Известия вузов. Ядерная энергетика

Рецензируемый научно-технический журнал. ISSN: 0204-3327

Методика определения параметров двухфазной среды с помощью средств компьютерного зрения

17.09.2026 2026 - №03 Теплофизика и теплогидравлика

Н.В. Павлюковский А.О. Толоконский К.В. Куценко Ю.А. Маслов А.А. Савельев

DOI: https://doi.org/10.26583/npe.2026.3.08

УДК: 536.24: 004.89

Системы детектирования двухфазных потоков все чаще привлекают пристальное внимание в области теплофизики. Однако инструменты, существующие для идентификации параметров потока, не могут быть применены на практике из-за многообразия структур потока, сложности и дороговизны, а также инвазивности. Целью данной работы является разработка доступной автоматизированной системы определения характеристик двухфазного потока теплоносителя с использованием методов компьютерного зрения. Данные, получаемые системой сбора параметров, в частности, видеопоток, позволили реализовать алгоритм детектирования паровых пузырей путем использования сверточной нейронной сети. Разработанная система позволяет определять ряд параметров двухфазного потока: объемное паросодержание, размеры паровых пузырей и их распределение по размерам. Проведена оценка точности определения размера детектируемых классов, показавшая погрешность измерения менее 10%. Система диагностики интегрирована с программно-техническим комплексом для автоматизированного сбора и контроля параметров в режиме реального времени. Данные, полученные в ходе экспериментов с помощью созданной системы, не противоречат теоретическим расчетам, что подтверждает работоспособность методов. В дальнейшем предлагается найти корреляции параметров двухфазного потока со спектром температурных флуктуаций перегрева теплоотдающей поверхности нагревателя.

Ссылки

  1. Wongsaroj W., Hamdani A., Thong-un N., Takahashi H., Kikura H. Ultrasonic measurement of velocity profile on bubbly flow using fast Fourier transform (FFT) technique. IOP Conference Series: Materials Science and Engineering. 2017;249(1):012011. DOI: https://doi.org/10.1088/1757-899x/249/1/012011
  2. Cui X., He Y., Li M., Cao W., Gao Z. Complex network-based framework for flow pattern identification in vertical upward oil–water two-phase flow. Physica A: Statistical Mechanics and its Applications. 2025;662:130351. DOI: https://doi.org/10.1016/j.physa.2025.130351
  3. Zhang K.P., Ku H.C., He X.G., Lu H.L., Zhang M., Guo C.B. Measurement of gas and liquid flow rates in two-phase pipe flows with distributed acoustic sensing. Measurement. 2025;250:117137. DOI: https://doi.org/10.1016/j.measurement.2025.117137
  4. Jha D.K., Ray A., Mukherjee K., Chakraborty S. Classification of two-phase flow patterns by ultrasonic sensing. Journal of Dynamic Systems, Measurement and Control. 2013;135(2):024503. DOI: https://doi.org/10.1115/1.4007555
  5. Poelma C. Measurement in opaque flows: a review of measurement techniques for dispersed multiphase flows. Acta Mechanica. 2020;231(6):2089–2111. DOI: https://doi.org/10.1007/s00707-020-02683-x
  6. Di Nunno F., Alves Pereira F., de Marinis G., Di Felice F., Gargano R., Miozzi M., Granata F. Deformation of air bubbles near a plunging jet using a machine learning approach. Applied Sciences. 2020;10(11):3879. DOI: https://doi.org/10.3390/app10113879
  7. Condriuc I., Kipping R., Maestri R., Kryk H., Schleicher E., Hampel U. Gas flow rate measurement in two-phase flows using an optical channel body flow sensor. Design and validation of the single-channel prototype. Flow Measurement and Instrumentation. 2025;104:102901. DOI: https://doi.org/10.1016/j.flowmeasinst.2025.102901
  8. Shi Y., Sun Y., Wang M., Zhang S., Yang Z. Flow pattern recognition for horizontal gas-liquid two-phase flow with a hybrid deep-learning model. Flow Measurement and Instrumentation. 2025;102:102829. DOI: https://doi.org/10.1016/j.flowmeasinst.2025.102829
  9. Suh Y., Bostanabad R., Won Y. Deep learning predicts boiling heat transfer. Scientific reports. 2021;11(1):5622. DOI: https://doi.org/10.1038/s41598-021-85150-4
  10. Paz C., Cabarcos A., Concheiro M., Conde-Fontenla M. Classification of boiling regimes, fluids, and heating surfaces through deep learning algorithms and image analysis. International Journal of Heat and Mass Transfer. 2025;242:126829. DOI: https://doi.org/10.1016/j.ijheatmasstransfer.2025.126829
  11. Лауар Суфиан, Делов М.И., Литвинцова Ю.Е., Кузьменков Д.М., Мурадян К.Ю., Навасардян М.В., Куценко К.В. Теплогидравлический стенд для разработки новых решений в области использования цифровых двойников объектов атомной энергетики. Известия вузов. Ядерная энергетика. 2020;2:122–134. DOI: https://doi.org/10.26583/npe.2020.2.11
  12. Лыков А.В. Теория теплопроводности: учебное пособие для студентов теплотехнических специальностей высших учебных заведений. Москва: Высшая школа, 1967, 599 с. URL: https://djvu.online/file/xgw6k0PwkBfEk (дата обращения 02.11.2025).
  13. Liu W., Wang Z., Liu X., Zeng N., Liu Y., Alsaadi F.E. A survey of deep neural network architectures and their applications. Neurocomputing. 2017;234:11–26. DOI: https://doi.org/10.1016/j.neucom.2016.12.038
  14. Ultralytics Home. Ultralytics YOLO Docs. URL: https://docs.ultralytics.com/ (дата обращения 02.11.2025).
  15. Jiang P., Ergu D., Liu F., Cai Y., Ma B. A Review of Yolo algorithm developments. Procedia computer science. 2022;199:1066–1073. DOI: https://doi.org/10.1016/j.procs.2022.01.135
  16. Srivastava S., Divekar A.V., Anilkumar C., Naik I., Kulkarni V., Pattabiraman V. Comparative analysis of deep learning image detection algorithms. Journal of Big data. 2021;8(1):66. DOI: https://doi.org/10.1186/s40537-021-00434-w
  17. Лазакович Н.В., Сташуленок С.П., Яблонский О.Л. Курс теории вероятностей. Минск: Электронная книга БГУ, 2003. URL: https://dl.libcats.org/genesis/32000/548250e754e0e74d6f4331c38c592829/_as/[Lazakovich_N.V.,_Stashulenok_S.P.,_YAblonsky_O.L.(libcats.org).pdf (дата обращения 02.11.2025).
  18. Balakin B.V., Delov M.I., Kosinska A., Kutsenko K.V., Lavrukhin A.A. Heat transfer during transition to nucleate boiling. International Journal of Heat and Mass Transfer. 2015;91:1101–1105. DOI: https://doi.org/10.1016/j.ijheatmasstransfer.2015.08.026
  19. Лабунцов Д.А., Ягов В.В. Механика двухфазных систем. М.: Издательский дом МЭИ, 2016, 384 c. ISBN 978-5-383-00964-2. URL: https://techlibrary.ru/b2/2t1a1b1u1o1x1p1c_2l.2h.,_3n1d1p1c_2j.2j._2u1f1w1a1o1j1l1a_1e1c1u1w1v1a1i1o2c1w_1s1j1s1t1f1n._2016.pdf (дата обращения 02.11.2025).
  20. Несис Е.И. О механизме отрыва пузырьков от несмачиваемой горизонтальной плоскости. Доклады Академии наук. Российская академия наук, 1965,165(4):871–873. URL: https://www.mathnet.ru/links/8142f906003ca3f43bcd9e4bf455814e/dan31905.pdf (дата обращения 02.11.2025).
  21. Исламова А.Г., Феоктистов Д.В., Орлова Е.Г. Влияние шероховатости на поверхностную энергию и смачиваемость поверхностей меди и стали. Вестник Тюменского государственного университета. Серия: Физико-математическое моделирование. Нефть, газ, энергетика. 2021;7(1(25)):60–78. DOI: https://doi.org/10.21684/2411-7978-2021-7-1-60-78
  22. Zuber N. The dynamics of vapor bubbles in nonuniform temperature fields. International Journal of Heat and Mass Transfer. 1961;2(1–2):83–98. DOI: https://doi.org/10.1016/0017-9310(61)90016-3

двухфазный поток паросодержание кипение компьютерное зрение параметры двухфазной среды

Ссылка для цитирования статьи: Павлюковский Н.В., Толоконский А.О., Куценко К.В., Маслов Ю.А., Савельев А.А. Методика определения параметров двухфазной среды с помощью средств компьютерного зрения. // Известия вузов. Ядерная энергетика. – 2026. – № 3. – С. 111-122. DOI: https://doi.org/10.26583/npe.2026.3.08 .

Открыть PDF файл