用于垂直管道多相流型识别的混合卷积、Transformer 及物理编码网络

《Fluids》：Hybrid Convolutional, Transformer and Physics-Encoding Networks for Multiphase Flow Pattern Identification in Vertical Pipelines

　　

摘要

准确识别垂直管道中的多相流型对石油和天然气行业的运行安全与效率至关重要。然而，传统方法难以克服主观性和过渡流态识别的难题。本研究开发并整合了三种神经网络架构：用于提取空间特征的卷积神经网络（CNN）、用于捕捉长程依赖的Transformer神经网络（TNN），以及用于嵌入物理约束的物理编码网络（PEN）。这三种网络被整合为一个混合框架，并使用线网传感器采集的2131张实验图像数据集进行训练，标注采用半自动化流程完成。结果表明，混合模型的测试准确率达到了95.91%，宏F1分数为0.96，在四个评估模型中表现最优，其主要优势体现在过渡流态的识别上。多种子消融实验表明，卷积分支提供了主导性的判别信号，而Transformer分支和物理启发分支则提供了具有互补性的改进，且这些改进在不同实验运行中保持一致。该混合方法有效缓解了单一模型的不足，其中物理启发分支作为空间正则化器提升了模型的可解释性，为可靠的管道监测提供了一项稳健且客观的工具。