本技術(shù)涉及核動(dòng)力系統(tǒng)，尤其涉及一種矩形通道兩相流型識(shí)別方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、作為新興能源技術(shù)，核能和核動(dòng)力系統(tǒng)隨著技術(shù)的發(fā)展越來越重要，在核動(dòng)力系統(tǒng)中，矩形通道兩相流動(dòng)傳熱是一個(gè)關(guān)鍵的傳熱過程，準(zhǔn)確獲取矩形通道汽液兩相流動(dòng)傳熱過程的具體情況對(duì)系統(tǒng)安全運(yùn)行至關(guān)重要。

2、在現(xiàn)有技術(shù)中，可視化實(shí)驗(yàn)數(shù)據(jù)是獲取汽液兩相流動(dòng)情況的重要方法，對(duì)汽液兩相可視化數(shù)據(jù)信息獲取方法目前有流型圖法等，但傳統(tǒng)方法依賴于人為判斷，主觀性和經(jīng)驗(yàn)性較強(qiáng)，無法提供足夠高的預(yù)測精度，難以滿足高精度識(shí)別的需求。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)實(shí)施例提供一種矩形通道兩相流型識(shí)別方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及產(chǎn)品，能夠增強(qiáng)模型在不同工況下的預(yù)測精度。

2、第一方面，本技術(shù)提供一種矩形通道兩相流型識(shí)別方法，包括：

3、獲取換熱系統(tǒng)的矩形通道中流體的可視化圖像；

4、提取所述可視化圖像中的灰度特征，得到對(duì)應(yīng)的灰度特征信息；

5、將所述可視化圖像和所述灰度特征信息輸入預(yù)設(shè)集成學(xué)習(xí)模型的多個(gè)分類器中，分別通過所述預(yù)設(shè)集成學(xué)習(xí)模型中的各個(gè)分類器進(jìn)行分類，確定各個(gè)分類器對(duì)應(yīng)的兩相流型預(yù)測類別，所述多個(gè)分類器的類型包括k近鄰算法和卷積神經(jīng)網(wǎng)絡(luò)；

6、統(tǒng)計(jì)所述預(yù)設(shè)集成學(xué)習(xí)模型中各個(gè)分類器對(duì)應(yīng)的兩相流型預(yù)測類別，確定統(tǒng)計(jì)結(jié)果中數(shù)量最多的兩相流型預(yù)測類別；

7、將數(shù)量最多的兩相流型預(yù)測類別，作為所述核動(dòng)力系統(tǒng)矩形通道中流體兩相流型的分類類別。

8、在一些可能的實(shí)現(xiàn)方式中，所述灰度特征信息包括灰度值方差、灰度值平滑度、灰度值能量和灰度值熵，所述提取所述可視化圖像中的灰度特征，得到對(duì)應(yīng)的灰度特征信息，包括：

9、對(duì)所述可視化圖像進(jìn)行灰度化；

10、統(tǒng)計(jì)所述灰度化后的可視化圖像中各個(gè)像素的灰度值；

11、計(jì)算各個(gè)像素的所述灰度值的平均值，得到灰度值均值；

12、根據(jù)所述灰度值均值，計(jì)算各個(gè)像素的所述灰度值的方差，得到灰度值方差；

13、根據(jù)所述灰度值方差計(jì)算各個(gè)像素灰度值變換的變換速度，得到灰度值平滑度；

14、根據(jù)各個(gè)像素的所述灰度值的分布均勻程度，確定灰度值能量；

15、計(jì)算各個(gè)像素的所述灰度值的概率分布對(duì)數(shù)的負(fù)期望值，得到灰度值熵。

16、在一些可能的實(shí)現(xiàn)方式中，所述根據(jù)所述灰度值方差計(jì)算各個(gè)像素灰度值變換的變換速度，得到灰度值平滑度，包括：

17、通過以下公式計(jì)算各個(gè)像素灰度值變換的變換速度，得到灰度值平滑度：

18、

19、其中，為灰度值平滑度，為灰度值方差。

20、在一些可能的實(shí)現(xiàn)方式中，在所述將所述可視化圖像和所述灰度特征信息輸入預(yù)設(shè)集成學(xué)習(xí)模型的多個(gè)分類器中，分別通過所述預(yù)設(shè)集成學(xué)習(xí)模型中的各個(gè)分類器進(jìn)行分類，確定各個(gè)分類器對(duì)應(yīng)的兩相流型預(yù)測類別之前，所述方法還包括：

21、獲取初始訓(xùn)練樣本集；所述訓(xùn)練樣本集包括多個(gè)訓(xùn)練樣本，每個(gè)所述訓(xùn)練樣本包括矩形通道流體圖像樣本和灰度特征信息樣本，以及對(duì)應(yīng)的類別標(biāo)簽；

22、對(duì)初始集成學(xué)習(xí)模型中的每個(gè)分類器，分別執(zhí)行以下步驟：

23、從所述初始訓(xùn)練樣本集隨機(jī)抽取多個(gè)訓(xùn)練樣本，組成分類器對(duì)應(yīng)的訓(xùn)練樣本集；

24、對(duì)訓(xùn)練樣本集中的每個(gè)訓(xùn)練樣本，分別執(zhí)行以下步驟：

25、基于所述矩形通道流體圖像樣本和所述灰度特征信息樣本，通過分類器進(jìn)行分類，得到兩相流型預(yù)測結(jié)果；

26、根據(jù)所述兩相流型預(yù)測結(jié)果與對(duì)應(yīng)的類別標(biāo)簽的區(qū)別，確定分類器的損失函數(shù)值；

27、在所述分類器的損失函數(shù)值不滿足預(yù)設(shè)訓(xùn)練停止條件的情況下，調(diào)整所述分類器的相關(guān)參數(shù)，返回基于所述矩形通道流體圖像樣本和所述灰度特征信息樣本，通過分類器進(jìn)行分類，得到兩相流型預(yù)測結(jié)果；

28、在各個(gè)所述分類器的損失函數(shù)值都滿足預(yù)設(shè)訓(xùn)練停止條件的情況下，停止訓(xùn)練，得到訓(xùn)練后的集成學(xué)習(xí)模型。

29、在一些可能的實(shí)現(xiàn)方式中，在所述分類器為k近鄰算法的情況下，所述基于所述矩形通道流體圖像樣本和所述灰度特征信息樣本，通過分類器進(jìn)行分類，得到兩相流型預(yù)測結(jié)果，包括：

30、將所述灰度特征信息樣本作為k近鄰算法的輸入，得到兩相流型預(yù)測結(jié)果；

31、所述在所述分類器的損失函數(shù)值不滿足預(yù)設(shè)訓(xùn)練停止條件的情況下，調(diào)整所述分類器的相關(guān)參數(shù)，返回基于所述矩形通道流體圖像樣本和所述灰度特征信息樣本，通過分類器進(jìn)行分類，得到兩相流型預(yù)測結(jié)果，包括：

32、在所述分類器的損失函數(shù)值不滿足預(yù)設(shè)訓(xùn)練停止條件的情況下，調(diào)整k近鄰算法的k值，返回將所述灰度特征信息作為k近鄰算法的輸入，得到兩相流型預(yù)測結(jié)果；

33、在一些可能的實(shí)現(xiàn)方式中，在所述分類器為卷積神經(jīng)網(wǎng)絡(luò)的情況下，所述基于所述矩形通道流體圖像樣本和所述灰度特征信息樣本，通過分類器進(jìn)行分類，得到兩相流型預(yù)測結(jié)果，包括：

34、將所述矩形通道流體圖像樣本作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，得到兩相流型預(yù)測結(jié)果；

35、所述在所述分類器的損失函數(shù)值不滿足預(yù)設(shè)訓(xùn)練停止條件的情況下，調(diào)整所述分類器的相關(guān)參數(shù)，返回基于所述矩形通道流體圖像樣本和所述灰度特征信息樣本，通過分類器進(jìn)行分類，得到兩相流型預(yù)測結(jié)果，包括：

36、在所述分類器的損失函數(shù)值不滿足預(yù)設(shè)訓(xùn)練停止條件的情況下，調(diào)整所述卷積神經(jīng)網(wǎng)絡(luò)中的模型參數(shù)，返回將所述矩形通道流體圖像樣本作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，得到兩相流型預(yù)測結(jié)果。

37、在一些可能的實(shí)現(xiàn)方式中，所述將所述可視化圖像和所述灰度特征信息輸入預(yù)設(shè)集成學(xué)習(xí)模型的多個(gè)分類器中，分別通過所述預(yù)設(shè)集成學(xué)習(xí)模型中的各個(gè)分類器進(jìn)行分類，確定各個(gè)分類器對(duì)應(yīng)的兩相流型預(yù)測類別，包括：

38、將所述可視化圖像和所述灰度特征信息輸入預(yù)設(shè)集成學(xué)習(xí)模型的多個(gè)分類器中；

39、在所述分類器為k近鄰算法的情況下，按照所述灰度特征信息，通過k近鄰算法進(jìn)行分類，確定分類器對(duì)應(yīng)的兩相流型預(yù)測類別；

40、在所述分類器為卷積神經(jīng)網(wǎng)絡(luò)的情況下，將所述可視化圖像輸入卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)所述卷積神經(jīng)網(wǎng)絡(luò)輸出的分類標(biāo)識(shí)，確定分類器對(duì)應(yīng)的兩相流型預(yù)測類別。

41、第二方面，本技術(shù)提供一種矩形通道兩相流型識(shí)別裝置，所述裝置包括：

42、獲取模塊，用于獲取換熱系統(tǒng)的矩形通道中流體的可視化圖像；

43、提取模塊，用于提取所述可視化圖像中的灰度特征，得到對(duì)應(yīng)的灰度特征信息；

44、分類模塊，用于將所述可視化圖像和所述灰度特征信息輸入預(yù)設(shè)集成學(xué)習(xí)模型的多個(gè)分類器中，分別通過所述預(yù)設(shè)集成學(xué)習(xí)模型中的各個(gè)分類器進(jìn)行分類，確定各個(gè)分類器對(duì)應(yīng)的兩相流型預(yù)測類別，所述多個(gè)分類器的類型包括k近鄰算法和卷積神經(jīng)網(wǎng)絡(luò)；

45、統(tǒng)計(jì)模塊，用于統(tǒng)計(jì)所述預(yù)設(shè)集成學(xué)習(xí)模型中各個(gè)分類器對(duì)應(yīng)的兩相流型預(yù)測類別，確定統(tǒng)計(jì)結(jié)果中數(shù)量最多的兩相流型預(yù)測類別；

46、確定模塊，用于將數(shù)量最多的兩相流型預(yù)測類別，作為所述核動(dòng)力系統(tǒng)矩形通道中流體兩相流型的分類類別。

47、第三方面，本技術(shù)提供一種矩形通道兩相流型識(shí)別設(shè)備，所述設(shè)備包括：處理器，以及存儲(chǔ)有計(jì)算機(jī)程序指令的存儲(chǔ)器；所述處理器讀取并執(zhí)行所述計(jì)算機(jī)程序指令，以實(shí)現(xiàn)如上文描述的矩形通道兩相流型識(shí)別方法。

48、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序指令，所述計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上文描述的矩形通道兩相流型識(shí)別方法。

49、第五方面，本技術(shù)提供一種計(jì)算機(jī)程序產(chǎn)品，所述計(jì)算機(jī)程序產(chǎn)品中的指令由電子設(shè)備的處理器執(zhí)行時(shí)，使得所述電子設(shè)備執(zhí)行如上文描述的矩形通道兩相流型識(shí)別方法。

50、本技術(shù)實(shí)施例提供的矩形通道兩相流型識(shí)別方法、裝置、設(shè)備、存儲(chǔ)介質(zhì)及產(chǎn)品，通過在獲取核動(dòng)力系統(tǒng)矩形通道中流體的可視化圖像之后，對(duì)所述可視化圖像進(jìn)行特征提取，得到對(duì)應(yīng)的灰度特征信息，再將所述可視化圖像和所述灰度特征信息輸入預(yù)設(shè)集成學(xué)習(xí)模型中，由預(yù)設(shè)集成學(xué)習(xí)模型中的各個(gè)k近鄰算法或卷積神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行處理，得到不同分類器對(duì)應(yīng)的兩相流型預(yù)測類別，最后基于預(yù)設(shè)結(jié)合策略，根據(jù)所述預(yù)設(shè)集成學(xué)習(xí)模型中各個(gè)分類器對(duì)應(yīng)的兩相流型預(yù)測類別，確定所述核動(dòng)力系統(tǒng)矩形通道中流體兩相流型的分類類別，利用集成學(xué)習(xí)的方法，有效地結(jié)合了k近鄰算法和卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，使得系統(tǒng)能夠在短時(shí)間內(nèi)處理大量數(shù)據(jù)，通過結(jié)合多個(gè)分類器的結(jié)果，減少了模型對(duì)單個(gè)錯(cuò)誤預(yù)測的敏感性，增強(qiáng)了模型在不同工況下的預(yù)測精度。