Classification of natural circulation two-phase flow image patterns based on self-organizing maps of full frame DCT coefficients

Mesquita, Roberto Navarro de; Castro, Leonardo F.; Torres, Walmir M.; Rocha, Marcelo da Silva; Umbehaun, Pedro E.; Andrade, Delvonei Alves de; Sabundjian, Gaiane; Masotti, P.

doi:10.1016/j.nucengdes.2018.05.019

Cited by 12 publications

(6 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The winning neuron generates an output signal, while others generate 0. The winning neuron and its nearest neighbors are the only neurons that can learn to present the pattern or can adjust their weights [37,38].…”

Section: Self-organizing Mapmentioning

confidence: 99%

Boiling Flow Pattern Identification Using a Self-Organizing Map

Zaborowska¹,

Grzybowski²,

Mosdorf³

2020

Applied Sciences

View full text Add to dashboard Cite

In the paper, a self-organizing map combined with the recurrence quantification analysis was used to identify flow boiling patterns in a circular horizontal minichannel with an inner diameter of 1 mm. The dynamics of the pressure drop during density-wave oscillations in a single pressure drop oscillations cycle were considered. It has been shown that the proposed algorithm allows us to distinguish five types of non-stationary two-phase flow patterns, such as bubble flow, confined bubble flow, wavy annular flow, liquid flow, and slug flow. The flow pattern identification was confirmed by images obtained using a high-speed camera. Taking into consideration the oscillations between identified two-phase flow patterns, the four boiling regimes during a single cycle of the long-period pressure drop oscillations are classified. The obtained results show that the proposed combination of recurrence quantification analysis (RQA) and a self-organizing map (SOM) in the paper can be used to analyze changes in flow patterns in non-stationary boiling. It seems that the use of more complex algorithms of neural networks and their learning process can lead to the automation of the process of identifying boiling regimes in minichannel heat exchangers.

show abstract

Section: Self-organizing Mapmentioning

confidence: 99%

Boiling Flow Pattern Identification Using a Self-Organizing Map

Zaborowska¹,

Grzybowski²,

Mosdorf³

2020

Applied Sciences

View full text Add to dashboard Cite

show abstract

“…The most common used machine learning method to recognize flow patterns is the artificial neural network (ANN). To obtain effective recognition and prediction results, researchers try to employ different kind topology such as Feed Forward Neural Networks [12] self-organizing neural network [13], Multiple Layer Perceptron [14], et. al.…”

Section: Introductionmentioning

confidence: 99%

Oil-in-Water Two-Phase Flow Pattern Identification From Experimental Snapshots Using Convolutional Neural Network

Yin

Chen

et al. 2019

IEEE Access

View full text Add to dashboard Cite

The flow pattern is one of the most significant parameters in modeling the oil-water two-phase system. How to extract efficient and objective features to precisely identify the oil-water two-phase flow patterns is still a significant issue. Inspired by the deep learning hierarchically feature extraction way, we, in this paper, employ convolutional neural networks (CNNs) to identify oil-water two-phase flow patterns. First, we carry out oil-water two-phase flow experiment and collect different oil-water flow pattern images. Then, we propose an image segment algorithm based on the minimum gray level to obtain the interest region that reflects the flow pattern characteristics. Finally, we employ three frequently used CNNs, LeNet-5, AlexNet, and VGG-16 net, to extract the image features and identify typical oil-water two-phase flow patterns. The results show that networks with more deep structures preserve relatively high flow pattern recognition accuracy. This paper provides a novel application of the deep learning method for the oil-water two-phase flow identification. INDEX TERMS Fluid flow, image classification, machine learning, neural networks.

show abstract

“…No topo da perna quente, o vapor conduzido em formato de bolhas vai se acumulando no componente superior do circuito. Durante essa primeira etapa, as bolhas vão aumentando em número e volume até formar um padrão de escoamento bem denso de bolhas (DE MESQUITA et al, 2018).…”

Section: Formação Da Base De Dadosunclassified

“…Nessa etapa também ocorre um aumento da pressão e aumento no nível do tanque de expansão, atingindo o seu valor máximo (DE MESQUITA et al, 2018) (ANDRADE et al, 2000.…”

Section: Formação Da Base De Dadosunclassified

“…Foi desenhado para estudar fenômenos termo-hidráulicos relacionados aos escoamentos monofásico e bifásico sob pressão atmosférica (DE MESQUITA et al, 2018). O fluido utilizado neste circuito experimental é água, e esse aparato, por ser constituído de tubos de vidro, permite o estudo visual (por imagens) do comportamento dinâmico destes padrões de escoamento.…”

Section: Introductionunclassified

See 1 more Smart Citation

Classificação de padrões de escoamento bifásico por meio de redes neurais convolucionais

Schott¹

View full text Add to dashboard Cite

VI RESUMO SCHOTT, Sandro. M. C. Classificação de padrões de escoamento bifásico por meio de redes neurais convolucionais. 142 p. Dissertação (Mestrado em Tecnologia Nuclear) Instituto de Pesquisas Energéticas e Nucleares -IPEN-CNEN/SP. São Paulo. Sistemas passivos, como circulação natural, têm sido cada vez mais utilizados para refrigeração de reatores nucleares. A capacidade de um fluido de transferir calor está fortemente relacionada com seu padrão de escoamento, especialmente quando em escoamento bifásico. Estes padrões vêm sendo utilizados em experimentos e modelos de predição de parâmetros que medem esta capacidade. Uma das técnicas não invasivas que vêm sendo utilizadas é a automatização da determinação do padrão de escoamento por meio de imagens. Este trabalho aplicou Redes Neurais Convolucionais para a classificação de imagens de diferentes padrões de escoamento bifásico relacionados à instabilidade chugging da circulação natural. Estas redes, que têm sido o estado-da-arte em classificação de imagens, não se baseiam em características pré-escolhidas, permitindo investigação de novas características para essa tarefa. São comparadas arquiteturas destas redes com diferentes graus de complexidade. Atualmente, a aplicação destas redes ao problema de escoamento bifásico é uma área pouco explorada.No subconjunto de teste, foi obtido um F1-Score médio ponderado de 0,99 e uma acurácia de 99,5%. Os resultados do trabalho mostram que as redes neurais convolucionais apresentam um bom desempenho preditivo e que detêm recursos ainda não explorados para fins de classificação de padrões em imagens de escoamento bifásico.

show abstract

Classification of natural circulation two-phase flow image patterns based on self-organizing maps of full frame DCT coefficients

Cited by 12 publications

References 25 publications

Boiling Flow Pattern Identification Using a Self-Organizing Map

Boiling Flow Pattern Identification Using a Self-Organizing Map

Oil-in-Water Two-Phase Flow Pattern Identification From Experimental Snapshots Using Convolutional Neural Network

Classificação de padrões de escoamento bifásico por meio de redes neurais convolucionais

Contact Info

Product

Resources

About