• acoustic emission
• apprendimento automatico
• emissione acustica
• gas-liquid mixing
• gas-liquid stirred vessels
• machine learning
• miscelazione gas-liquido
• reattori agitati gas-liquido

The development of smart sensors capable to analyse data gathered on the process line and to give a real time feedback has been subjected to a lot of research due to its potential benefits on the process’s optimisation and products improvement.
The proposed method is based on the combination of passive acoustic emission (AE) analysis detection and advanced supervised machine learning techniques, enabling the prediction of gas-liquid flow patterns occurring inside the system.
A piezoelectric AE sensor is placed on the external wall of glass, steel and aluminium vessels and used to detect AE in an air-water system. The flow regimes under investigation are flooding, loading, complete dispersion and ungassed. The regimes are obtained by varying gas flowrate and the impeller velocities. A Rushton turbine and a Pitched Blade turbine were used.
The resulting samples are then pre-processed using MATLAB (MathWorks) and only the most important frequencies are selected in order to reduce the dimensionality of the problem. Data are then treated with a decomposition algorithm (PCA) and used to train, optimize and test five different supervised classifiers (Decision Tree, SVM quadratic, SVM cubic, SVM linear, k-N-N weighted, k-N-N cubic).
The preliminary results of the trained algorithms show a good accuracy (85% - 99%) in identifying all four regimes for all the classifiers, highlighting the advantages of applying AE in combination with machine learning to monitor gas-liquid mixing.

Lo sviluppo di sensori intelligenti in grado di analizzare i dati raccolti sulla linea di processo e di fornire un feedback in tempo reale è stato sottoposto a molte ricerche a causa dei potenziali benefici sull'ottimizzazione del processo e sul miglioramento dei prodotti.
Il metodo proposto si basa sull' utilizzo di emissioni acustiche passive (AE) e di tecniche avanzate di apprendimento di tipo machine learning (ML), che consentono di prevedere i regimi di flusso gas-liquido che si verificano all'interno del sistema.
Un sensore piezoelettrico di tipo AE viene posizionato sulla parete esterna di recipienti di vetro, acciaio e alluminio e viene utilizzato per rilevare la presenza di AE in un sistema aria-acqua. I regimi di flusso in esame sono flooding, loading, complete disersion e assenza di gas. I regimi sono ottenuti variando la portata del gas e le velocità della girante. Sono state utilizzate una turbina Rushton e una turbina Pitched Blade.
I campioni risultanti sono stati quindi pre-processati utilizzando MATLAB (MathWorks) e sono state poi selezionate solo le frequenze più importanti al fine di ridurre la dimensionalità del problema. I dati sono stati successivamente trattati con un algoritmo di decomposizione (PCA) e utilizzati per allenare, ottimizzare e testare cinque diversi classificatori supervisionati (Albero decisionale, SVM quadratico, SVM cubico, SVM lineare, k-N-N ponderato, k-N-N cubico).
I risultati preliminari degli algoritmi addestrati mostrano una buona accuratezza(85% - 99%) nell'identificazione di tutti e quattro i regimi per tutti i classificatori, evidenziando i vantaggi dell'applicazione di AE in combinazione con l'apprendimento automatico per monitorare la miscelazione in reattori agitati gas-liquido.