通过基于深度学习的图像分析揭示旋转填料床中的两相流行为与液泛前兆

《Chemical Engineering and Processing - Process Intensification》：Unveiling two-phase flow behavior and flooding precursors in a Rotating Packed Bed through deep learning-based image analysis

　　

# 摘要

旋转填料床（RPB）技术有潜力捕集工业烟囱排放的二氧化碳。旋转的多孔填料提供了广阔的表面面积，从而实现气相与溶剂之间的高效传质。离心力的应用使两种流体形成逆流，提高了过程的效率。

HiGee接触器是传统填料塔的优越替代方案。在这些系统中，溶剂所受的加速度可达重力的千倍，使传质速率提高一到两个数量级。此外，这些系统非常紧凑，体积仅为传统设备的十分之一。RPB中的液泛是一个重大的运行挑战，其特征是溶剂无法通过填料排出。这一问题源于各种阻力，如重力和摩擦力，阻碍了溶剂从填料中流出。已有文献记录使用双摄像头装置对运行中的RPB进行液泛研究。一个摄像头聚焦于溶剂注入点以监测液泛，另一个捕捉从填料排出的液滴。初步结果与文献一致。

鉴于成像条件的极端挑战性，利用深度学习中的卷积神经网络进行分割对于从这些图像中提取有意义的信息至关重要。这种由深度学习驱动的分析对于表征液滴的几何特性和动态特性起到了关键作用，揭示了RPB系统中此前未被认识到的液泛前兆。

# 引言

旋转接触器是一种用于多种应用，包括从烟气中捕集二氧化碳的系统，特别是在水泥厂和钢铁厂，被认为是二氧化碳的主要排放源。这些系统提供了比填料塔更高效、更不笨重的替代方案。有不同几何形状的多类型设备[1]，本文关注的是旋转填料床（RPB）。该设备的示意图见图1，由旋转的多孔填料组成，其中溶剂流与逆流气流相遇。溶剂在设备中心注入，离心力使其获得足够的径向速度向外流动。相反，气体从外部引入，穿过填料向设备中心运动[2]。因此，两种流体以逆流方向相遇，液相（溶剂）被选择用于确保二氧化碳的捕集。填料用于优化两种流体之间的交换表面，也称为接触面积。填料材料的选择源于优化交换表面积的需要，而材料的选择取决于填料所需的特性。此类应用的常见材料包括泡沫[3]和金属网格[4]。图1展示了两种类型的填料。

旋转接触器比填料塔效率更高，因为液体所经历的加速度可达重力加速度g的千倍[1]。此外，由于多孔填料的存在，液体与气体之间的传质提高了一到两个数量级，同时系统紧凑十倍[1]。

液泛的RPB是指液体在设备中心积聚且无法排出的场景。这一事件可以通过液体从气体出口排出而观察到。这是由液体经历的各种阻力造成的：摩擦力、周围环境的改变以及重力的影响[5]。这些阻力可能导致离心力不足以让液体穿过填料，导致其在RPB中心积聚，最终汇聚到气体出口水平。旋转速度和液体与气体的流速都会对系统的液泛点产生显著影响。图2(b)和(c)说明了标准运行状态（2(b)）和中心注射器存在堵塞的情况（2(c)）。

由于这些阻力造成的能量耗散称为压降，可以通过测量气体进出口之间的压力差进行定量评估[7]。Rao等人[8]认为，压降的定量研究是系统液泛的可靠指标。压降随填料旋转速度的演变见图2(a)，来自Garba的论文[6]。当系统以足够高的速度运行以被视为正常运行时，由于离心力变得不那么重要，压降随转速增加而减小。然而，当系统接近平衡状态时，液体开始在RPB中心积聚（积液），导致压降大幅增加。随后，当系统液泛时，观察到压降再次下降，因为液体从气体出口排出而未通过填料。因此，压降的增加和随后的压力下降与液泛相关联。然而，这种效应并不总是被观察到，一些研究对此存在分歧[9]，[10]，这证明了寻找RPB中液泛新前兆的重要性。

在RPB中，存在两种流体相：液相从填料内部移动到外部，气相则呈现逆流。气相的流动一直是广泛研究的主题（见[2]，[11]，[12]），本研究的不会深入探讨这一方面。同样，溶剂流动的主题在实验和数值分析中已被广泛研究，研究表明溶剂在穿过填料材料时发生分离。这种分离以多种形式出现，取决于旋转速度[13]，形成丝状物、液滴，偶尔形成薄膜。图3展示了证明这些现象的图片。

Wen等人[14]和Sang等人[15]表明，观察到的流动模式（包括液滴或丝状物）取决于RPB内的径向位置、旋转速度和液体流量。存在一个临界旋转速度，超过该速度后填料出口仅有液滴[14]，[15]。此外，已观察到液体流量的增加有利于丝状物的形成[15]。这两个观察结果由图4中的曲线表示，该图绘制了液滴与丝状物流动之间的边界随RPB填料半径的变化关系，分别针对旋转速度（4(a)）和液体流量（4(b)）。

液滴直径随旋转速度增加而减小[13]，[14]，[16]，见图5，但基本不受液体流量影响[14]，除非存在合并的可能。在这种情况下，观察到液滴直径随液体流量增加而增大[13]。这些结果取决于所用填料材料的类型[14]。虽然一些作者提出了预测液滴大小的模型，如Wang等人[17]或Li等人[13]，但这些模型并非普遍适用。

最后，观察到液滴速度随旋转速度线性增加，但在大多数研究中不取决于液体流量[14]，见图5。这是由于离心效应、摩擦以及填料中的液滴形成，导致最终状态与RPB入口处的初始速度无关。

已提出多种模型用于研究液滴速度，这些模型通过实验[18]和数值[17]研究开发而成。然而，这些研究之间缺乏共识，特别是关于Wang等人[17]的发现，他们提出了一个依赖于液体流量的液滴速度模型。

因此，RPB内及填料出口处的流动已成为广泛研究的对象。然而，这些研究发现结果取决于填料几何形状和类型，据我们所知，尚未建立这些研究与系统液泛之间的联系。我们的目标是建立先前的研究与RPB中液泛现象之间的明确联系，我们的主要贡献是通过人工智能的应用，提供新的可视化、非侵入性和一致性技术来识别液泛前兆。

# 实验设置片段

为研究RPB中的液泛，在Prospin 500 RPB上进行了实验，其特性见表1。该设备具有两个光学访问点：第一个光学访问点位于旋转轴附近，第二个位于外围，半径大于旋转填料半径，见图6。

第一个光学访问点由连续宽光谱LED照明，并使用配备50mm镜头和8mm（此处截断）

# 人工智能

目的是获取液滴特性（大小、速度），但任务确实复杂。液滴有时在图像中容易观察，但在某些情况下只能推断。图7展示了图像多样性，其中有三帧液滴可视化困难的图像。一个挑战源于实验装置和相机限制导致下部区域图像质量差。另一个困难来自于背景的异质性，其（此处截断）

# 分析

目标跟踪技术使得可以从视频的每一帧中获取每个液滴的各种参数。具体来说，当在帧内检测到液滴时，会为其分配一个标签，并记录其面积、速度、速度分量、各轴方向上的尺寸和纵横比。标签系统便于识别液滴，因为如果推断是同一液滴的移动，它将保留相同的标签。分析主要针对（此处截断）

# 结果

文献中的一些研究已经提供了关于填料出口处液滴行为的见解，如引言中所述。我们首先将数据与现有数据进行比较，以验证我们的方法和分析是否能给出可靠的结果。

对于以下所有图表，请参阅表2了解符号与实验特性之间的对应关系。

# 结论

本研究关于旋转填料床（RPB）中两相流的调查取得了重大进展，特别是在实验设置中整合了人工智能（AI）。通过使用高级AI算法结合高速相机，研究团队成功识别出液泛现象的创新前兆。这些前兆是液滴表面积分数$S_\phi$和液滴大小$S_d$的实时变化：它们代表了一种新的（此处截断）

# CRediT作者贡献声明

S. Rodriguez：撰写—初稿、方法论、调查、正式分析、数据管理。C. Cassar：撰写—初稿、验证、监督、正式分析、数据管理。M. Moreaud：撰写—初稿、验证、监督、资源、方法论、调查。M. Bardi：撰写—初稿。J. Cherel：方法论、资金获取、数据管理。V. Ricordeau：方法论、资金获取、数据管理。V. Penin：撰写—初稿、（此处截断）

# 生成式AI和AI辅助技术在写作过程中的声明

在准备本文时，作者使用了内部生成式AI工具Neo来改善英语表达。使用此工具后，作者根据需要审阅和编辑了内容，并对所发表文章的内容承担全部责任。

# 利益冲突声明

作者声明不存在任何可能影响本文所报告工作的已知竞争经济利益或个人关系。

# 致谢

作者衷心感谢法国图卢兹化学工程实验室（LGC）提供了在其实验装置上进行高速相机测量的机会。其支持和设施访问对本研究的成功起到了关键作用。

S. Rodriguez | C. Cassar | M. Moreaud | M. Bardi | J. Cherel | V. Ricordeau | V. Penin

里昂国立高等师范学院，法国国家科学研究中心，LPENSL实验室，UMR5672，69342, Lyon cedex 07, 法国