《Journal of Nuclear Engineering》：Objective Neural Network-Based Flow Regime Classifiers with Application to Vertical, Narrow, Rectangular Channels and Round Pipe Geometry
编辑推荐：
摘要翻译：针对竖直窄矩形通道和1英寸圆管，研究人员开发了基于目标神经网络的两相流型分类器，采用Kohonen自组织映射（Self-Organizing Maps, SOM）。在矩形通道中，分类器使用由双传感器液滴能力电导探针（DCCP-2）获得的五个几何输入：
摘要翻译：针对竖直窄矩形通道和1英寸圆管，研究人员开发了基于目标神经网络的两相流型分类器，采用Kohonen自组织映射（Self-Organizing Maps, SOM）。在矩形通道中，分类器使用由双传感器液滴能力电导探针（DCCP-2）获得的五个几何输入：总体气相空隙率、韧带空隙率、归一化韧带弦长、归一化大气泡弦长以及液滴指示量。这些参数能够客观识别泡状流/畸变泡状流、帽状湍流、搅混湍流、环状流、滚动缕状流和缕状流，并在密集测试矩阵的–平面内给出定量转变边界。在圆管中，四传感器液滴能力电导探针（DCCP-4）提供液滴、气泡和韧带弦长分布的均值与标准差，这些量被用作自组织映射（SOM）分类器的输入，用于在高空隙率条件下区分滚动环状流和缕状环状流。研究人员讨论了所得流型图中的相关相几何结构及其对界面面积、阻力和夹带的影响，提供了依赖于流型的几何输入，可用于改进反应堆下降段、堆芯通道及其他核热工水力应用中的两流体模型封闭关系。
论文解读
一、研究背景与问题
在两流体模型（Two-Fluid Model, TFM）中，气相和液相被建模为通过界面相互作用的连续流体，界面的几何形态十分复杂，对其建模需要了解流型信息，例如泡状流、帽状泡状流、弹状流、搅混湍流和环状流等。流型是几何结构互不相同的流动图案，传统上通过实验观察，尤其是高速视频等目视手段确定流型图。然而，这类方法高度依赖观察者的主观判断，同一实验条件下的流动视频可能被不同观察者识别为不同流型，在搅混湍流、环状流或缕状流等复杂流动中尤为严重。因此，需要客观的流型分类技术以实现更准确的两相流建模和系统安全分析。
许多研究者尝试使用神经网络（Neural Network, NN）和模糊逻辑进行客观流型识别，但多数研究使用阻抗探针信号，提取面积平均空隙率的统计参数（主要是均值和标准差）作为输入。此类方法能区分面积平均空隙特性差异显著的流型，却无法区分接近或超过搅混湍流的复杂流型，因为这些区域的流型在面积平均空隙特性上非常相似，差异主要体现在两相界面的复杂几何和轨迹上。基于图像的模式识别方法也存在不足：在空隙率较高的环状流条件下，韧带、液滴和缕状结构在时空上重叠，流型归属可能取决于观察条件和观察者判断。相比之下，本研究使用液滴能力电导探针获得的局部几何量——空隙率、韧带和气泡弦长、液滴指示量——这些量直接与界面面积和相连通性相关，能够为区分环状流、滚动环状流和缕状环状流提供更客观且物理可解释的依据。
二、研究内容与结论概述
研究人员开发了基于几何信息的目标神经网络流型分类器，分别应用于竖直窄矩形通道和1英寸圆管。在矩形通道中，分类器采用多单元树状结构，各单元为Kohonen自组织映射（Self-Organizing Map, SOM），输入为双传感器液滴能力电导探针（DCCP-2）测得的五个几何参数：总体气相空隙率、韧带空隙率、归一化韧带弦长、归一化大气泡弦长和液滴指示量。在1英寸圆管中，使用单层SOM作为无监督神经网络，输入为四传感器液滴能力电导探针（DCCP-4）测得的液滴、气泡和韧带弦长分布的均值与标准差。通过该分类器，研究人员在矩形通道的298个实验条件下识别出六种流型，并在圆管中区分出三种高空隙率环状亚流型。所得流型图直接基于几何量而非主观视觉标签，为两流体模型提供了依赖于流型的封闭信息。该研究发表在《Journal of Nuclear Engineering》。
三、主要关键技术方法
研究人员采用了以下关键技术方法：
1. 液滴能力电导探针技术：矩形通道使用双传感器液滴能力电导探针（DCCP-2），圆管使用四传感器液滴能力电导探针（DCCP-4）。这类探针额外设置公共传感器，可区分分散液相（液滴）和连续液相，从而获得空隙率、弦长等几何参数。
2. Kohonen自组织映射（SOM）无监督聚类：SOM通过迭代调整高维空间中的超曲面，形成反映输入数据相似性的拓扑图，用于客观划分流型类别。矩形通道的树状分类器包含多个SOM单元，圆管分类器采用单一SOM（3个输出神经元）。
3. 信号调理与弦长计算：原始探针信号经中值滤波、归一化、方波化处理，通过前后传感器的时间差估计界面结构速度，进而由驻留时间计算弦长，并统计均值和标准差。
4. 归一化处理：使用泰勒波长对弦长进行无量纲化，以满足不同流体系统的相似性要求。
实验数据来源：矩形通道实验在普渡大学TRSL绝热两相流装置中进行，通道截面为3.0 cm×0.3 cm（原文数据未在提供的文本中明确显示，但依据上下文为竖直窄矩形通道）；共298个实验条件。圆管实验在竖直空气–水两相流回路上进行，测试段为内径1英寸的透明丙烯酸管，共59个工况，数据在管中心线采集。所有实验均在室温（23°C）和大气压下进行。
四、研究结果
4.1 窄矩形通道结果
研究人员将298个实验条件聚类为6组：组1为泡状流/畸变泡状流；组2为帽状湍流（圆管中的弹状流对应于矩形通道中的帽状湍流）；组3为搅混湍流；组4为环状流；组5为滚动缕状流；组6为缕状流。
通过分析各组几何参数趋势发现：组1具有低气相空隙率和可忽略的韧带空隙率，表明液体核心携带孤立气泡；组2中气相空隙率增加，标志着气泡聚并起始并发展出帽状湍流结构；组3（搅混湍流）表现出较高的气相空隙率和大幅度韧带空隙率变化，与剧烈界面破碎和液体核心大尺度振荡一致；组4（环状流）中韧带空隙率较小且归一化大气泡弦长减小，表明壁面液膜相对光滑且液体向核心的渗透有限；组5和组6（滚动缕状流和缕状流）显示韧带空隙率增加且弦长统计更不规则，表明波致韧带剥离和随后液膜液滴夹带增强。由此可获得流型转变边界：搅混湍流向环状流转变伴随韧带弦长和夹带显著减少，而环状流向缕状流转变伴随液滴份额增加和壁面液膜破碎增强。这些变化与界面面积浓度、壁面剪切和液膜厚度的变化相一致，进而影响两流体和子通道分析中的压降及壁面换热系数。
4.2 圆管结果
实验观察到随着液体流量增加出现三种不同流型。当液体表观速度较低时，流型为经典环状流，壁面液膜相对光滑。当液体速度增加至中间范围时，液膜表面出现周期性扰动并轴向传播，即滚动波，该流型被称为“滚动环状流”。当液体速度更高时，界面变得高度破碎，细丝状液体从壁面液膜脱离进入核心区域，形成缕状不规则层，其液滴主要由滚动波波峰上的剪切作用夹带，称为“缕状环状流”。
SOM输出神经元可依据输入弦长统计与三种环状亚流型对应：一个簇具有较小液滴弦长、中等韧带弦长和较低液滴事件率，对应经典环状流；第二个簇具有较长韧带弦长和明显的平均韧带长度时间调制，指示滚动波周期性增厚液膜并轴向传输液体，解释为滚动环状流；第三个簇具有最高液滴事件率以及小而高变异的韧带弦长，指示强烈韧带破碎和剪切驱动夹带，对应缕状环状流。滚动环状流向缕状环状流的转变发生在高气相空隙率下较窄的液体速度带内，该区域液滴份额和弦长变异性增加，壁面液膜可能变薄，界面面积和液滴负荷增大，界面摩擦和对流换热预期发生变化。
五、讨论与结论总结
讨论部分指出，当前分类器继承了DCCP系列探针的测量不确定性，包括空间分辨率限制、电子噪声、单特征速度假设等。这些限制主要影响几何输入的定量值，但不改变主要流型簇的定性分离。在将流型图外推至空气–水以外的流体体系或更大水力直径时需谨慎。
研究结论可概括为：
1. 开发了基于界面几何信息的两相流型神经网络分类器，适用于竖直窄矩形通道和1英寸圆管。
2. 分类器通过对界面弦长和相分率统计进行聚类，可区分空隙率或视觉外观相似的流型。
3. 在矩形通道298点测试矩阵上得到六区域流型图，每个簇在气相分数、韧带分数、韧带和大气泡弦长及液滴分数方面呈现不同趋势，可直接按破碎、聚并和夹带过程进行解释。
4. 在1英寸圆管中，SOM聚类识别出经典环状流、滚动环状流和缕状环状流三种环状亚流型，与滚动波和缕状结构一致，并在–平面占据不同区域。
5. 流型边界与韧带分数、液滴分数和弦长分布等实测几何参数变化相对应，可关联到界面面积、壁面剪切和液膜厚度变化，进而影响两流体和子通道模型中的动量与传热行为。
6. 由于分类器输入输出基于几何量而非主观视觉标签，该方法可重复地构建流型图，并为高级多相流模拟提供依赖于流型的封闭信息，如界面面积密度和夹带液滴分数。
此外，该流型识别方法不能直接用于核反应堆堆芯等流动通道现场的实时流型监测，但同一思路可用于训练长短期记忆（Long Short-Term Memory, LSTM）神经网络，基于DCCP信号对流动工况进行分类，从而开发能够在线识别流型的仪器。
本工作获得的流型图和转变边界对核热工水力分析中两流体模型封闭关系的开发具有直接意义：矩形通道中的定量边界表达了反应堆堆芯通道和窄矩形燃料组件中界面曳力、界面面积输运和夹带/去夹带关系所需的几何量；圆管中滚动环状流和缕状环状流的区别可用以约束高空隙率环状流中界面摩擦和液滴夹带的封闭模型，适用于反应堆下降段和蒸汽发生器上升管。客观分类器以几何度量取代主观视觉标准，可直接耦合到采用两流体模型的系统程序和CFD框架中，为核热工水力模型提供一致的实验相几何输入。
