低温气液两相流流型识别及相关测量技术

介绍了目前高沸点液体气液两相流流型识别常用的理论和方法 ,并分析了它们在低温气液两相流型识别中的适用性 ;同时介绍了可用于低温气液两相流流型识别的相关测量仪器。最后指出 ,低温下气液两相流流型的研究及测试技术远没有完善 ,应积极开发基于物理机制的研究方法。     

气液两相流电导波动信号复杂性测度分析及其流型表征

为了考察从时间序列提取的复杂性测度与气液两相流流型变化之间的关系，本文首先讨论了三种复杂性测度(Lempel-Ziv复杂性、功率谱熵和近似熵)对周期信号、随机信号、混合随机信号和混沌信号的识别能力，然后分析了时间序列长度对复杂性计算的影响.在此基础上，从实际测量的80种垂直上升管中气液两相流电导波动信号中提取了这三种复杂性测度，结果表明：三种复杂度对两相流流型变化是敏感的，通过对三种复杂度随两相流流动参数变化规律分析，可以得到气液两相流动力学结构反演特征，为揭示气液两相流流型转化机理提供了一种有效的辅助诊断工具. 关键词： 气液两相流 Lempel和Ziv复杂性 功率谱熵 近似熵     

摇摆对竖直管内气-水两相流流型的影响分析

本文分别在摇摆和非摇摆状态下,对竖直管内气-水两相流流型进行了实验研究.实验发现,摇摆状态下充分发展的两相流流型主要是泡状流、弹状流、搅混流和环状流.根据实验数据,分别绘出了两种状态下的气液两相流流型图.通过对比发现,摇摆对两相流流型之间的转换边界有明显影响,并分析了摇摆对流型转变影响的原因.     

基于混沌吸引子形态特性的两相流流型分类方法研究

利用高灵敏度差压传感器，在垂直上升管中采集到了80组气液两相流差压波动信号.利用放置参考截面的方法，建立了描述混沌吸引子形态的一般方法，在此基础上，提出了不同维数下的吸引子形态特征量进行组合的气液两相流流型分类新方法.研究结果表明：该方法对包括复杂过渡流型在内的气液两相流流型有很好分类效果，预示着混沌吸引子形态描述是研究非线性时间序列的实用有效途径. 关键词： 气液两相流 流型分类 吸引子形态 混合维     

粗糙集理论在气液两相流流型识别中的应用

在提取气液两相流流型压差波动特征的基础上,提出了基于粗糙集理论和最小二乘支持向量机的流型识别方法。首先,基于粗糙集理论对流型决策表进行属性约简,然后在最优决策属性的基础上使用最小二乘支持向量机分类器对流型进行识别。以水平管内空气-水两相流流型识别为例,说明了该方法的具体实现过程。实际识别结果验证了采用粗糙集的特征约简方法对流型进行识别的可行性和有效性。     

两相流流型复杂网络社团结构及其统计特性

利用气液两相流电导波动信号构建了流型复杂网络. 基于K均值聚类的社团探寻算法对该网络的社团结构进行了分析,发现该网络存在分别对应于泡状流、段塞流及混状流的三个社团,并且两个社团间联系紧密的点分别对应于相应的过渡流型. 基于复杂网络理论从全新的角度探讨了两相流流型复杂网络社团结构及统计特性问题,并取得了满意的流型识别效果,与此同时,在对该网络特性进一步分析的基础上,发现了对两相流流动参数变化敏感的相关复杂网络统计量,为更好地理解两相流流型动力学特性提供了参考. 关键词： 两相流流型 复杂网络 社团探寻算法 网络统计特性     

水平管气液螺旋流流型辨识及压降波动研究

本文通过实验研究了水平管中叶片式起旋器引发的气液螺旋流流型及压降规律.采用背光成像法拍摄了流型并记录了压降波动情况.在该实验范围内观察到4种气液螺旋流流型:螺旋泡状流、螺旋气柱流、螺旋间歇流和螺旋环状流,并结合压降的概率密度函数(PDF)曲线图分析了各流型特点.同时研究了来流雷诺数及相分布对起旋器下游螺旋流流型的影响,...     

脉冲星信号的经验模态分解模态单元比例萎缩消噪算法

针对脉冲星信号的消噪问题, 提出了一种基于模态单元比例萎缩的经验模态分解(EMD)消噪方法. 利用经验模态分解将含噪脉冲星信号分解为一组内蕴模态函数(IMF), 将IMF中两个过零点间的部分定义为模态单元, 以模态单元为基本单位构造最优比例萎缩因子, 对IMF中的每个模态单元进行比例萎缩去噪, 进而建立基于模态单元比例萎缩的脉冲星信号滤波模型.对含噪脉冲星信号进行了消噪实验分析, 实验结果表明, 与小波硬阈值消噪法、比例萎缩小波消噪法和基于模态单元阈值的EMD消噪法相比, 该方法可以更有效地去除脉冲星信号中的噪声, 同时更好地保留了原信号中的有用细节信息. 关键词： 经验模态分解 脉冲星信号 模态单元比例萎缩 消噪     

噪声模态单元预判的经验模态分解脉冲星信号消噪

为了改善脉冲星辐射脉冲信号的消噪效果, 提出了一种基于噪声模态单元预判的经验模态分解(EMD) 消噪声方法. 该方法首先利用EMD将含噪辐射脉冲信号分解为一组内蕴模态函数(IMF), 根据IMF系数的统计特性采用局部均方误差准则进行噪声模态单元预判, 并将噪声模态单元置零; 然后对噪声模态单元预判处理后的IMF以模态单元为基本单位进行最优比例萎缩消噪, 从而达到抑制噪声、保留信号的目的. 实验结果表明: 与Sure Shrink小波阈值法、Bayes Shrink小波阈值法和EMD模态单元比例萎缩法相比, 基于噪声模态单元预判的EMD消噪方法可以更有效地去除脉冲辐射信号中的噪声, 同时更好地保留信号突变处的细节信息特征, 在信噪比、 均方误差、峰值相对误差、峰位误差和相位误差等方面都有一定程度的改善. 关键词： 脉冲星信号消噪 经验模态分解 噪声模态单元预判 局部均方误差     

多元时间序列复杂网络流型动力学分析

针对气液两相流流动特性,利用有限元分析方法设计变曲率对壁式电导传感器.采用设计加工的传感器在多相流装置上进行气液两相流动态实验,并测得多组对应于不同流型的电导波动信号. 基于测量数据,采用多元时间序列复杂网络构建算法构建对应于不同流型的复杂网络.在此基础上, 对网络的社团特性进行了分析, 研究发现,不同的社团结构对应于不同的流型,而社团内部网络特征可有效刻画不同流型内在动力学特性.多元时间序列复杂网络分析可为两相流流型演化动力学特性研究及流型识别提供新理论、开拓新途经.     

基于Elman神经网络的252Cf源核系统随机中子脉冲信号识别方法

 针对²⁵²Cf自发裂变中子源构成的核信息系统,以实际所测随机中子脉冲数据的自相关函数为研究对象,借助仿真实验, 利用Elman神经网络对不同质量核材料进行识别。在实测数据的基础上,通过叠加随机抖动,模拟产生了不同质量核材料的相关函数样本,并将其用于神经网络的训练与测试,实验结果表明,训练过的Elman神经网络能够较好地识别相关函数的特征,分辨不同质量的核材料,平均识别率达到85%,综合平均误差为0.04,且具有较高的鲁棒性。     

基于改进经验模态分解域内心动物理特征识别模式分量的心电信号重建

心电图(electrocardiogram,ECG)诊断心脏疾病的严格标准,要求有效地消除噪声并准确地重建ECG信号.经验模式分解(empirical mode decomposition,EMD)方法重建ECG信号中,模式混叠及重建采用模式分量的识别以经验为基础,导致重建ECG信号准确度降低,且方法不具有自适应和通用性.本文首先基于积分均值定理提出一种改进的EMD方法——积分均值模式分解(integral mean mode decomposition,IMMD)方法,经5000个高斯白噪声样本的蒙特卡罗法验证,IMMD方法比EMD具有更优多分辨率分析能力,能够有效地缓解模式混叠.其次,基于ECG信号内固有心动物理特征量识别重建ECG信号所采用的模式分量,具有现实物理意义,因此,方法具有自适应和通用性.经验证,提出方法重建47例ECG信号与原ECG信号的相关系数中:31例优于变分模式分解方法;33例优于Haar小波软阈值法;42例优于集总经验模式分解方法;45例优于EMD方法.相关系数均值为0.8904,方差为0.0071,表现稳定且最优.     

垂直上升管内气液两相流流型鉴别研究

本文以低压空气一水作介质,进行了垂直上升管内气液两相流流型鉴别的实验研究;采用沿垂直管局部轴向压差信号及压差信号的统计分析并借助高速闪光观测仪进行可视化观察鉴别流型。实验结果发现,利用压差的时域信号和信号的功率谱密度函数（ＰＳＤ）,可以客观地判别垂直上升管内泡状、弹状和环状三种主要流型。     

基于Lempel-Ziv复杂度和经验模态分解的癫痫脑电信号的检测方法

癫痫脑电信号是非平稳、非线性的,根据此特性我们提出一个基于Lempel-Ziv复杂度和经验模态分解(EMD)的癫痫脑电信号的检测方法,首先将癫痫脑电信号用EMD分解,再分别计算每阶固有模态函数(IMF)的复杂度,最后将得到的复杂度作为特征进行检测.实验用波恩数据库来评估提出的方法.结果表明,该方法检测准确率可达到95.25%,具有准确率高、适应性强等优点.     

应用经验模态分解和独立成分分析解译岩矿光谱

岩矿光谱由多种矿物光谱混合而成,解译岩矿光谱能够得到岩矿的组分信息,且该方法具有快速、方便、不损坏样品的特点。经验模态分解(empirical mode decomposition, EMD)不能直接分离出混合信号中的源信号,独立成分分析(independent component analysis, ICA)要求混合信号数目不小于其所包括的源信号数目。将EMD和ICA两种方法相融合,首先用EMD分解混合信号得到本征模态函数(intrinsic mode function, IMF),再选择一定数目的IMF与混合信号一起组成ICA的输入数据矩阵,经过ICA运算可以获取单一混合信号中的源信号信息,克服了EMD和ICA两种方法各自的缺陷。研究表明,综合应用EMD和ICA方法可以获取单一混合信号中的源信号信息,混合信号中源信号含量越大,得到的源信号近似值越理想。参与ICA分离的IMF数目决定了分离得到的源信号近似值的数目,并且选择的IMF与混合信号相关系数越大,得到的源信号近似值越理想。运用该方法定量分析岩矿光谱,可以获取组成岩矿的矿物信息,比较适用于野外作业岩矿的快速分析鉴定及成分初步分析。     

Relevant modes selection method based on Spearman correlation coefficient for laser signal denoising using empirical mode decomposition

Empirical mode decomposition (EMD) is a recently proposed nonlinear and nonstationary laser signal denoising method. A noisy signal is broken down using EMD into oscillatory components that are called intrinsic mode functions (IMFs). Thresholding-based denoising and correlation-based partial reconstruction of IMFs are the two main research directions for EMD-based denoising. Similar to other decomposition-based denoising approaches, EMD-based denoising methods require a reliable threshold to determine which IMFs are noise components and which IMFs are noise-free components. In this work, we propose a new approach in which each IMF is first denoised using EMD interval thresholding (EMD-IT), and then a robust thresholding process based on Spearman correlation coefficient is used for relevant modes selection. The proposed method tackles the problem using a thresholding-based denoising approach coupled with partial reconstruction of the relevant IMFs. Other traditional denoising methods, including correlation-based EMD partial reconstruction (EMD-Correlation), discrete Fourier transform and wavelet-based methods, are investigated to provide a comparison with the proposed technique. Simulation and test results demonstrate the superior performance of the proposed method when compared with the other methods.     

Multiple scale analysis of complex networks using the empirical mode decomposition method

Empirical mode decomposition (EMD) method can decompose any complicated data into finite ‘intrinsic mode functions’ (IMFs). In this paper, we use EMD method to analyze and discuss the structural properties of complex networks. A random-walk method is used to collect the data series of network systems. Utilizing the EMD method, we decompose the obtained data into finite IMFs under different spatial scales. The analysis results show that EMD method is an effective tool for capturing the topological properties of network systems under different spatial scales, such as the modular structures of network systems and their energy densities.     

EEMD自适应去噪在拉曼光谱中的应用

二代小波是公认较好的降噪手段,但是降噪效果依赖于基函数、分解层数和阈值等参数设置。经验模态分解(empirical mode decomposition, EMD)无需参数设定,按照频率特性将信号分解成本征模函数(intrinsic mode function, IMF),对IMF滤波,实现了信号自适应去噪。拉曼光谱中信号和噪声交叠集中在极高频段,EMD产生模态混叠问题,影响去噪效果。应用总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)拉曼光谱克服了模态混叠,有效区分出高频信号和噪声,获得了与小波函数相似去噪效果。文中首先对一段非线性非平稳豆油脂拉曼光谱EMD分解,可见模态混叠,EEMD分解出清晰模态的特征分量。然后分别用快速傅里叶变换(fast Fourier transform,FFT)、小波变换(Wavelet)、EMD和EEMD处理含噪光谱,信噪比、均方根误差、相关系数三个方面指标表明FFT高频去噪效果最差,其次是EMD,恰当的Wavelet同EEMD效果相当,EEMD的优势是降噪过程的自适应。最后提出光谱时频分析方法和IMF噪声属性判别准则研究趋势。