No abstract

In experimentellen Versuchen wurde die Genauigkeit eines Leitfähigkeits‐Gittersensors mit einer zeitlichen und räumlichen Auflösung von 5 kHz und 4,8 mm in Bezug auf die Bestimmung von Blasengrößen untersucht. Als Referenzwert werden einzelne Luftblasen definierten Gasvolumens im Größenbereich von 2 – 12 mm in eine ruhende Flüssigkeit aufgegeben. Die Ergebnisse zeigen eine erhöhte Messunsicherheit für Blasen, deren Durchmesser kleiner als die Auflösung des Gitternetzes ist. Die ermittelte Blasengröße hängt in diesem Fall stark von der örtlichen Position der aufsteigenden Gasblasen im Gitternetz ab.

Two Machine Learning algorithms -LASSO and Random Forest -are applied to derive regression models for the prediction of gas bubble diameters using supervised learning techniques. Experimental data obtained from wire-mesh sensor (WMS) measurements in a deionized water/air system serve as the data base. Python libraries are used to extract features characterizing WMS measurement signals of single passing bubbles. Prediction accuracy is largely increased with the obtained regression models, compared to well-established methods to predict bubble sizes based on WMS measurements.