机器学习辅助的气泡动力学在气体-固体流体化床的实验性表征

科学领域:

• 流体动力学 流体动力学
• 化学工程是化学工程的组成部分.
• 机器学习应用程序 机器学习应用程序

背景情况:

• 准确的气泡识别对于理解气体固体流体化床至关重要.
• 传统方法面临着不同的照明和焦点的挑战,影响水力动力学研究的可重复性.
• 振荡的流体化床呈现出复杂的泡动态,难以分析.

研究的目的:

• 开发和验证一种机器学习辅助的图像细分方法,用于在气体固体流体化床中自动识别气泡.
• 为了提高泡跟踪和分析的准确性和一致性.
• 将该方法应用于具有挑战性的振荡流体化床,并确定新的流体特性.

主要方法:

• 利用机器学习 (ML) 模型进行二进制图像分割以识别泡.
• 开发了一种内部拉格朗追踪技术来监测泡的演变.
• 验证了ML辅助的细分和跟踪在不同的操作条件和颗粒大小,包括振荡床.

主要成果:

• 在泡识别中达到98.75%的准确性,过出常见的不确定性来源.
• 成功捕获了复杂的泡动态和速度和尺寸分布的微妙变化.
• 确定了振荡床的新特征,将泡形态和流动稳定性与操作参数联系起来.

结论:

• 机器学习辅助方法提供了一个高效,标准化和可重复的工具,用于在流体化床中的水力动力学研究.
• 该技术在各种颗粒大小和操作条件下显示出多功能性和有效性.
• 这种方法有可能在其他多相流系统中得到更广泛的应用.
• 这项研究为振荡的流体化床的水力动力学提供了新的见解.