基于联合代数重建的电容层析成像图像重建

针对电容层析成像技术(Electrical Capacitance Tomography,ECT)中图像重建算法的非线性和病态性问题,将基于代数重建技术(Algebraic Reconstruction Technique,ART)的联合代数重建技术(Simultaneous Algebraic Reconstruction Technique,SART)应用于ECT图像重建。模拟基于16电极ECT系统进行油/气两相流测量,针对SART算法进行了仿真及实验测试,并与ART算法比较,结果表明:SART算法重建速度更快,且重建图像的边缘信息保真度更高。     

极限学习机在电容层析成像中的应用

针对复合材料的无损检测技术,介绍了一种基于极限学习机(ELM)的电容层析成像算法(ECT)。为保证样本的代表性,随机生成各类训练样本模型。对训练样本及测试样本模型的仿真电容值及其灰度值进行归一化处理,采用极限学习机进行训练及测试。给出了仿真结果及分析,探讨了文中方法的优缺点,该方法具有优越的泛化能力和学习速度,且成像精度得到较大提高,具有一定的参考价值。     

三维电容层析成像组合电极激励测量模式

针对3层电容阵列电极传感器,基于三维仿真,研究了两种组合电极激励测量模式,并与传统的单电极激励单电极测量模式进行了比较,包括电容测量值大小及其动态范围、敏感场分布均匀性以及重建图像质量。基于COMSOL软件及Matlab软件进行了仿真实验,结果表明:相较于传统的单电极激励单电极测量模式,组合电极激励测量模式所得图像重建效果更好,测量电容值较大且动态范围较小,敏感场分布更加均匀,对中心物体的成像质量明显提高。     

基于粒子群优化极限学习机及电容层析成像的两相流流型及其参数预测

提出了一种基于粒子群优化极限学习机及电容层析成像的两相流流型辨识及其参数预测方法。首先,通过粒子群优化极限学习机的连接权值,并使用粒子群优化极限学习机算法对4种典型的油-气两相流流型进行辨识;其次,使用粒子群优化极限学习机算法对流型的参数进行预测;最后进行了仿真实验,结果表明,与极限学习机算法相比,粒子群优化极限学习机算法所需隐层节点数更少,流型辨识率更高,其正确辨识率达100%,对4种流型参数预测的最大相对误差为5.24%。     

电容层析成像系统阵列电极三维优化设计

基于COMSOL软件构建了电容层析成像传感器三维有限元模型,并实现其正问题求解,在此基础上,进行了电容层析成像3层分布的阵列电极传感器参数的无量纲优化设计。首先,分析了传感器的屏蔽层半径R3、电极高度h、电极宽度w及电极层间距l对灵敏度均匀性指标P及电容值动态范围D的影响规律;然后,通过设计正交试验,综合分析各结构参数对优化指标的影响;最终,得到一组电容层析成像三维传感器的优化结构参数:R3=1.50,h=0.20,w=0.20,l=0.06。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法。首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习机及并行感知器改进极限学习机算法进行比较,结果表明,提出的MO-PLP-ELM算法其辨识率明显高于其它算法,平均辨识率达96.1%。