[论文解读] Two-phase flow regime prediction using LSTM based deep recurrent neural network

Zhuoran Dang, Mamoru Ishii|arXiv (Cornell University)|Mar 30, 2019

Power Transformer Diagnostics and Insulation参考文献 12被引用 13

一句话总结

本文提出一种基于LSTM的深度循环神经网络（RNN），利用电阻式空隙仪获取的时间序列空隙率数据，实现实时两相流流型预测。该模型在3层网络下达到最高92.3%的测试准确率，表明更深的网络可提升准确率，但会增加预测延迟，序列长度与网络深度是实现实时性能的关键权衡因素。

ABSTRACT

Long short-term memory (LSTM) and recurrent neural network (RNN) has achieved great successes on time-series prediction. In this paper, a methodology of using LSTM-based deep-RNN for two-phase flow regime prediction is proposed, motivated by previous research on constructing deep RNN. The method is featured with fast response and accuracy. The built RNN networks are trained and tested with time-series void fraction data collected using impedance void meter. The result shows that the prediction accuracy depends on the depth of network and the number of layer cells. However, deeper and larger network consumes more time in predicting.

研究动机与目标

• 开发一种动态、实时的两相流流型预测方法，以克服静态流型图的局限性。
• 应对严重事故场景（如核反应堆堆芯熔毁）中对快速响应的需求。
• 通过利用时间序列数据中的时间依赖性，提升传统机器学习方法的预测准确率。
• 评估模型深度、序列长度与预测速度之间的权衡，以实现实时应用。

提出的方法

• 构建基于深度LSTM的RNN，通过堆叠长短期记忆单元来建模时间序列空隙率数据中的时间依赖性。
• 网络使用三个门（输入门、遗忘门、输出门）和一个细胞状态，以缓解梯度消失问题并捕捉长距离依赖关系。
• 模型处理连续的空隙率输入，并输出预定义流型的概率分布，选择概率最高的流型作为预测结果。
• 通过调整隐藏层数量、每层的LSTM单元数量以及是否使用ReLU激活层，改变网络架构以研究性能权衡。
• 模型在公开的时间序列空隙率信号数据库上进行训练与测试，数据通过电阻式空隙仪采集。
• 系统性地改变序列长度（从3秒到20秒），以评估其对准确率与延迟的影响。

实验结果

研究问题

• RQ1 LSTM网络的深度如何影响两相流流型分类的准确率与预测速度？
• RQ2 空隙率数据的最优序列长度是多少，才能实现准确且及时的流型预测？
• RQ3 不同架构组件（如LSTM单元数量、ReLU层数量及堆叠策略）如何影响模型性能？
• RQ4 深度RNN模型能否在实时两相流动态监测中同时实现高准确率与快速响应？
• RQ5 堆叠多层RNN是否优于在单一层中增加隐藏单元数量？

主要发现

• 基于LSTM的RNN测试准确率随网络深度增加而提升，3层网络（3LSTM-128H-2ReLU）达到92.3%的最高准确率。
• 每层LSTM单元数量增加（如从128增至256）可使准确率从86.7%提升至88.3%。
• 仅使用一个ReLU层（LSTM-128H-1ReLU）会使准确率降至78.5%，表明模型容量不足，难以胜任该任务。
• 堆叠网络（如(LSTM-128H-2ReLU) × 2）的预测时间比单个2层模型增加4.28倍，且未持续优于更深的单路径网络。
• 序列长度影响显著：准确率从5秒时的86.7%急剧下降至3秒时的73.5%，表明较长序列对可靠分类至关重要。
• 20秒序列长度的模型达到95.6%的准确率，表明更长的时间上下文能显著提升性能，尽管会带来延迟增加。