基于深度的先前静止CT图像重建算法用于两相流量检查
Jiahao Chang1,2, Shuo Xu3, Zirou Jiang1,2
1Institute of Nuclear and New Energy Technology, Tsinghua University, Beijing, China.
Journal of X-ray science and technology
|July 2, 2025
概括
一个新的深度学习算法,Deep Radon Prior (DRP),准确地测量了管道中的高速双相流量. 这种方法增强了小气泡的可视化,提高了反应堆的安全性和效率.
科学领域:
- 核工程 核工程是指核工程.
- 流体动力学 流体动力学
- 医疗成像医学成像
背景情况:
- 精确测量双相流量对于反应堆的安全性和效率至关重要.
- 现有的方法在小管道中与高速流量作斗争,限制空隙分数和流动模式识别.
- 静止计算机断层扫描 (CT) 提供了一个潜在的解决方案,但面临着稀疏数据采集的挑战.
研究的目的:
- 开发和验证一种用于测量小直径管道中高速双相流量的新方法.
- 为了解决基于CT的流量测量的稀疏数据的局限性.
- 改进可视化和分析双相流动模式和空隙分数.
主要方法:
- 提出了一个无监督的深度学习算法,Deep Radon Prior (DRP),用于从稀疏投影数据中重建图像.
- DRP优化了子域中的错误,将神经网络学习与代算法集成在一起.
- 与传统的过后投影 (FBP) 和ADMM-TV算法比较了DRP的性能.
主要成果:
- DRP显著抑制了图像工件和噪音,表现优于FBP和ADMM-TV.
- 实现了卓越的图像重建质量,使0.3毫米泡的可视化.
- 通过CT系统的物理约束所固有的稀疏投影数据证明了算法的有效性.
结论:
- DRP算法为小型管道中的高速双相流量测量提供了强大的和有效的解决方案.
- DRP增强了小型流量结构的可视化功能,这对安全性和效率至关重要.
- 该算法对各种流体流动模式和泡流量测量具有广泛的适用性.
