, 并对红外辐射材料的光谱特征匹配问题进行了探究。

但是单一的光谱匹配方法只考虑了光谱某一方面的特征, 在样品光谱的单个特征不明显时, 存在光谱识别精度低的问题, 因此不适用于复杂的光谱识别。针对这种问题, 近年来对光谱匹配的综合测度方法有以下研究。安斌等^[7]将光谱角匹配法(spectral angle mapping, SAM)和欧氏距离法相结合, 提出了一种兼顾光谱亮度与光谱方向的距离测度方法, 结果表明该方法的效果比传统分类方法好。闻兵工等^[1]在地物识别中综合考虑光谱的形状以及曲线信息熵特征, 提出了一种新的光谱匹配方法, 结果证明该方法是可行的。孔祥兵等^[8]将光谱向量的大小, 形状和信息量这三种光谱特征进行融合, 提出了一种新的匹配方法(spectral pan-similarity measure, SPM)并成功应用于矿物识别。方圣辉等和张浚哲等^{[9, 10]}提出了一种新方法, 可以适用于不同的光谱影像以及不同的匹配目的, 并且分类识别精度更高。魏祥坡等^[11]采用光谱角余弦和光谱相关系数两者的加权平均, 对地物进行分类。王展等^[12]提出一种采用多元散射校正结合增广拉格朗日的方法减弱光谱数据中的散射噪声影响, 再使用光谱角余弦测度的新方法, 应用于矿物和壁画颜料的识别中。刘益岑等^[13]将光谱匹配法与最小距离匹配相结合, 应用于绝缘子污秽类型检测。杨文宗等^[14]利用光对视觉的感知特性, 提出融合光谱分析与带通能量积分的方法, 用于壁画虚拟修复。郭业才等^[15]将光谱匹配与特征融合相结合, 实现对高光谱图像降维, 从而提取目标的特征的算法, 用于高光谱视频目标跟踪。齐海超等^[16]利用多光谱图像技术实现对马赛克的去除。Riahi等^[17]结合光谱角匹配方法与主成分分析和匹配滤波等方法, 利用遥感卫星图像, 实现对矿物的识别与检测。Paul等^[18]提出一种检测光谱特征细微变化的算法, 实现对食品新鲜程度的检测。Aulich等^[19]针对三结太阳能电池的所有三个子电池系统, 改进光谱表征方法, 并进一步验证该方法在匹配条件之外的相关性。Harati等^[20]将光谱匹配技术用于多阻尼比下的频谱匹配, 并在地震记录等方面取得良好结果。Challagulla等^[21]利用光谱匹配的原理, 对地震的动参数进行研究, 以减小地震造成的经济损失。目前还没有见到将光谱相似性测度技术应用于油气两相流含气率的光谱检测的报道。

光谱相似性测度技术是基于对比不同光谱曲线之间的形状、方向以及距离等特征的方法, 因此不需要考虑光谱强度和含气率之间的线性关系, 而是充分利用丰富的光谱特征信息进行光谱的相似度分析。如果能够将该方法应用于油气两相流含气率的检测, 预计会得到更好的光谱识别结果以及含气率预测结果。基于上述现状, 本工作使用近红外、可见光和紫外光纤光谱仪获取油气两相流含气率吸光度数据, 并提出将数据挖掘技术结合光谱相似性测度方法, 用于发动机润滑油系统弯管处的油气两相流含气率的测量中, 找到一个合适的光谱相似性测度方法对含气率的大小进行准确、快速的预测。重点是不同波段下体现含气率大小信息最为明显的光谱特征, 为航空发动机测试系统提供理论依据。

1 实验部分

1.1 实验原理

光谱吸光度法检测弯管中油气两相流的含气率大小是基于Beer-Lambert定律。该定律描述了从光源发出的一束特定波段范围的光, 在完全覆盖并经过具有一定厚度的均匀待测物后光的强度会发生变化, 这是由于一部分光被待测物吸收, 其中待测物的浓度c、待测物的厚度l和待测物的吸收强度A之间的关系可以用式(1)描述

$A = - \lg \frac{I}{I_{0}} = K \cdot l \cdot c$ (1)

式(1)中: A为待测物的吸收强度; I为出射光强; I₀为入射光强; K为待测物质的吸收系数(与待测物有关); l为待测物的厚度, cm; c为待测物的浓度, g· L^-1。

在本实验中, 待测物的厚度l为弯管处的垂直厚度, 且固定不变; K与待测物有关, 当待研究的润滑油确定后, 油气两相流的吸收系数K也为定值。因此在相同的条件下, 油气两相流的吸收强度A仅与油气两相流含气率的大小有关。以新润滑油为实验对象, 将连续改变的不同波段范围的光, 经过不同含气率大小的油气两相流, 油气两相流会吸收某些波段范围的光, 使其强度发生变化, 则从光谱仪获取的不同吸光度数据能反映出油气两相流中不同含气率大小的信息。

1.2 实验流程

搭建的弯管处的油气两相流含气率测量实验系统如图1所示。

	Figure Option View Download New Window
	图1 实验系统图Fig.1 Experiment system

含气率的大小可以通过式(2)计算

$ε = \frac{V_{t} - V}{V_{t}}$ (2)

式(2)中: ε 为体积含气率, 取流通池与流通回路中含气率的大小相同; V_t为整个流通管道的体积大小, (mL); V为流通管道中所含润滑油的体积, (mL)。

1.3 数据分析

选取新润滑油作为实验对象, 分别在近红外、可见光和紫外波段下, 采集油气两相流含气率在0.10%~1.00%范围内, 间隔0.06%一共16组吸光度数据。实验对象为新润滑油时, 采集工况为2个流速: 5.1和7.7 m· min^-1, 5个温度: 室温(21.0 ℃)、 30.0 ℃、 35.0 ℃、 40.0 ℃和43.6 ℃共10个工况; 每个波段范围下各取16组数据, 组成数据集进行数据分析。图2、图3、图4分别为以新润滑油为实验对象时, 油气两相流在室温(21.0 ℃), 流速5.1 m· min^-1工况下, 含气率为0.10%、 0.28%、 0.46%、 0.58%和0.82%时的近红外波段、可见光波段和紫外光波段的原始光谱吸光度图。其中图(a)和图(b)分别为油气两相流的吸收谱和含气率与各个波长吸光度相关性的R²图。

	Figure Option View Download New Window
	图2 新润滑油在近红外波段的原始吸收光谱和含气率与波长的相关图 (a): 吸收光谱; (b): R²Fig.2 Origin absorbance spectra of new oil in near-infrared band and R² (a): Absorption spectra; (b): R²

	Figure Option View Download New Window
	图3 新润滑油在可见光波段的原始吸收光谱和含气率与波长的相关图 (a): 吸收光谱; (b): R²Fig.3 Origin absorbance spectra of new oil in visible band and R² (a): Absorption spectra; (b): R²

	Figure Option View Download New Window
	图4 新润滑油在紫外光波段的原始吸收光谱和含气率与波长的相关图 (a): 吸收光谱; (b): R²Fig.4 Origin absorbance spectra of new oil in ultraviolet band and R² (a): Absorption spectra; (b): R²

分析可知, 以新润滑油为实验对象时, 不同含气率下的油气两相流在近红外、可见光和紫外波段均有特定波段范围的吸收, 并且吸收强度与含气率的大小有关, 但是吸收强度和含气率大小之间均没有直观的线性相关性, 这是由于在实验过程中, 原始光谱信号会引入较多的噪声信息和光散射信息, 而散射会扭曲油气两相流的吸收强度和含气率之间的线性相关性。因此, 采用基于光谱相似性测度的光谱分析技术, 充分挖掘并利用丰富的光谱特征信息, 进行油气两相流含气率大小的预测。

2 光谱分析

由于采集到的原始光谱信息量巨大, 并且存在较多的噪声信息和光散射等信息, 使得吸收强度和含气率大小之间没有直观的线性相关性, 不能仅仅使用传统的基于Beer-Lambert定律的方法分析油气两相流的光谱数据, 需要采用基于光谱相似性测度的光谱分析技术, 充分挖掘并利用丰富的光谱特征信息, 根据某一特定的光谱特征以及对应的光谱相似性度量函数判断未知含气率大小的光谱与光谱库中各个已知含气率大小的光谱之间的相似性, 选取出与未知含气率大小的光谱相似性最大的参考光谱, 将该参考光谱的含气率值作为待求含气率的大小, 通过设置函数阈值去除预测坏值, 最终实现油气两相流含气率大小的预测。同时, 为了充分挖掘并利用丰富的光谱特征信息, 需要根据实际的光谱数据选择合适的数据降维方法以及数据预处理方法, 以便得到更好的含气率预测效果。

2.1 数据预处理

由实验得到的吸收光谱可以看出, 0.10%~1.00%的边缘范围含气率大小可能由于实验操作不当而导致采集到的吸光度数据有误, 因此为了得到更好的含气率预测效果, 从0.10%~1.00%范围的16组含气率吸光度数据中删除0.10%、 0.16%、 0.94%和1.00%含气率的吸光度数据, 用剩下的12组含气率吸光度数据进行光谱相似性测度分析。选取的预处理方法包括: 归一化、中心化(center), 标准化(autoscaling), S-G卷积平滑, 多元散射校正(MSC), 标准正态变量变换(SNV), 一阶导数和二阶导数。选取主成分分析法即PCA(principal component analysis), 提取有效的光谱特征信息, 去掉冗余信息。

2.2 光谱相似性测度

光谱相似性测度即根据某一特定的光谱特征及对应的度量函数判定测试光谱与参考光谱之间的相似性并根据相似性的大小对测试光谱的类别属性进行划分^[1]。本工作选取的光谱相似性测度方法包括以下四种:

2.2.1 欧氏距离

欧式距离是最常见且较易于理解的一种距离计算方法。在欧几里得空间中连接两个被测样本之间的直线距离即欧氏距离, 其计算公式为式(3)

$D (x, y) = \sqrt[]{\overset{n}{\sum_{i = 1}} (x_{i} - y_{i})^{2}}$ (3)

式(3)中: x_i为向量x的第i个元素; y_i为向量y的第i个元素; n为向量的维数。

需要注意的是, 欧氏距离的计算结果与样本的尺度有关。当样本各个维度方向的尺度不一致时, 欧氏距离的计算效果较差, 一般先使用归一化方法处理原始实验数据; 同时, 欧氏距离的计算结果与样本维度也有关, 当维数过高时, 欧氏距离的作用会越小。因此对原始数据进行预处理后, 一般使用PCA方法减小样本维度大小, 以获得较好的欧氏距离的计算效果。测试光谱与参考光谱之间的欧式距离越小, 其相似性越高。

2.2.2 马氏距离

马氏距离(Mahalanobis distance)是基于总体样本基础上的, 计算该点与这个总体样本分布之间的距离。并且该方法与尺度无关, 保证原始数据的各个维度尺度保持一致。马氏距离的计算公式为式(4)

$D (X, Y) = \sqrt[]{{(X - Y)}^{T} S^{- 1} (X - Y)}$ (4)

式(4)中: X为样本向量; Y为样本向量; S为协方差矩阵。

在计算马氏距离之前, 需要保证数据的样本个数大于数据维数。一般使用PCA方法对原始数据进行降维处理, 保证总体数据协方差矩阵的逆矩阵存在, 进而进行马氏距离的计算。测试光谱与参考光谱之间的马氏距离越小, 其相似性越高。

2.2.3 光谱角余弦

光谱角余弦通常用来描述光谱向量在方向或形状上的差异。两个光谱向量之间的夹角余弦值计算公式为

$\cos θ = \frac{\overset{m}{\sum_{k = 1}} X_{k} Y_{k}}{\sqrt[]{\overset{m}{\sum_{k = 1}} X_{k}^{2}} \sqrt[]{\overset{m}{\sum_{k = 1}} Y_{k}^{2}}}$ (5)

式(5)中: θ 为光谱向量之间的夹角即光谱角, θ ∈ [0, π /2]; X_k为测试光谱中第k个波长的吸光度值; Y_k为参考光谱中第k个波长的吸光度值; m为波长数。

光谱向量之间的夹角余弦值为[0, 1], 且夹角余弦值越大, 光谱之间的相似性越高。

2.2.4 光谱相关系数

光谱相关系数用于描述光谱向量之间的相关程度大小。光谱向量的吸光度均值用式(6)和式(7)计算

${\overset{̅}{T}}_{i} = \frac{1}{n} \overset{n}{\sum_{k = 1}} T_{ik}$ (6)

${\overset{̅}{T}}_{j} = \frac{1}{n} \overset{n}{\sum_{k = 1}} T_{jk}$ (7)

则光谱向量之间的相关系数r_ij的计算公式为

$r_{ij} = \frac{\overset{n}{\sum_{k = 1}} (T_{ik} - {\overset{̅}{T}}_{i}) (T_{jk} - {\overset{̅}{T}}_{j})}{\sqrt[]{\overset{n}{\sum_{k = 1}} (T_{ik} - {\overset{̅}{T}}_{i})^{2}} \sqrt[]{\overset{n}{\sum_{k = 1}} (T_{jk} - {\overset{̅}{T}}_{j})^{2}}}$ (8)

式(8)中: $\overset{̅}{T}$ i, $\overset{̅}{T}$ j分别为光谱的吸光度均值; T_ik 为第i个光谱向量的第k个波长的吸光度值; T_jk为第j个光谱向量的第k个波长的吸光度值; r_ij为光谱向量之间的相关系数; T_i和T_j分别为两个不同的光谱向量; n为波段数。

光谱向量之间相关系数绝对值的大小取[0, 1], 并且该绝对值越大光谱之间越相似。

2.2.5 含气率大小的预测

使用光谱相似性度量函数, 分别求取测试样本集D(k× m)中每一个样本D_i(i=1, 2, …, k)与其对应的参考光谱集R_i中各个样本的相似性测度值, 并设置合理的相似性测度值的阈值, 最后将与测试样本D_i相似性最高的参考光谱所对应的含气率值, 作为样本D_i的含气率大小。

图5所示为应用光谱相似性测度分析进行含气率大小预测的流程图。

	Figure Option View Download New Window
	图5 基于光谱相似性测度预测含气率大小流程图Fig.5 Flow chart of void fraction prediction based on spectral similarity matching

2.3 预测结果的评价指标

采用光谱相似性测度方法得到油气两相流的含气率大小的预测值后, 需要利用一些指标对预测的效果进行评价, 选取的评价指标为相对误差, 计算公式为

$δ = \frac{ε_{p} - ε}{1 %} \times 100 %$ (9)

式(9)中: δ 为相对误差; ε _p为预测含气率值; ε 为计算含气率值即含气率的真实大小。

相对误差δ 越小, 表明含气率的预测效果越好。本工作中由于含气率的采样间隔为0.06%。故最小的δ 为6%。

2.4 不确定度分析

含气率大小测定的不确定度来源主要包括以下三个方面: 重复测量引起的A类不确定度U_Arel、测量整个管道体积时使用量筒量取润滑油引起的不确定度U_B1rel和制备含气率样品时使用移液枪移除部分润滑油引起的不确定度U_B2rel。选择室温21.0 ℃下0.10%~1.00%含气率范围中的某个含气率大小重复测量10次, 使用的500 mL量筒的最大允许误差为± 2.5 mL, 使用的1 mL移液枪的最大允许误差为± 5× 10^-3 mL, 经计算, 含气率的测定结果ε _r可表示为

$ε_{r} = ε \pm 0.03 %$ (10)

3 新润滑油含气率光谱分析

3.1 含气率光谱相似性测度结果对比

在近红外光下, 分别使用欧氏距离、马氏距离、光谱角余弦、光谱相关系数等四种光谱相似性测度方法进行含气率预测的结果如表所示。从表1中可以看出, 在近红外波段, 油气两相流的含气率大小信息主要体现在光谱向量的方向或形状差异这一光谱特征。

表1 近红外波段下基于不同方法的含气率预测结果 Table 1 The prediction of void fraction based on different methods in near-infrared band

可见光波段下基于四种光谱相似性测度方法的含气率预测对比结果如表2所示。可以看出, 在该波段以新润滑油为实验对象时, 油气两相流的含气率大小信息所表现的光谱特征为光谱之间的直线距离大小。

表2 可见光波段下基于不同方法的含气率预测结果 Table 2 The prediction of void fraction based on different methods in visible band

紫外波段下基于四种光谱相似性测度方法的含气率预测对比结果如表3所示。从表中可以看出, 在紫外波段, 油气两相流的含气率大小信息主要体现在光谱向量的方向或形状差异这一光谱特征上。并且使用光谱角余弦方法的含气率预测最大相对误差比近红外和可见光波段的都小, 这表明油气两相流的含气率信息在紫外光波段范围(193.5~413.8 nm)与光谱向量的方向或形状差异这一光谱特征的联系更为紧密。

表3 紫外波段下基于不同方法的含气率预测结果 Table 3 The prediction of void fraction based on different methods in ultraviolet band

3.2 温度和流速对含气率光谱分析的影响

为了研究光谱相似性测度方法对于不同温度以及流速下的油气两相流含气率预测的适应性, 选取5个温度: 室温(21.0 ℃)、 30.0 ℃、 35.0 ℃、 40.0 ℃和43.6 ℃, 2个流速: 5.1和7.7 m· min^-1共10个工况下的油气两相流的吸光度数据进行光谱分析。

依据3.1节分析结果, 对近红外波段下均采用标准化预处理结合光谱角余弦方法, 可见光波段下均采用归一化结合欧氏距离方法, 紫外波段下均采用标准化预处理结合光谱角余弦方法, 分别对10个工况的含气率大小进行预测并对比, 其结果如表4, 表5和表6所示。

表4 近红外波段不同工况下的含气率预测效果对比 Table 4 The comparison of void fraction prediction based on different conditions in near-infrared band

表5 可见光波段不同工况下的含气率预测效果对比 Table 5 The comparison of void fraction prediction based on different conditions in visible band

表6 紫外波段不同工况下的含气率预测效果对比 Table 6 The comparison of void fraction prediction based on different conditions in ultraviolet band

可以看出, 在近红外波段, 两相流的流速固定不变时, 随着温度的升高, 含气率预测的最大相对误差在减小; 其中温度为最高温度43.6 ℃时, 流速7.7 m· min^-1下的含气率预测最大相对误差为24%, 小于流速5.1 m· min^-1下的30%。同样的, 除了室温21.0 ℃, 在其他4个温度, 随着两相流流速增加, 最大相对误差均在减小; 在可见光波段, 流速为5.1 m· min^-1时, 温度30.0和40.0 ℃下的含气率预测最大相对误差为18%, 小于其他三个温度的最大相对误差; 流速为7.7 m· min^-1时, 温度43.6 ℃下的含气率预测最大相对误差为12%, 小于其他四个温度的最大相对误差。除了温度30.0和40.0 ℃, 在其他3个温度, 随着两相流流速增加, 含气率预测的最大相对误差均在减小; 紫外波段下流速为5.1 m· min^-1不变时, 温度30.0 ℃的含气率预测的最大相对误差为6%, 小于其他四个温度的最大相对误差; 流速为7.7 m· min^-1不变时, 温度30.0和43.6 ℃的含气率预测的最大相对误差为18%, 小于其他三个温度的最大相对误差。除了43.6 ℃, 在其他4个温度, 随着两相流流速增加, 含气率预测的最大相对误差均在增大。由此可见, 温度对三个波段下的油气两相流含气率预测效果均有影响。尤其是在室温(21.0 ℃)时, 预测效果相对较差。

4 结论

(1)弯管处的油气两相流在0.10%~1.00%含气率范围下, 两相流的流型主要为泡状流, 气泡大小均匀且较小。随着含气率增加, 气泡数量增多, 形成少数较大尺寸的气泡。

(2)弯管处的油气两相流在近红外、可见光和紫外波段均有吸收, 吸收强度与含气率的大小有关。然而原始光谱数据由于引入较多无用信息和光散射信息, 使得波长变量和吸光度之间的相关性降低。

(3)油气两相流的吸光度数据中存在的主要问题为数据中心不明显和散射噪声信息较多。在近红外波段, 对于新润滑油, 通过使用数据增强方法如中心化和标准化以及多元散射校正(MSC)方法, 使得含气率预测的最大相对误差相对于原始光谱从48%降低到36%。

(4)在紫外波段(193.5~413.8 nm), 使用光谱角余弦方法的含气率预测效果相较于欧氏距离、马氏距离、光谱相关系数方法的效果较好, 最大相对误差仅为6%, 在近红外波段(1 000.6~2 473.2 nm)预测的最大相对误差为36%; 这表明油气两相流的含气率信息在紫外波段范围与光谱特征的联系更为紧密, 并且油气两相流的含气率大小信息主要体现在光谱向量的方向或形状差异这一光谱特征。在近红外和可见光波段, 流速一定时, 含气率预测的最大相对误差随着温度的升高而有减小的趋势; 并且温度一定时, 随着流速增加, 含气率预测的最大相对误差有减小的趋势; 紫外波段下温度对含气率没有特定的影响规律, 随着两相流流速的增加, 含气率预测的最大相对误差有增大的趋势。

参考文献

文献列表

[1]	WEN Bing-gong, FENG Wu-fa, LIU Wei, et al(闻兵工, 冯伍法, 刘伟, 等). Journal of Geomatics Science and Technology(测绘科学技术学报), 2009, 26(2): 128. [本文引用:3]
[2]	ZHANG Chang-xing, LIU Cheng-yu, QI Hong-xing, et al(张长兴, 刘成玉, 亓洪兴, 等). Infrared and Laser Engineering(红外与激光工程), 2020, 49(1): 124. [本文引用:1]
[3]	ZHANG Cong-zheng, XU Yi-qin, GU Zhi-liang, et al(张从征, 许毅钦, 古志良, 等). Materials Research and Application(材料研究与应用), 2019, 13(1): 48. [本文引用:1]
[4]	LI Hong-da, LI De-cheng, ZENG Rong(李宏达, 李德成, 曾荣). Acta Pedologica Sinica(土壤学报), 2021, 58(5): 1224. [本文引用:1]
[5]	HU Peng-fei, WANG Guang-cai, WANG Jing, et al(胡鹏飞, 王广才, 王静, 等). Automation & Instrumentation(自动化与仪器仪表), 2020, (7): 85. [本文引用:1]
[6]	WANG Bao-ming(王宝明). Journal of Hebei University(Natural Science Edition)[河北大学学报(自然科学版)], 1992, 12(4): 75. [本文引用:1]
[7]	AN Bin, CHEN Shu-hai, YAN Wei-dong(安斌, 陈书海, 严卫东). Chinese Journal of Stereology and Image Analysis(中国体视学与图像分析), 2005, 10(1): 55. [本文引用:1]
[8]	KONG Xiang-bing, SHU Ning, TAO Jian-bin, et al(孔祥兵, 舒宁, 陶建斌, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2011, 31(8): 2166. [本文引用:1]
[9]	FANG Sheng-hui, GONG Hao(方圣辉, 龚浩). Geomatics and Information Science of Wuhan University(武汉大学学报·信息科学版), 2006, 31(12): 1044. [本文引用:1]
[10]	ZHANG Jun-zhe, ZHU Wen-quan, DONG Yan-sheng, et al(张浚哲, 朱文泉, 董燕生, 等). Acta Geodaetica et Cartographica Sinica(测绘学报), 2013, 42(3): 418. [本文引用:1]
[11]	WEI Xiang-po, YU Xu-chu, FU Qiong-ying, et al(魏祥坡, 余旭初, 付琼莹, 等). Geography and Geo-Information Science(地理与地理信息科学), 2016, 32(3): 29. [本文引用:1]
[12]	WANG Zhan, WANG Ke, WANG Wei-chao(王展, 王可, 王伟超). Laser & Optoelectronics Progress(激光与光电子学进展), 2019, 56(2): 217. [本文引用:1]
[13]	LIU Yi-cen, LIU Xi, YANG Lin, et al(刘益岑, 刘曦, 杨琳, 等). The Journal of Light Scattering(光散射学报), 2023, 35(3): 296. [本文引用:1]
[14]	YANG Wen-zong, TANG Xing-jia, ZHANG Peng-chang, et al(杨文宗, 唐兴佳, 张朋昌, 等). Sciences of Conservation and Archaeology(文物保护与考古科学), 2023, 35(4): 11. [本文引用:1]
[15]	GUO Ye-cai, CAO Jia-lu, HAN Ying-ying, et al(郭业才, 曹佳露, 韩莹莹, 等). Acta Optica Sinica(光学学报), 2023, 43(20): 152. [本文引用:1]
[16]	QI Hai-chao, SONG Yan-song, ZHANG Bo, et al(齐海超, 宋延嵩, 张博, 等). Chinese Optics(中国光学), 2023, 16(5): 1056. [本文引用:1]
[17]	Riahi S, Bahroudi A, Abedi M, et al. Geocarto International, 2023, 38(1): 2159068. [本文引用:1]
[18]	Paul R, Chakravortty S, Maitra S, et al. Journal of Food Science and Technology, 2024, 61(7): 1334. [本文引用:1]
[19]	Aulich J, Chojniak D, Bett A J, et al. Solar RRL, 2024, 8: 2300783. [本文引用:1]
[20]	Harati M, Mashayekhi M, Mohammadnezhad H, et al. Earthquakes and Structures, 2021, 21(4): 425. [本文引用:1]
[21]	Challagulla S P, Bhavani B D, Suluguru A K, et al. Current Science, 2023, 124(8): 928. [本文引用:1]

2009

0.0

... 光谱相似性测度分析法也叫光谱匹配法, 是一种通过对比不同光谱曲线之间的光谱特征, 如形状、方向的相似性和距离大小等的分析方法, 包括欧式距离、马氏距离、光谱角余弦、相关系数、信息熵等特征参数^[1] ...

... 闻兵工等^[1]在地物识别中综合考虑光谱的形状以及曲线信息熵特征, 提出了一种新的光谱匹配方法, 结果证明该方法是可行的 ...

... 2 光谱相似性测度光谱相似性测度即根据某一特定的光谱特征及对应的度量函数判定测试光谱与参考光谱之间的相似性并根据相似性的大小对测试光谱的类别属性进行划分^[1] ...

2020

0.0

... 张长兴等^[2]将光谱匹配法与盲元检测相结合, 提高热红外高光谱成像仪的盲元检测精度 ...

2019

0.0

... 张从征等^[3]利用光谱匹配法, 实现多个不同波段LED光源对目标光谱的拟合 ...

2021

0.0

... 李宏达等^[4]利用该方法, 实现对土壤有机碳的含量估算 ...

2020

0.0

... 胡鹏飞等^[5]通过光谱匹配法, 利用人造光源实现太阳光的模拟 ...

1992

0.0

... 王宝明^[6]研究了多种化合物在红外光下的光谱特征, 得到了各个化合物的光谱带宽度和位置, 并对红外辐射材料的光谱特征匹配问题进行了探究 ...

2005

0.0

... 安斌等^[7]将光谱角匹配法(spectral angle mapping, SAM)和欧氏距离法相结合, 提出了一种兼顾光谱亮度与光谱方向的距离测度方法, 结果表明该方法的效果比传统分类方法好 ...

2011

0.0

... 孔祥兵等^[8]将光谱向量的大小, 形状和信息量这三种光谱特征进行融合, 提出了一种新的匹配方法(spectral pan-similarity measure, SPM)并成功应用于矿物识别 ...

2006

0.0

... 方圣辉等和张浚哲等^[9,10]提出了一种新方法, 可以适用于不同的光谱影像以及不同的匹配目的, 并且分类识别精度更高 ...

2013

0.0

... 方圣辉等和张浚哲等^[9,10]提出了一种新方法, 可以适用于不同的光谱影像以及不同的匹配目的, 并且分类识别精度更高 ...

2016

0.0

... 魏祥坡等^[11]采用光谱角余弦和光谱相关系数两者的加权平均, 对地物进行分类 ...

2019

0.0

... 王展等^[12]提出一种采用多元散射校正结合增广拉格朗日的方法减弱光谱数据中的散射噪声影响, 再使用光谱角余弦测度的新方法, 应用于矿物和壁画颜料的识别中 ...

2023

0.0

... 刘益岑等^[13]将光谱匹配法与最小距离匹配相结合, 应用于绝缘子污秽类型检测 ...

2023

0.0

... 杨文宗等^[14]利用光对视觉的感知特性, 提出融合光谱分析与带通能量积分的方法, 用于壁画虚拟修复 ...

2023

0.0

... 郭业才等^[15]将光谱匹配与特征融合相结合, 实现对高光谱图像降维, 从而提取目标的特征的算法, 用于高光谱视频目标跟踪 ...

2023

0.0

... 齐海超等^[16]利用多光谱图像技术实现对马赛克的去除 ...

2023

0.0

... Riahi等^[17]结合光谱角匹配方法与主成分分析和匹配滤波等方法, 利用遥感卫星图像, 实现对矿物的识别与检测 ...

2024

0.0

... Paul等^[18]提出一种检测光谱特征细微变化的算法, 实现对食品新鲜程度的检测 ...

2024

0.0

... Aulich等^[19]针对三结太阳能电池的所有三个子电池系统, 改进光谱表征方法, 并进一步验证该方法在匹配条件之外的相关性 ...

2021

0.0

... Harati等^[20]将光谱匹配技术用于多阻尼比下的频谱匹配, 并在地震记录等方面取得良好结果 ...

2023

0.0

... Challagulla等^[21]利用光谱匹配的原理, 对地震的动参数进行研究, 以减小地震造成的经济损失 ...