《Droplet》:EventFlow: Real-time neuromorphic event-driven classification of two-phase boiling flow regimes
编辑推荐:
流动沸腾是一种高效传热机制,能够以最小温度波动耗散高热负荷,因此是理想的热管理方法。然而,流型(flow regime)之间的突发转变可能破坏热性能与系统可靠性,因此亟需准确且低时延的实时监测。传统光学成像方法受限于较高的计算需求和不足的时间分辨率,因而难以捕
流动沸腾是一种高效传热机制,能够以最小温度波动耗散高热负荷,因此是理想的热管理方法。然而,流型(flow regime)之间的突发转变可能破坏热性能与系统可靠性,因此亟需准确且低时延的实时监测。传统光学成像方法受限于较高的计算需求和不足的时间分辨率,因而难以捕捉瞬态流动行为。为解决这一问题,研究人员提出了一种基于神经形态传感器信号的实时流型分类框架。神经形态传感器在单像素层面检测亮度变化,这通常对应于边缘处的运动,从而无需完整帧重建即可实现快速而高效的检测,并提供基于事件(event-based)的信息。研究人员构建了5种分类模型,综合采用传统图像数据与事件数据,结果表明,利用事件数据的模型由于对动态流动特征更为敏感,其性能优于基于帧(frame-based)的方法。在这些模型中,基于事件的长短期记忆模型(long short-term memory, LSTM)在准确率与速度之间实现了最佳平衡,分类准确率达到97.6%,处理时间为0.28 ms。所提出的异步处理流水线支持连续、低时延预测,并通过多数投票机制(majority voting mechanism)提供稳定输出,从而能够为实验控制与智能热管理提供可靠的实时反馈。
该论文发表于《Droplet》,聚焦于两相流动沸腾流型的实时识别问题,核心目标是以神经形态事件视觉替代传统高速光学成像,实现兼具高精度、低时延与低算力消耗的在线分类。研究背景在于,流动沸腾因液-汽相变带来的高热流密度散热能力,已成为高功率密度电子冷却、能源系统和先进热管理中的关键技术。但与此同时,沸腾通道内液相与汽相的空间分布及其界面动力学极其复杂,气泡的成核、生长、并合、脱离以及随流迁移会导致流型持续演化,不同流型直接决定传热效率、压降、稳定性及临界热流附近的安全裕度。尤其在小尺寸通道和高热流工况下,流型转换更快、更不稳定,若无法及时辨识,就会导致热性能恶化,甚至诱发干涸与失稳。因此,建立可靠的实时流型诊断工具,是实现闭环热管理和系统智能控制的前提。
现有流型分类方法虽然已有多种探索,但仍存在显著局限。基于压力、温度、振动、阻抗或声学信号的方法,通常依赖特定布置位置和边界条件,泛化能力有限,且局部测量难以反映复杂界面结构的全场演化。深度学习结合光学成像的方法则能直接利用气泡形态、相界面纹理与空间分布开展识别,具有更丰富的物理表征能力。然而传统高速相机需要以固定帧频采集整幅图像,导致大量静止背景信息被冗余记录,带来极高的数据吞吐、存储和计算负担,同时在持续工业运行中还面临功耗高、记录时长受限和瞬态过程捕获不足等问题。针对这些瓶颈,研究人员引入神经形态事件相机(event camera)作为视觉感知手段。此类传感器仅在像素亮度变化超过阈值时输出事件,以
四元组形式记录位置、时间戳与极性,不采集静态背景,因此天然具备数据稀疏、时间分辨率高、运动模糊小、动态范围宽和功耗低等优势,非常适合捕捉两相沸腾中快速、局部且非稳态的界面变化。
围绕上述问题,研究人员提出了一个融合神经形态视觉与机器学习(machine learning, ML)的流型分类框架,并围绕7种典型流型展开系统研究,即泡状流(bubbly, B)、拉长泡状流(elongated bubbly, EB)、弹状流(slug, S)、平滑分层流(stratified smooth, SS)、波状分层流(stratified wavy, SW)、环状流(annular, A)以及不稳定流(unstable, U)。这些流型覆盖了亚冷至饱和流动沸腾过程中从离散气泡成核到汽相占优、再到临界热流附近失稳的典型演化序列。研究表明,部分流型,尤其SS、SW与A,在静态视觉形态上非常相似,均表现为液膜沿壁面连续分布、蒸汽位于中心,单纯依赖普通图像的空间特征容易误判;而事件传感因直接响应界面移动和亮度突变,对波动、起伏及瞬态转变更敏感,因此在这些视觉近似流型之间具有更强区分能力。
在方法层面,研究人员建立了一个多模型比较框架,分别评估了Optical CNN、Event CNN、Fourier k-nearest neighbor(k-NN)、Event spiking neural network(SNN)和Event LSTM五类模型在相同任务下的性能差异。实验数据来自两个互补的流动沸腾平台:其一为带局部加热段的矩形聚碳酸酯通道,工质为Flutec PP1,主要采集B与EB流;其二为具有更强沸腾能力的闭式循环系统,工质为去离子水,利用高速度光学记录补充S、SS、SW、A和U等后期流型。对于未由真实事件相机直接采集的流型,研究人员采用V2E工具将光学图像转换为合成事件流,以统一神经形态数据表达。由此构建出的数据集同时包含真实事件与模拟事件,并覆盖7种流型。预处理上,一方面将事件累积为事件帧,以便用于Event CNN和Fourier k-NN等基于图像的模型;另一方面保留原始异步事件序列,用于Event SNN和Event LSTM等时序模型学习。这样的双通路设计使空间建模与时间建模能够在同一原始数据基础上并行比较。
主要技术方法可概括为以下几点:第一,利用Prophesee EVK3神经形态事件相机获取像素级异步亮度变化信号,并与高速相机记录进行同步标注;第二,采用V2E模拟器将部分高速光学视频转换为事件数据,构建覆盖7类流型的统一数据集;第三,搭建5种分类模型,包括基于传统图像的卷积神经网络(CNN)、基于事件帧的CNN与Fourier k-NN,以及直接处理原始事件流的脉冲神经网络(SNN)和长短期记忆网络(LSTM);第四,开发异步软件架构,将事件采集、推理与可视化分线程执行,并通过多数投票平滑输出,实现在线实时分类。
研究结果部分围绕多个小标题展开,清晰说明了不同技术环节如何支撑结论形成。
首先,在“神经形态事件相机的成像机理与优势”部分,研究人员通过对比传统帧式图像与事件输出,说明事件相机仅对亮度变化产生响应,因此可突出界面与运动信息,抑制静止背景。这一机制使其特别适于流动沸腾这类快速瞬态过程。进一步通过存储量、功耗与响应性比较显示,5 s记录中,事件相机相较高速相机显著降低数据量与功耗,同时保持亚毫秒级时延,说明其具备实时诊断部署的硬件潜力。
其次,在“多模型流型分类框架比较”部分,研究人员构建了五种模型,并系统评估其准确率、推理时间、处理时间及各流型表现。结果表明,Optical CNN能够较好提取稳态流型中的空间纹理与界面特征,但由于帧式输入对快速转变不敏感,面对不稳定流及过渡态时误分类较多,且推理时延较高。Fourier k-NN借助频域特征实现了最快推理,但由于缺乏对复杂时间演化的表达能力,在特征重叠和波动剧烈流型中总体准确率最低。相较之下,Event CNN、Event SNN和Event LSTM均显著优于传统图像模型,说明事件数据对于流型动力学特征的捕捉更有效。
再次,在“Event CNN、Event SNN与Event LSTM性能差异”部分,研究人员揭示了不同事件模型的优势与局限。Event CNN利用重构后的事件帧进行卷积处理,在多数流型上准确率高于99%,但事件流到帧的重构增加了计算步骤,不利于极限低时延应用。Event SNN天然契合脉冲式事件输入,在S与SW等时间复杂性较高流型中表现良好,但由于常规硬件对脉冲计算支持有限,仿真执行会增加计算负担与延迟。Event LSTM则直接以原始事件序列作为输入,无需帧重构,既保留了时间分辨率,又维持较低计算开销,并在所有流型中表现出最均衡的鲁棒性。热图与混淆分析表明,Event LSTM对U流和过渡型模式的识别尤为可靠,是最适合实时部署的方案。
随后,在“实时在线分类系统实现”部分,研究人员将Event LSTM进一步封装到一个模块化实时软件框架中。该系统接收事件数据格式,分类器实际输入为归一化后的,时间戳仅用于序列构建与光学标注同步。模型结构包括32维嵌入层、两层LSTM,每层128个隐藏单元,后接两个全连接层和softmax输出。软件端采用主线程、推理线程与可视化线程并发运行:主线程负责从事件流中取数并推送到队列;推理线程仅处理最新批次、丢弃过时数据,以避免内存堆积和LSTM瓶颈;可视化线程输出极性编码事件图及分类结果。为了减小输出闪烁,系统对最近150次预测采用多数投票平滑,同时报告预测熵(predictive entropy)与滑动窗口内流型比例,以区分模型不确定性和真实混合流态。这表明研究并不仅停留在离线算法比较,而是推进到了可运行的在线系统级实现。
在“序列长度优化与实时性能验证”部分,研究人员进一步分析了LSTM输入序列长度对精度与时延的影响。以B和EB两个事件动态稳定、时间密度充足的流型为对象,结果表明2500个事件长度在速度和准确率之间实现最佳折中,准确率约99.4%,推理时间0.81 ms,处理时间0.19 ms;5000事件长度虽可达到约99.7%准确率,但时延有所增加。实际部署结果显示,该系统在真实流动沸腾条件下可稳定、连续运行,当前已在B和EB流型中完成验证。模型体积小,适合在通用处理器上高效执行,图形用户界面可实时显示分类标签、置信度、系统状态和事件数量,说明该框架具备实验监控和实时决策支持能力。
在“环境鲁棒性分析”部分,研究人员指出,事件传感系统相较传统光学方法,对光照变化、阴影及部分遮挡具有更强适应性。离线测试显示,结合空间归一化、事件率限制和输出平滑后,即使在合成事件数据中引入突发照明变化、阴影和遮挡,系统仍能保持稳定预测。但研究也明确指出,突发光照跃迁仍可能诱发伪事件,因此未来仍需更优的滤波或自适应偏置控制。
讨论部分的核心在于:该研究从传感机制、模型设计到软件系统层面,验证了事件驱动学习在两相流实时诊断中的独特价值。与传统基于整帧图像的识别相比,事件视觉以更低的数据冗余捕获更高价值的动态信息,尤其适用于界面运动快速、状态转变突出的沸腾流动。多模型比较表明,是否有效利用原始时间结构,是决定实时分类性能的关键。仅强调空间特征或频域压缩的方法,在复杂和不稳定流型上均存在局限;而直接处理原始事件序列的时序模型,更能反映沸腾界面的动态本质。论文同时保持了方法适用范围的克制表述,即事件视觉依赖光学可达性,因此更适用于透明段、观察窗或内窥可视场景,而非完全封闭或高度微型化通道。
研究结论部分可译为:本研究提出了一种用于流动沸腾实时分类的框架,该框架结合了神经形态传感、时间建模与异步软件设计。通过同时采用基于图像和基于事件的模型,研究表明,稀疏且具有高时间分辨率的数据能够被用于准确且高效地识别流型。不同于受制于高时延和高处理负担的传统帧式系统,该方法直接处理原始事件流,可在毫秒尺度完成推理,同时捕捉快速且细微的流动转变。在所评估模型中,Event CNN具有较高准确率,但推理与处理时间更长;Event SNN同样达到较高准确率,但高效运行依赖专用硬件;相比之下,Event LSTM为实时部署提供了最均衡的解决方案,其准确率达到97.6%,处理时间仅0.28 ms,并可直接基于原始事件数据运行,无需预处理或专用硬件。为保证实时响应性与鲁棒性,实时Event LSTM系统进一步集成了在线可视化、自适应事件过滤与输出平滑,从而降低噪声影响。该系统在高事件率条件下保持稳定,并通过图形界面支持直观交互,使其能够在实验和运行场景中实现准确监测与即时决策。总体而言,本研究表明,事件驱动学习系统非常适合多相流环境中的实时诊断,并为未来智能流动监测、控制与预测奠定了基础。