Bu çalışma, evaporatif soğutma sistemindeki gaz-sıvı iki fazlı akışın slug akış, kararsız slug akış ve çalkantılı akış sınıflarına görüntüler üzerinden ayrılmasını incelemektedir. Araştırmacılar, üç akış sınıfının her biri için 300 örnekten oluşan toplam 900 örnek kullanmış; tek görüntü karesine dayanan uzamsal tensörleri, eşit zaman aralıklarından seçilmiş beş RGB karesinin üst üste yerleştirilmesiyle oluşturulan uzamsal-zamansal tensörlerle karşılaştırmıştır. ResNet-18, SwinTransformer-B ve EfficientNet-B0 modellerini uzmanlar karışımı sistemi içinde birleştiren ve çıktıları çalışmanın adlandırmasıyla bir Mamba dikkat mekanizmasından geçiren tam model, test kümesinde %83,9 genel tanıma doğruluğuna ulaşmıştır. Bununla birlikte çalışma hakem değerlendirmesinden geçmemiştir; eğitim-test ayrım oranı, kamera kare hızı, model eğitim hiperparametreleri, bağımsız dış test sonuçları ve tekrarlı deneylerin ortalama ile belirsizlik değerleri bildirilmemiştir.

Tam model, yalnızca tek görüntü karesi kullanan SwinTransformer-B modelinin %75,0 doğruluğuna kıyasla 8,9 yüzde puanlık daha yüksek doğruluk vermiştir. Yazarlar bu farkı “%8,9 iyileşme” şeklinde ifade etmektedir; karşılaştırılan iki doğruluk değeri arasındaki matematiksel fark, göreli yüzde artıştan ziyade 8,9 yüzde puanıdır. Tam modelin en güçlü sınıf sonucu çalkantılı akışta %93,1 geri çağırma olurken, kararsız slug akış geri çağırması %68,2’de kalmıştır. Dolayısıyla genel doğruluktaki yükseliş bütün akış sınıflarına eşit dağılmamıştır.

Araştırmanın temel sorusu nedir?

Gaz-sıvı iki fazlı akışta gaz kabarcıklarının biçimi, dağılımı, sürekliliği ve zaman içindeki hareketi akış direnciyle ısı transferini doğrudan etkileyebilmektedir. Çalışmanın ele aldığı temel sorun, geleneksel akış rejimi tanıma yöntemlerinin akışın uzamsal görünümüyle zamansal evrimini çoğunlukla birbirinden ayrı değerlendirmesidir.

Diferansiyel basınç veya iletkenlik gibi zaman sinyallerine dayanan yöntemler akışın zamansal değişimini izleyebilse de gaz ve sıvı fazlarının boru içindeki geometrik yapısını sınırlı biçimde temsil eder. Tek görüntü karesine dayanan görsel yöntemler ise kabarcıkların şeklini ve dokusunu gösterebilir; fakat birbirine benzeyen iki akışın birkaç kare sonra nasıl farklılaştığını doğrudan kullanmaz.

Bu ayrım özellikle slug flow ile unstable slug flow arasında önemlidir. Kararsız slug akış, düzenli slug akıştan başka rejimlere geçiş aşaması olarak tanımlanmıştır. Tek bir görüntü karesinde bu iki sınıfın dokuları oldukça benzer olabilir. Araştırmanın temel hipotezi, birden fazla kareyi aynı tensörde birleştirmenin modelin yalnızca “akış şu anda nasıl görünüyor?” sorusunu değil, “akış kısa bir zaman aralığında nasıl değişiyor?” sorusunu da yanıtlamasını sağlayacağıdır.

Deney düzeneği nasıl kurulmuştur?

Örnekler, kendi kendine dolaşımlı bir evaporatif soğutma sistemi ile görüntü toplama sisteminden oluşan fiziksel deney düzeneğinde elde edilmiştir. Soğutma çevriminin temel bileşenleri şunlardır:

• Isıtıcı,
• Dikey gaz çıkış borusu,
• Yoğuşturucu,
• Sıvı dönüş borusu,
• Aydınlatma paneli,
• Görüntüleme kamerası.

Isıtıcının iç haznesi soğutucu akışkana tamamen daldırılmıştır. Sıvı, ısıtıcıdan enerji aldığında kısmen buharlaşarak gaz-sıvı karışımı oluşturur. Yoğunluk farkı karışımın dikey gaz çıkış borusunda yukarı hareket etmesini sağlar. Gaz fazı yoğuşturucuda ısı vererek yeniden sıvılaşır ve yerçekimi etkisiyle sıvı dönüş borusundan ısıtıcıya döner.

Gaz çıkış bölümünün üst noktası ile ısıtıcının altı arasındaki düşey yükseklik H = 110 cm olarak verilmiştir. Deneyde farklı başlangıç sıvı seviyeleri kullanılmıştır:

• h₁ = 100 cm,
• h₂ = 75 cm,
• h₃ = 45 cm,
• h₄ = 20 cm.

Farklı başlangıç seviyeleri ile farklı ısı yükleri bir araya getirilerek gaz çıkış borusunda farklı akış rejimleri oluşturulmuştur. Şekil 2’de yatay eksen uygulanan ısı yükünü watt cinsinden, düşey eksen ise gözlenen akış sınıfını göstermektedir. Grafikler, akış rejiminin yalnızca ısı yüküne değil boru çapına ve başlangıç sıvı seviyesine de bağlı olduğunu göstermektedir. Isı yükü yükseldikçe birçok çalışma noktasında düzenli slug akıştan kararsız slug akışa ve bazı koşullarda çalkantılı akışa geçiş görülmektedir; ancak geçiş eşikleri her sıvı seviyesi ve boru çapı için aynı değildir.

Görüntüleme koşulları neden önemlidir?

Araştırmacılar ön aydınlatma, yan aydınlatma ve arka aydınlatma düzenlerini karşılaştırmıştır. Ön aydınlatmada kabarcık gölgeleri kabarcıkların üzerine bindiği için gaz-sıvı kontrastının zayıfladığı, yan aydınlatmada gölgelerin kamera doğrultusuna göre açılı oluştuğu bildirilmiştir. Arka aydınlatma ise gaz-sıvı arayüzünü daha görünür hâle getirdiği için deneyde bu düzen seçilmiştir.

Şeffaf boruların iç çapları 8 mm ve 16 mm olarak belirlenmiştir. Görüntüler dikey gaz çıkış borusundaki seçilmiş bir gözlem bölümünden alınmıştır. PDF, kullanılan cihazı “ordinary camera”, yani standart bir kamera olarak tanımlamaktadır; marka, model, çözünürlük, pozlama süresi ve saniyedeki kare sayısı verilmemiştir. Bu eksiklik, zamansal tensörde seçilen beş karenin gerçekte kaç saniyelik bir fiziksel aralığı temsil ettiğinin belirlenmesini engellemektedir.

Üç akış rejimi görüntülerde nasıl ayrılmaktadır?

Şekil 3’te her akış sınıfına ait ardışık görüntü kareleri sunulmaktadır. Slug akış görüntülerinde sınırları seçilebilen uzamış gaz bölgeleri görülür. Kararsız slug akışta bu bölgeler parçalanmaya ve biçim değiştirmeye başlar. Çalkantılı akış görüntülerinde ise sürekli ve düzenli bir gaz slugı yerine daha yoğun, düzensiz ve hızlı değişen bir karışım dokusu vardır.

Tek bir kare slug akışla kararsız slug akış arasındaki farkı her zaman açık biçimde göstermeyebilir. Çalışmanın beş kare kullanmasının temel gerekçesi, sınırların zaman içindeki parçalanmasını ve periyodikliğin zayıflamasını modele aktarabilmektir.

Uzamsal-zamansal girdi tensörü nasıl oluşturulmuştur?

Her akış rejimi için 300 örnek, toplamda 900 örnek toplanmıştır. Her örnek 30 ardışık görüntü karesinden oluşmaktadır. Araştırmacılar iki farklı girdi şeması hazırlamıştır:

Bir RGB görüntü üç renk kanalına sahiptir. Beş RGB karenin üst üste yerleştirilmesi, kanal sayısını 5 × 3 = 15’e çıkarmaktadır. Böylece model aynı örnek içinde beş farklı zaman anına ait görüntü bilgisini birlikte işlemektedir.

Çalışma, 30 karelik diziden hangi beş kare indeksinin seçildiğini veya kareler arasındaki fiziksel zaman aralığını belirtmemektedir. “Eşit zaman aralıkları” ifadesi seçim düzenini genel olarak açıklasa da yöntemin tam olarak yeniden üretilmesi için yeterli ayrıntı sunmamaktadır.

Zamansal bilgi klasik modellerin doğruluğunu nasıl değiştirmiştir?

Tek kareli uzamsal tensör ile beş kareli uzamsal-zamansal tensör, ResNet-18, SwinTransformer-B ve EfficientNet-B0 modellerinde karşılaştırılmıştır.

Üç modelin tamamında genel doğruluk artmıştır. En büyük yükseliş SwinTransformer-B’de görülmüş; doğruluk %75,0’dan %81,1’e çıkmıştır. Bununla birlikte genel doğruluk tek başına sınıfların her birinde iyileşme olduğu anlamına gelmemektedir.

Karışıklık matrisleri hangi sınıfların kazandığını ve kaybettiğini göstermektedir?

Satır-normalize karışıklık matrislerinin köşegen değerleri, her gerçek sınıfın doğru tanınma oranını, yani sınıf geri çağırmasını göstermektedir.

Beş kareli tensör, slug akış ile kararsız slug akışın ayrılmasını genel olarak geliştirmiştir. Örneğin SwinTransformer-B’de slug akış geri çağırması %75,4’ten %86,4’e, kararsız slug akış geri çağırması %58,7’den %77,8’e yükselmiştir.

Buna karşılık çalkantılı akış geri çağırması üç modelde de azalmıştır:

• ResNet-18’de %93,4’ten %83,6’ya,
• SwinTransformer-B’de %90,2’den %79,1’e,
• EfficientNet-B0’da %93,4’ten %80,6’ya düşmüştür.

Yazarlar bu sonucu “çalkantılı akış özellik uzayının sıkışması” ve “özellik dağılımı kayması” olarak yorumlamaktadır. Başka bir ifadeyle zaman bilgisi, birbirine benzeyen slug sınıflarını ayırmak için karar sınırını yeniden düzenlerken, görsel olarak daha farklı olan çalkantılı akışa ayrılan temsil alanını daraltmış olabilir. Bu mekanizma doğrudan ölçülmüş bir fiziksel büyüklük değildir; karışıklık matrisi davranışından hareketle yapılan model yorumudur.

Uzmanlar karışımı modeli nasıl çalışmaktadır?

Önerilen sınıflandırıcıda üç farklı sinir ağı “uzman” olarak kullanılmıştır:

• ResNet-18: Artık bağlantıları kullanarak derin ağlarda gradyan kaybı veya patlaması sorununu azaltmayı amaçlayan evrişimli ağ.
• SwinTransformer-B: Kaydırılmış pencereli öz-dikkat yapısıyla görüntüdeki daha uzun mesafeli ilişkileri modelleyen görsel Transformer mimarisi.
• EfficientNet-B0: Ağ derinliği, genişliği ve görüntü çözünürlüğünü birlikte ölçekleyen evrişimli mimari.

Bu modeller aynı girdiye farklı temsil ilkeleriyle yaklaşmaktadır. Uzmanlar karışımı (mixture of experts, MoE) sistemi, her örnek için uzman çıktılarını tek biçimde ortalamak yerine bir geçit ağı üzerinden ağırlıklandırmaktadır. Amaç, belirli bir akış örneğinde hangi uzmanın daha yararlı olduğunu dinamik olarak belirlemektir.

Şekil 6’da B₁, B₂ ve B_n temel modelleri; V₁, V₂ ve V_n bu modellerin çıkardığı özellikleri; G geçit ağını; V ağırlıklı birleşik özelliği; ATT ise Mamba tabanlı işleme bölümünü göstermektedir.

Geçit ağının mimarisi nasıldır?

Şekil 7’de geçit ağı aşağıdaki sıra ile gösterilmiştir:

1. Girdi tensörü: (900, 15, 224, 224),
2. 3 × 3 Conv1, kanal dönüşümü 15 → 6 ve 2 × 2 MaxPool,
3. 3 × 3 Conv2, kanal dönüşümü 6 → 16 ve 2 × 2 MaxPool,
4. 3 × 3 Conv3, kanal dönüşümü 16 → 32 ve 2 × 2 MaxPool,
5. Uyarlamalı ortalama havuzlama, şekilde “(32,32), 1 × 1” biçiminde gösterilmiştir,
6. Düzleştirme,
7. 32 → 120 tam bağlı katman ve ReLU,
8. 120 → 3 tam bağlı katman ve ReLU,
9. Üç uzman için ağırlık üreten Softmax çıkışı.

Şemada ilk boyut olarak bütün veri kümesindeki 900 örneğin yazılması ve bazı ara boyutların “(32,32)” biçiminde belirtilmesi standart mini-batch gösterimiyle tam olarak açıklanmamıştır. Ağın genel işlevi anlaşılmakla birlikte, kod düzeyinde yeniden üretim için katman çıkış boyutlarının ve batch kullanımının ayrıca açıklanması gerekmektedir.

Mamba tabanlı mekanizma hangi matematiksel işlemleri kullanmaktadır?

Çalışmanın adlandırmasıyla “Mamba dikkat mekanizması”, birleşik özellikleri seçici durum uzayı modeli üzerinden yeniden işlemektedir. Girdi:

\[ X \in \mathbb{R}^{B_{\mathrm{batch}} \times L \times d} \]

olarak tanımlanabilir. Burada:

• B_batch mini-batch büyüklüğü,
• L dizi uzunluğu,
• d özellik boyutudur.

PDF, batch büyüklüğü için kullandığı B sembolünü aynı zamanda girdi projeksiyon matrisi için de kullanmaktadır. Karışıklığı önlemek amacıyla batch büyüklüğü burada B_batch olarak gösterilmiştir; özgün formüldeki matris sembolleri değiştirilmemiştir.

Dinamik parametreler doğrusal dönüşümlerle üretilmektedir:

\[ \begin{cases} \Delta = W_{\Delta}X \\ \mathbf{B} = W_{B}X \\ \mathbf{C} = W_{C}X \end{cases} \]

• Δ, durumun ne hızla güncelleneceğini belirleyen zaman adımı ayar parametresidir.
• B, mevcut girdinin gizli duruma ne ölçüde aktarılacağını belirleyen girdi projeksiyonudur.
• C, gizli durumdan hangi özelliklerin çıktıya aktarılacağını belirleyen çıktı projeksiyonudur.
• W_Δ, W_B ve W_C öğrenilebilir ağırlık matrisleridir.

Metin, Δ değerinin sigmoid fonksiyonu kullanılarak pozitif değerlerle sınırlandığını söylemektedir; ancak sigmoid işlemi Denklem 1’in yazılı biçiminde açıkça gösterilmemiştir. Bu nedenle uygulanan gerçek dönüşümün kod veya ek yöntem açıklamasıyla doğrulanması gerekir.

Belgede Δ için boyut [ B_{\mathrm{batch}} \times L \times d ], girdi projeksiyonu B için [ B_{\mathrm{batch}} \times L \times n ] ve W_B için [ d \times d ] verilmektedir. Gizli durum boyutu n ile özellik boyutu d eşit değilse W_B dönüşümünün n boyutunu nasıl ürettiği açıklanmamıştır. Bu da formül notasyonundaki bir boyutlandırma belirsizliğidir.

Durum uzayı denkleminin ayrıklaştırılmış biçimi şu şekilde verilmiştir:

\[ \begin{cases} \widetilde{A}_{t} = e^{\Delta_{t}A} \\ \widetilde{B}_{t} = (\Delta_{t}A)^{-1}(e^{\Delta_{t}A}-I)\cdot\Delta_{t}B_{t} \\ h_{t} = \widetilde{A}_{t}h_{t-1}+\widetilde{B}_{t}x_{t} \\ y_{t} = C_{t}h_{t} \end{cases} \]

• A, öğrenilebilir durum matrisi ve [ n × n ] boyutundadır.
• h_t, t anındaki n boyutlu gizli durumdur.
• x_t, t anındaki d boyutlu girdi vektörüdür.
• Ã_t ve B̃_t, sürekli durum uzayı sisteminin zamana bağlı ayrık karşılıklarıdır.
• I, birim matristir.

Çalışmaya göre büyük Δ_t değeri e^ΔtA teriminin daha hızlı sönmesine ve geçmiş bilginin daha hızlı unutulmasına; küçük Δ_t ise daha uzun süreli bağımlılıkların korunmasına yol açmaktadır. Buradaki zaman adımı, deneyde saniye cinsinden ölçülmüş bir süre olarak verilmemiştir; ağın içindeki öğrenilebilir dizi güncelleme parametresidir.

Geçmiş bilgiyi taşıyan durum uzayı çıktısıyla mevcut girdiyi birleştirmek için atlama bağlantısı kullanılmaktadır:

\[ y_{t} = C_{t}h_{t}+Dx_{t} \]

Bu formülde C_th_t geçmiş durumdan kodlanan özelliği, Dx_t ise mevcut girdiyi doğrudan vurgulayan atlama yolunu temsil eder. Öğrenilebilir D matrisi iki bileşenin göreli katkısını ayarlar.

Mamba katmanının ardından artık bağlantısı, LayerNorm ve ileri beslemeli ağ kullanılmıştır. Artık bağlantısı gradyan akışını ve bilgi korunmasını, LayerNorm özellik ölçeklerinin dengelenmesini, ileri beslemeli ağ ise doğrusal durum uzayı işlemlerine doğrusal olmayan özellik etkileşimi eklenmesini amaçlamaktadır.

Ablasyon deneyleri hangi bileşenin ne kazandırdığını göstermektedir?

Uzamsal-zamansal tensörü kullanan üç klasik sınıflandırıcının ortalama doğruluğu %79,8’dir. Model-3 bu ortalamayı 4,1 yüzde puanı aşmıştır.

Model-1’de farklı uzmanların yanlılıklarının birbirini kısmen dengelemesi, çalkantılı akış geri çağırmasını tekil uzmanların çoğundan daha yüksek bir düzeye taşımıştır. Model-2’de geçit ağı uzman çıktılarını örneğe bağlı ağırlıklandırarak genel doğruluğu %81,7’den %82,8’e yükseltmiştir.

Model-3’te Transformer tabanlı bölümün Mamba ile değiştirilmesi genel doğruluğu %83,9’a ve çalkantılı akış geri çağırmasını %93,1’e çıkarmıştır. Buna karşılık slug akış geri çağırması %84,4’te değişmemiş, kararsız slug akış geri çağırması %71,4’ten %68,2’ye düşmüştür.

Bu sonuç, Mamba bileşeninin bütün sınıfları aynı anda geliştirmediğini göstermektedir. Çalışmanın sonuç bölümünde Mamba’nın geçiş durumlarının önemli geçici bağımlılıklarını yakaladığı ifade edilse de sınıf bazlı ablasyon verisindeki görünür kazanç ağırlıklı olarak çalkantılı akışta toplanmıştır. Kararsız slug akış, çalışmanın tam modelinde en düşük geri çağırmaya sahip sınıf olarak kalmıştır.

Çalışmanın desteklediği sonuçlar nelerdir?

• Bu deney veri kümesinde beş görüntü karesinin birlikte kullanılması, üç klasik modelin genel doğruluğunu tek kareli girdiye göre artırmıştır.
• Zamansal bilgi, görsel dokuları birbirine benzeyen slug akış ile kararsız slug akışın ayrılmasını özellikle SwinTransformer-B modelinde belirgin biçimde geliştirmiştir.
• Yalnızca girdi boyutunu büyütmek, bütün sınıfları eşit biçimde iyileştirmemiş ve çalkantılı akış geri çağırmasını düşürmüştür.
• Farklı uzmanları bir geçit ağıyla ağırlıklandırmak, uzmanların tekil güçlü yönlerinden daha dengeli yararlanılmasını sağlamıştır.
• Mamba tabanlı tam model, bu veri kümesinde en yüksek genel doğruluğu ve en yüksek çalkantılı akış geri çağırmasını üretmiştir.

Çalışma neyi kanıtlamamaktadır?

• Modelin başka soğutucu akışkanlarda, farklı boru geometrilerinde veya farklı laboratuvarlarda aynı doğruluğa ulaşacağını göstermemektedir.
• Gerçek zamanlı endüstriyel veya nükleer tesis uygulaması gerçekleştirilmemiştir.
• Modelin gecikme süresi, bellek gereksinimi, enerji tüketimi veya saniyede işleyebildiği kare sayısı bildirilmemiştir.
• Üç sınıf dışındaki kabarcıklı, halkasal, tabakalı veya sis akışı gibi rejimler test edilmemiştir.
• Bağımsız bir dış veri kümesiyle genelleme doğrulaması yapılmamıştır.
• Görüntü kalitesi, aydınlatma değişimi, kamera açısı, boru kirlenmesi veya görüntü gürültüsüne karşı dayanıklılık değerlendirilmemiştir.
• Raporlanan doğruluk farkları için güven aralığı, standart sapma, p değeri veya başka bir istatistiksel anlamlılık analizi sunulmamıştır.
• Yüksek sınıflandırma doğruluğu doğrudan daha yüksek soğutma verimi, daha düşük enerji tüketimi veya tesis güvenliği anlamına gelmemektedir.

Çalışmanın güçlü yönleri ve temel sınırlılıkları nelerdir?

Çalışmanın güçlü yönleri, fiziksel bir evaporatif soğutma düzeneğinden görüntü toplaması, tek kare ile çok kare girdisini aynı temel modeller üzerinde karşılaştırması, sınıf bazlı karışıklık matrisleri sunması ve MoE ile Mamba bileşenlerini ablasyon deneyleriyle ayırmasıdır. Yalnızca toplam doğruluğu değil, her akış rejiminin geri çağırmasını göstermesi, modelin hangi sınıflarda kazanç sağladığını ve hangi sınıflarda gerilediğini görünür kılmaktadır.

Temel sınırlılıklar ise şunlardır:

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Toplam 900 örneğin eğitim ve test kümelerine hangi oranla ayrıldığı belirtilmemiştir.
• Aynı deney koşulundan veya aynı 30 karelik diziden türeyen örneklerin eğitim ve test arasında nasıl ayrıldığı açıklanmamıştır. Bu nedenle koşul veya dizi temelli veri sızıntısı riski değerlendirilememektedir.
• Rastgele eğitim-test bölme işleminin tekrarlandığı belirtilmiş, fakat tekrar sayısı, ortalama doğruluk, standart sapma ve güven aralığı verilmemiştir. Makaledeki sonuçların “temsilî tek deneyden” alındığı açıkça ifade edilmiştir.
• Kamera modeli, kare hızı, pozlama, görüntü yakalama süresi ve beş karenin zaman aralığı belirtilmemiştir.
• Optimizasyon algoritması, öğrenme oranı, epoch sayısı, batch büyüklüğü, kayıp fonksiyonu, veri artırma yöntemi, erken durdurma ölçütü ve donanım bilgisi verilmemiştir.
• Yalnızca üç akış rejimi, iki boru çapı ve tek bir deney platformu incelenmiştir.
• PDF’de nihai ablasyon değerleriyle bazı ek ara grafik sayfalarındaki değerler arasında tutarsızlık bulunmaktadır.
• Formül notasyonunda sigmoid işlemi ve bazı matris boyutları tam olarak açıklanmamıştır.

Geçmiş, bugün ve gelecek açısından çalışma ne ifade etmektedir?

Akış rejimi tanıma araştırmaları geçmişte basınç dalgalanması, iletkenlik, kaos analizi, dalgacık dönüşümü, entropi ve görüntü dokusu gibi farklı sinyal türlerine dayanmıştır. Bu çalışma, zaman sinyali ile görüntü analizi arasındaki ayrımı doğrudan çözmek yerine ardışık görüntüleri tek bir çok kanallı tensörde birleştirmeyi önermektedir.

Bugünkü katkısı, zaman bilgisinin genel doğruluğu artırmasının tek başına yeterli olmadığını göstermesidir. Beş kareli girdi, karıştırılması kolay iki sınıfı ayırırken daha farklı bir sınıfın temsilini zayıflatabilmektedir. Bu nedenle girdi düzeyindeki birleştirme ile sınıflandırıcı düzeyindeki kaynak dağıtımının birlikte tasarlanması gerektiği savunulmaktadır.

Gelecekte daha fazla akış rejiminin, farklı akışkanların, farklı boru çaplarının ve bağımsız deney düzeneklerinin kullanılması gerekir. Ayrıca modelin gerçek zamanlı çalışması, hesaplama maliyeti, farklı aydınlatmalara dayanıklılığı ve deney koşulları arasında genelleme yeteneği değerlendirilmelidir. Çalışmanın mevcut sonuçları umut verici bir laboratuvar sınıflandırma yaklaşımı sunmaktadır; endüstriyel ölçekte doğrulanmış bir kontrol veya güvenlik sistemi sunmamaktadır.

Çalışmanın Yöntemi ve Bulguları

Teknik yöntem özeti

Ana sayısal bulgular

Şekil ve tabloların bilimsel mesajı

• Şekil 1: Isıtıcı, gaz çıkış borusu, yoğuşturucu, dönüş borusu, ışık paneli ve gözlem bölümünün fiziksel yerleşimini göstermektedir.
• Şekil 2: Isı yükü, başlangıç sıvı seviyesi ve boru çapı değiştikçe akış sınıfının nasıl değiştiğini göstermektedir.
• Şekil 3: Üç akış rejiminin ardışık görüntülerdeki morfolojik ve zamansal farklılıklarını sunmaktadır.
• Tablo 1: Slug, kararsız slug ve çalkantılı akışın tanımlayıcı özelliklerini vermektedir.
• Tablo 2: Tek kareli ve beş kareli tensörlerin yapısını karşılaştırmaktadır.
• Şekil 4: Beş kareli girdinin üç klasik sınıflandırıcıda da genel doğruluğu artırdığını göstermektedir.
• Şekil 5: Zamansal bilginin slug sınıflarını iyileştirirken çalkantılı akış geri çağırmasını düşürdüğünü ortaya koymaktadır.
• Şekil 6: Uzman modeller, geçit ağı, özellik birleştirme, Mamba bölümü ve sınıflandırma başlığından oluşan genel mimariyi göstermektedir.
• Şekil 7: Üç uzman için Softmax ağırlıkları üreten evrişimli geçit ağını göstermektedir.
• Şekil 8: Mamba katmanı, artık bağlantısı, LayerNorm ve ileri beslemeli ağ sırasını göstermektedir.
• Tablo 3 ve Şekil 9: Doğrudan birleştirme, dinamik geçit ve Mamba bileşenlerinin genel doğruluk ile sınıf geri çağırmasına ayrı katkılarını göstermektedir.

Kaynak ve Yöntem Notu

Çalışmanın özgün adı: Research on Gas-Liquid Two-Phase Flow Pattern Identification Method Based on Spatio-Temporal Feature Fusion

Yazarlar ve sıraları: Jiaqi Rao; Bin Xiong

Eş birinci yazar: PDF’de eş katkı veya eş birinci yazarlık bilgisi bulunmamaktadır.

Sorumlu yazar: Bin Xiong

Kurumsal bağlantılar:

1. State Key Laboratory of High Density Electromagnetic Power and Systems, Institute of Electrical Engineering, Chinese Academy of Sciences, Haidian District, Beijing 100190, China
2. University of Chinese Academy of Sciences, Shijingshan District, Beijing 100049, China

Yazar katkıları: Jiaqi Rao; kavramsallaştırma, yöntem, yazılım, biçimsel analiz, araştırma, veri düzenleme, ilk taslak yazımı, görselleştirme ve doğrulama görevlerini üstlenmiştir. Bin Xiong; fon sağlama, inceleme ve düzenleme ile destekleyici görselleştirme katkıları sunmuştur.

DOI: 10.2139/ssrn.6946753

Yayın veya preprint platformu: SSRN

Dergi veya konferans: Hakemli bir dergi veya konferans yayını bu sürüm üzerinden doğrulanamamıştır.

Özgün yayınevi veya platform hizmeti: Çalışma SSRN preprint platformunda yer almaktadır; SSRN hizmeti Elsevier tarafından işletilmektedir. Hakemli bir dergi yayınevi doğrulanamamıştır.

Yayın yılı: 2026

Kaynak türü: Deneysel görüntü veri toplama ile derin öğrenme sınıflandırmasını birleştiren preprint araştırma makalesi

Hakemlik durumu: Bu çalışma bir preprinttir ve hakem değerlendirmesinden geçmemiştir.

Resmî bağlantı:SSRN çalışma sayfası

Finansman: Çalışma, Çin Ulusal Doğa Bilimleri Vakfının 51677178 numaralı desteğini bildirmektedir. Araştırmacılar ayrıca deney tesisleri ve örnek toplama desteği için Çin Bilimler Akademisi Elektrik Mühendisliği Enstitüsünün ilgili bölümüne teşekkür etmektedir.

Bu Türkçe makale yüklenen PDF’nin ana metni, formülleri, tabloları, grafik ve şemaları ile eklenmiş görsel sayfaları incelenerek hazırlanmıştır. PDF’de bulunmayan yeni bir bilimsel bulgu, saha başarısı, endüstriyel uygulama sonucu veya gerçek zamanlı performans iddiası eklenmemiştir.

Çalışmanın temel sınırlılıkları; hakem değerlendirmesinin bulunmaması, tek deney platformu ve üç akış sınıfıyla sınırlı olması, eğitim-test oranının açıklanmaması, kamera ve kare hızı bilgilerinin verilmemesi, eğitim hiperparametrelerinin eksikliği, bağımsız dış doğrulamanın bulunmaması, tekrarlı deneylerin yalnızca temsilî bir çalıştırmayla sunulması ve sonuçlar için istatistiksel belirsizlik bildirilmemesidir.

PDF içinde nihai Şekil 9 ve sonuç metnindeki %81,7, %82,8 ve %83,9 ablasyon doğruluklarıyla, bazı ek ara grafik sayfalarında görülen %81,1, %81,7 ve %83,3 değerleri arasında tutarsızlık bulunmaktadır. Bu makalede ana metin, nihai şekil ve sonuç bölümüyle tutarlı olan %81,7, %82,8 ve %83,9 değerleri kullanılmıştır. Yayımdan önce bu sayısal farkın araştırmacılar veya nihai deney kayıtları üzerinden doğrulanması önerilir.

Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır. Bulgular laboratuvar düzeneğinde toplanan belirli görüntü verileri için sınıflandırma performansını göstermekte, gerçek saha koşullarında doğrulanmış endüstriyel başarı kanıtı sunmamaktadır.