基于视觉变换器的三相流分类方法，通过生成对抗网络实现数据增强

《AIChE Journal?AIChE》：Vision transformers for three-phase flow classifications with data augmentation through generative adversarial networks

多相流分类研究采用WGAN-GP数据增强解决小样本不平衡问题，基于ImageNet-21k预训练的Vision Transformer（ViT）模型实现高效分类。相较于CNN，ViT成功区分全部类别且性能稳定，为油气管网多相流识别提供了新方法。

　　

摘要

识别多相流状态对于上游油气生产管道的高效设计和运行至关重要。卷积神经网络（CNN）被广泛用于分类流状态。然而，CNN通常无法准确分类小型且不平衡的数据集。在本研究中，采用了Wasserstein生成对抗网络-梯度惩罚（WGAN-GP）进行数据增强，以消除类别不平衡问题。使用在ImageNet-21k数据集上预训练的Vision Transformers（ViT）模型进行分类。ViT的架构简单且鲁棒，能够提取多相流图像的动态特征。与CNN不同，ViT成功区分了所有类别，并在所有类别系统中表现出一致的良好性能。本研究提出的方法为识别和分类上游油气管道中出现的不平衡且小型多相流数据集提供了一个新的框架。

利益冲突声明

作者声明没有利益冲突。