基于深度迁移学习的池沸腾瞬时状态快速识别方法

• 全文链接
• 请求原文

作   者：

张轩;  洪敏;  古江杭;  莫冬传;  衡益; 

作者机构：

中山大学广东省计算科学重点实验室;  中山大学材料学院;  中山大学计算机学院;  中山大学国家超级计算广州中心;  广东省先进热控材料及系统集成工程技术研究中心; 

关键词：

实时检测;  沸腾危机;  卷积神经网络;  迁移学习;  状态识别; 

期刊名称：

中国科学:技术科学

i s s n：

1674-7259

年卷期：

2024 年 06 期

页   码：

1057-1068

摘   要：

沸腾过程高效传热的同时也面临着沸腾危机,而沸腾状态的瞬时识别与预测是维持“高功率密度电子器件”高效散热与延长生命周期的关键问题之一.得益于人工智能的快速发展,智能监测与快速识别技术逐渐被用于开发高效的沸腾状态检测器.传统机器学习方法作为纯数据驱动方法难以摆脱对数据的过度依赖,而在实际沸腾应用场景下,模型会因为工况改变与数据稀缺面临泛化瓶颈.基于此,本文提出了一种基于深度迁移学习的池沸腾瞬时状态快速识别方法.首先基于卷积神经网络构建状态识别器OrigCNN,并利用自行开展的池沸腾实验获取沸腾瞬时状态数据集Dataset A训练源模型,测试准确率为100%;针对源模型的泛化瓶颈,本文以自有数据集Dataset A为源域,公开数据集Dataset B和Dataset C为目标域,在源模型OrigCNN中引入迁移学习技术构建深度迁移模型TLCNN,并分别使用目标域数据集的10%, 5%, 2.5%和1%构建小样本数据集用于迁移训练.测试结果表明,迁移训练样本数据量越多, TLCNN的测试准确率越高,以使用5%Dataset B(132张)进行迁移训练为例, TLCNN测试准确率达99.83%,临界状态检测假阴性率(false negative rate, FNR)为0.38%,证明该模型在实际场景切换时迁移应用的有效性与可靠性.此外,本文提出的深度迁移学习模型的识别效率在单机设备上即可达到毫秒级,对开发实时沸腾瞬态状态识别器及相应的数字孪生工具软件有重要的意义.