多相流參數(shù)檢測(cè)理論及其應(yīng)用

前言
第1章 緒論
1.1 多相流概述
1.1.1 多相流體的定義
1.1.2 多相流體的分類
1.2 多相流主要測(cè)量參數(shù)及分類
1.2.1 主要測(cè)量參數(shù)
1.2.2 測(cè)量參數(shù)分類
1.3 多相流研究方法與研究模型
1.3.1 多相流研究方法
1.3.2 多相流研究模型
1.4 多相流參數(shù)檢測(cè)
1.4.1 多相流參數(shù)檢測(cè)的研究意義
1.4.2 多相流參數(shù)檢測(cè)的研究現(xiàn)狀
1.4.3 氣液兩相流檢測(cè)的發(fā)展趨勢(shì)
參考文獻(xiàn)
第2章 多相流相含率、壓降、液膜厚度和旋渦脫落頻率的測(cè)量
2.1 多相流分相含率的測(cè)量
2.1.1 基于雙能射線法對(duì)油氣水多相流分相含率的測(cè)量
2.1.2 基于電阻層析成像技術(shù)對(duì)氣液兩相流分相含率的測(cè)量
2.1.3 基于光纖探針法對(duì)氣液兩相流含氣率的測(cè)量
2.1.4 基于電導(dǎo)探針法對(duì)含氣率的測(cè)量
2.1.5 小結(jié)
2.2 多相流壓降的測(cè)量
2.3 液膜厚度的測(cè)量
2.3.1 X射線衰減法
2.3.2 定電流法
2.4 氣液兩相繞流柱體旋渦脫落頻率的檢測(cè)
2.4.1 表面摩擦法
2.4.2 管壁壓差法
2.5 結(jié)語
參考文獻(xiàn)
第3章 基于波動(dòng)信號(hào)識(shí)別氣液兩相流流型理論及應(yīng)用
3.1 基于壓差波動(dòng)法識(shí)別氣液兩相流流型
3.1.1 壓差法原理
3.1.2 系統(tǒng)結(jié)構(gòu)
3.1.3 信號(hào)獲取
3.1.4 實(shí)驗(yàn)噪聲分析
3.1.5 實(shí)驗(yàn)測(cè)得的壓差波動(dòng)信號(hào)及分析
3.1.6 壓差波動(dòng)信號(hào)中噪聲的辨識(shí)
3.1.7 基于小波分析方法的噪聲處理
3.2 基于電導(dǎo)波動(dòng)法識(shí)別氣液兩相流流型
3.2.1 實(shí)驗(yàn)系統(tǒng)
3.2.2 實(shí)驗(yàn)測(cè)得的壓差波動(dòng)信號(hào)及分析
3.3 基于壓力波動(dòng)法識(shí)別氣液兩相流
3.3.1 實(shí)驗(yàn)系統(tǒng)
3.3.2 實(shí)驗(yàn)測(cè)得的壓力波動(dòng)信號(hào)及分析
3.3.3 基于小波消噪閾值方法對(duì)信號(hào)的處理
3.4 氣液兩相流波動(dòng)信號(hào)的特征提取
3.4.1 基于小波包變換的流型特征提取
3.4.2 基于混沌分析技術(shù)的流型特征提取
3.4.3 基于希爾伯特一黃變換的流型特征提取
3.4.4 基于WvD變換的流型特征分析
3.4.5 基于功率譜的流型特征分析
3.4.6 基于功率譜密度函數(shù)(PSD)的特征提取
3.5 流型的識(shí)別模型
3.5.1 Elman神經(jīng)網(wǎng)絡(luò)模型
3.5.2 徑向基函數(shù)網(wǎng)絡(luò)模型
3.5.3 概率神經(jīng)網(wǎng)絡(luò)模型
3.5.4 Kohonen神經(jīng)網(wǎng)絡(luò)的識(shí)別模型
3.5.5 基于支持向量機(jī)模型的流型識(shí)別
3.5.6 基于隱馬爾可夫模型的流型識(shí)別
3.6 壓力與壓差信號(hào)對(duì)比分析
3.6.1 高階統(tǒng)計(jì)量的定義
3.6.2 四種典型流型壓差信號(hào)的雙譜變換
3.6.3 四種典型流型壓力信號(hào)的雙譜變換
3.7 結(jié)語
參考文獻(xiàn)
第4章 基于數(shù)字圖像處理技術(shù)識(shí)別氣液兩相流流型理論及應(yīng)用
4.1 氣液兩相流流型圖像信號(hào)的獲取
4.1.1 實(shí)驗(yàn)系統(tǒng)及步驟
4.1.2 圖像采集系統(tǒng)的選取
4.1.3 兩相流圖像信號(hào)的獲取及分析
4.1.4 流型圖像的噪聲分析及處理
4.2 氣液兩相流流型圖像信號(hào)的特征提取
4.2.1 基于灰度直方圖的流型圖像特征提取
4.2.2 基于不變矩的流型圖像特征提取
4.2.3 基于灰度共生矩陣的流型圖像特征提取
4.2.4 小波變換的流型圖像特征提取
4.2.5 基于小波包變換的流型圖像特征提取
4.3 流型的神經(jīng)網(wǎng)絡(luò)識(shí)別模型
4.3.1 基于BP神經(jīng)網(wǎng)絡(luò)的流型識(shí)別
4.3.2 基于Elman神經(jīng)網(wǎng)絡(luò)的流型識(shí)別
4.3.3 基于概率神經(jīng)網(wǎng)絡(luò)的流型識(shí)別
4.4 結(jié)語
參考文獻(xiàn)
第5章 基于數(shù)字圖像處理技術(shù)的氣液兩相容積含氣率檢測(cè)理論及應(yīng)用
5.1 垂直上升管內(nèi)氣液兩相泡狀流的圖像信號(hào)的獲取
5.1.1 實(shí)驗(yàn)系統(tǒng)及步驟
5.1.2 圖像采集系統(tǒng)
5.1.3 試驗(yàn)噪聲分析
5.1.4 泡狀流圖像的獲取
5.2 泡狀流圖像處理方法
5.2.1 圖像預(yù)處理
5.2.2 圖像分割
5.2.3 氣泡區(qū)域填充
5.2.4 氣泡區(qū)域標(biāo)定
5.3 容積含氣率的計(jì)算
5.3.1 氣泡尺寸
5.3.2 容積含氣率
5.3.3 實(shí)驗(yàn)結(jié)果與分析
5.4 結(jié)語
參考文獻(xiàn)
第6章 基于連續(xù)圖像灰度時(shí)間序列的油氣水三相流流型檢測(cè)理論及應(yīng)用
6.1 油氣水三相流流型圖像信號(hào)的獲取
6.1.1 實(shí)驗(yàn)系統(tǒng)及步驟
6.1.2 圖像采集系統(tǒng)的選取
6.1.3 三相流圖像信號(hào)的獲取及分析
6.1.4 流型圖像的噪聲分析及處理
6.1.5 灰度時(shí)間序列的構(gòu)成
6.2 油氣水三相流流型時(shí)間序列的特性分析及特征提取
6.2.1 延遲時(shí)間的計(jì)算
6.2.2 基于HURST指數(shù)的特性分析
6.2.3 基于關(guān)聯(lián)維的特性分析
6.2.4 基于混沌吸引子的特性分析
6.2.5 時(shí)頻域特征分析
6.2.6 混沌特征的提取
6.3 流型的識(shí)別模型
6.3.1 基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的流型識(shí)別
6.3.2 基于改進(jìn)支持向量機(jī)的流型識(shí)別
6.4 結(jié)語
參考文獻(xiàn)
第7章 流化床氣固兩相流流型檢測(cè)理論及應(yīng)用
7.1 氣固兩相流圖像信號(hào)及壓力波動(dòng)信號(hào)的獲取
7.1.1 圖像獲取的實(shí)驗(yàn)系統(tǒng)及步驟
7.1.2 流型圖像的預(yù)處理
7.1.3 壓力信號(hào)獲取的實(shí)驗(yàn)系統(tǒng)及步驟
7.2 流型圖像的特征提取
7.2.1 灰度直方圖統(tǒng)計(jì)特征的提取
7.2.2 圖像的傅里葉變換紋理特征的提取
7.2.3 圖像的小波紋理特征的提取
7.2.4 圖像的多重分形特征的提取
7.3 壓力波動(dòng)信號(hào)的特征提取
7.3.1 EMD能量特征的提取
7.3.2 基于混沌理論特征的提取
7.3.3 統(tǒng)計(jì)參數(shù)特征的提取
7.4 流型的神經(jīng)網(wǎng)絡(luò)識(shí)別模型
7.4.1 基于概率神經(jīng)網(wǎng)絡(luò)(PNN)的流型識(shí)別
7.4.2 基于Elman神經(jīng)網(wǎng)絡(luò)的流型識(shí)別
7.4.3 基于遺傳神經(jīng)網(wǎng)絡(luò)的流型識(shí)別
7.4.4 基于人工魚群算法的BP神經(jīng)網(wǎng)絡(luò)
7.5 結(jié)語
參考文獻(xiàn)
第8章 基于DPIV和DPTV法對(duì)流場(chǎng)及流速的測(cè)量
8.1 DPIV測(cè)速法測(cè)量流速
8.1.1 基本相關(guān)算法
8.1.2 FFT快速相關(guān)法
8.2 PTV測(cè)速法測(cè)量流速
8.2.1 PTV算法的基本原理
8.2.2 PTV法測(cè)量的結(jié)果
8.2.3 PTV法與DPIV法測(cè)量結(jié)果的對(duì)比
8.3 含氣率的計(jì)算
8.4 結(jié)語
參考文獻(xiàn)