Ushbu tadqiqot bug‘lanishli sovutish tizimidagi gaz-suyuqlik ikki fazali oqimini tasvirlar orqali probkali (slug flow), beqaror probkali (unstable slug flow) va ko‘pikli / chayqaluvchan (churn flow) oqim sinflariga ajratishni o‘rganadi. Tadqiqotchilar har bir oqim sinfi uchun 300 tadan jami 900 ta namunadan foydalanganlar; bitta tasvir kadriga asoslangan fazoviy tenzorlarni teng vaqt oraliqlarida olingan beshta RGB kadrining ustma-ust qo‘yilishi bilan hosil qilingan fazoviy-vaqtinchalik tenzorlar bilan qiyoslaganlar. ResNet-18, SwinTransformer-B va EfficientNet-B0 modellarini ekspertlar aralashmasi (Mixture of Experts, MoE) tizimida birlashtirib, uning chiqishini Mamba selektiv holatlar fazosi (SSM) mexanizmidan o‘tkazgan to‘liq model test to‘plamida 83,9 foizlik umumiy aniqlikka erishgan. Shunga qaramay, tadqiqot taqrizdan o‘tmagan preprint hisoblanadi; o‘qitish va test to‘plami nisbati, kamera kadrlar tezligi (FPS), giperparametrlar va takroriy tajribalarning noaniqlik oraliqlari ko‘rsatilmagan.

To‘liq model faqat bitta kadr ishlatgan SwinTransformer-B modelining 75,0 foizlik aniqligiga nisbatan 8,9 foiz bandga yuqoriroq natija bergan. Modelning eng yuqori sinfiy natijasi ko‘pikli (churn) oqimda 93,1 foizlik to‘liqlik (recall) bo‘lgan bo‘lsa, beqaror probkali oqim to‘liqligi 68,2 foizda qolgan. Demak, umumiy aniqlikdagi o‘sish barcha sinflar bo‘ylab bir xil taqsimlanmagan.

Tadqiqotning asosiy muammosi nima?

Gaz-suyuqlik ikki fazali oqimida pufakchalarning shakli, taqsimoti va vaqt bo‘yicha harakati gidravlik qarshilik hamda issiqlik almashinuviga bevosita ta’sir qiladi. An’anaviy usullar oqimning fazoviy ko‘rinishi bilan vaqtinchalik o‘zgarishini ko‘pincha alohida baholaydi (bosim datchiklari faqat vaqtni ko‘radi, bitta kadrli kamera esa faqat oniy shaklni ko‘radi).

Bu muammo ayniqsa oddiy probkali (slug) oqim bilan beqaror probkali (unstable slug) oqimni ajratishda yaqqol seziladi. Yagona kadrda bu ikki sinf bir-biriga juda o‘xshash bo‘lishi mumkin. Tadqiqotning asosiy gipotezasi shuki, bir nechta ketma-ket kadrni bitta tenzorga birlashtirish modelga pufakchalar chegaralarining vaqt bo‘yicha qanday yemirilayotganini tushunish imkonini beradi.

Eksperimental stend va oqim turlari

Namunalar o‘z-o‘zidan aylanuvchi bug‘lanishli sovutish stendida olingan (balandligi H = 110 cm, ichki diametrlari 8 mm va 16 mm bo‘lgan shaffof quvurlar, orqa yorug‘lik paneli va standart kamera).

Fazoviy-vaqtinchalik kirish tenzori

Har bir sinfdan 300 tadan jami 900 ta namuna olingan (har biri 30 kadrli ketma-ketlik):

• Faqat fazoviy tenzor: 1 ta RGB kadr \((900, 3, 224, 224)\).
• Fazoviy-vaqtinchalik tenzor: Teng oraliqlardan olingan 5 ta RGB kadr kanallar bo‘yicha ustma-ust qo‘yilgan: \(5 \times 3 = 15\) kanal, o‘lchami \((900, 15, 224, 224)\).

Klassik modellarda vaqtinchalik ma’lumotning ta’siri

Besh kadrli kirish probkali va beqaror probkali oqimni ajratishni yaxshilagan (masalan, SwinTransformer da beqaror probka to‘liqligi 58,7% dan 77,8% ga chiqqan). Biroq ko‘pikli oqim to‘liqligi barcha klassik modellarda 90–93% dan 79–83% ga pasaygan (xususiyatlar fazosining siljishi sababli).

MoE va Mamba arxitekturasi

Tadqiqot uchta asosiy modelni (ResNet-18, SwinTransformer-B, EfficientNet-B0) konvolyutsion Geyt (Gate) tarmog‘i orqali dinamik og‘irliklar bilan birlashtirgan. Hosil bo‘lgan xususiyatlar vektori Mamba selektiv holatlar fazosi (SSM) qatlamidan o‘tkazilgan:

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

Ablatsiya (komponentlar tahlili) natijalari

Sinflar bo‘yicha to‘liqlik (Model-3):

• Probkali (Slug) oqim: 84,4%;
• Beqaror probkali (Unstable slug) oqim: 68,2%;
• Ko‘pikli (Churn) oqim: 93,1%.

Mamba qatlami umumiy aniqlikni 83,9% ga va ko‘pikli oqim to‘liqligini 93,1% ga ko‘targan, ammo beqaror probkali oqim to‘liqligi 68,2% darajasida qolib, eng qiyin sinfligicha qolgan.

Tadqiqotning kuchli tomonlari

• Optik tasvirlarda 5 kadrli fazoviy-vaqtinchalik tenzor qo‘llagani;
• MoE va Mamba kombinatsiyasi orqali turli arxitekturalar afzalliklarini birlashtirgani;
• Har bir oqim sinfi bo‘yicha to‘liq adashish matritsalarini (confusion matrix) taqdim etgani;
• Ablatsiya orqali har bir modulning hissasini alohida ko‘rsatgani.

Tadqiqotning cheklovlari

• Tadqiqot taqrizdan o‘tmagan preprintdir;
• O‘qitish va test to‘plamlarining aniq taqsimot nisbati ko‘rsatilmagan;
• Kamera modeli va kadrlar tezligi (FPS) ochiqlanmagan;
• Boshqa diametr yoki sovitish suyuqliklarida tashqi tekshiruv o‘tkazilmagan;
• Natijalar bitta reprezentativ sinovdan olingan bo‘lib, statistik ishonchlilik oraliqlari yo‘q.

Tadqiqotning metodologiyasi va natijalari

Manba va metodologiya eslatmasi

To‘liq asl nomi: Research on Gas-Liquid Two-Phase Flow Pattern Identification Method Based on Spatio-Temporal Feature Fusion

Mualliflar: Jiaqi Rao, Bin Xiong (Xitoy Fanlar akademiyasi Elektrotexnika instituti; UCAS, Pekin, Xitoy).

DOI: 10.2139/ssrn.6946753 (SSRN preprint).

Nashr yili: 2026.

Taqriz holati: Taqrizdan o‘tmagan preprint.

Rasmiy havola:SSRN maqola sahifasi

Ushbu Verianla maqolasi yuklangan PDF matni, tajriba stendi tasvirlari va neyron tarmoq ablasyon natijalari asosida tayyorlangan. 83,9 foizlik aniqlik laboratoriya sharoitida olingan optik tasvirlarga tegishli bo‘lib, sanoat miqyosidagi to‘liq avtomatlashtirilgan kafolatni bildirmaydi.