浮选过程气泡流场体视化测试方法与运动机理研究

Flotation is a mineral separation technique, which is based on the multi-phase flow mechanics. As a key medium of the flotation process, bubbles affect the efficiency of flotation directly. Researching on the temporal-spatial characteristics of bubble flow is very important to improve the industrial design production and promote the development of flotation theory. In order to realize the intelligent measurement of the spatial-temporal characteristics and flow mechanism of the three-dimensional bubble flow field in flotation, experimental measurement and artificial intelligence technique are combined in this project. The main contents are as follows: (1) Study the three-dimensional image measuring method for the Three Dimensional measurement with Speedy-Dynamic-Microscopic Image (3D-SDMI) technique. The intelligent prediction models based on spatial and temporal scale are established to predict the bubble parameters. (2) Develop the depth learning stereoscopic reconstruction algorithm for the Three Dimensional Particle Image Velocimetry (3D-PIV) technique. Then, get the 3D spatial-temporal characteristics of the bubble flow based on the reconstructed space. (3) Establish the series-parallel fusion models of intelligent prediction and dynamic mechanism, which could improve the prediction accuracy of parameter and develop the description of bubble flow mechanism.

浮选（Flotation）是一种以多相流流体力学理论为基础的矿物分选技术，气泡作为浮选过程的关键媒介直接影响浮选效率。测量气泡流场的时空特性，对于指导工业生产设计、推动浮选机理发展具有重要意义。本课题将实验测量与人工智能相结合，旨在实现浮选气泡三维流场的时空特性智能测量和流动机理准确描述。主要研究内容有：（1）研究用于三维高速动态显微图像测试(3D-SDMI）技术的三维图像测量方法，建立时/空多尺度智能预测模型，实现气泡参数的智能测量。（2）基于三维粒子图像测速（3D-PIV）技术，开发深度学习体视重构算法，实现气泡流场的体视化，分析气泡的三维时空特性。（3）建立基于智能预测与运动机理的混联模型，提高特征参数预测精度，获得气泡运动机理描述的新方法。

气泡是浮选过程中的重要媒介，研究气泡时空特性的测量方法对于指导工业生产设计、推动浮选机理发展具有重要意义。本项目针对浮选过程中气泡流场的测量问题，研究了基于多视角图像和3D-PIV技术的体视化测试方法，主要研究内容和结果总结如下：.（1）基于气泡流场多视角图像测量方法，建立了气泡末速度预测模型及气泡分布三维重建模型。分别搭建了基于光场相机、三目高速相机的气液两相流实验测试系统；提出了一种基于图像处理和卷积神经网络的气泡末速度预测方法，以VGG网络结构为基础，采用迁移学习的方式网络模型进行训练，提高了气泡末速度预测精度；建立了基于光场图像的气泡分布三维重建网络模型（DIF-LeNet），实现了不同维度数据的特征融合及目标量的回归预测，仅通过单幅重聚焦气泡图像及该图像的聚焦深度就可以预测出气泡的深度，从而提高了气泡三维分布重建的计算速度和精度，解决了对于无聚焦图像气泡的重建难题；研究了三目相机立体标定（TCSC）方法，对传统的SART迭代算法进行了改进，提出了先粗后精同步代数迭代重建算法（RPL-SART），实现了基于三角度图像的气泡三维分布重建，提高了重建速度和重建精度。.2）研究3D-PIV体视重构技术，实现泡状流三维速度场体视化。搭建了气液两相流3D-PIV实验测试系统；提出了一种基于3D-PIV技术的泡状流速度场三维重建方法，将双目立体视觉与基于傅里叶变换的互相关算法相结合，完成了PIV粒子图像区域的时空多尺度匹配，实现了泡状流三维速度场的体视化。本项目所提出的3D-PIV重建技术降低了设备成本和计算的复杂度，提高了计算速度，保证了重建精度。.3）分析了气泡运动的时空特性，探索了泡状流的运动机理。在气泡运动末速度预测和体视化重构的基础上，观察了气泡流场的时空特性演变规律，分析了泡状流在三维空间的时空特性，探索了气泡流动过程的内在本质和泡状流的运动机理。