【技术实现步骤摘要】
本专利技术涉及管道安全管理，具体地说，涉及一种基于双频科氏流量计和深度神经网络的气液两相流流型识别方法。
技术介绍
1、在石油工业开采过程中，油井产出液是由水、石油、气和砂石等物质组成的混合物，存在气液流量变化大、流型复杂多变的特点。常见的水平管内的气液两相流流型有泡状流、弹状流、层状流、塞状流等。流型变化极大地影响着两相流的流动特性和计量特性，是保障气液两相流高精度计量和管道安全运行的关键技术。
2、目前流型识别的主要方法可分为两大类：直接识别法和间接识别法，直接识别法是根据多相/两相流流动图像的形式直接确定流型；直接识别法主要包括：
3、(1)目视观察法：通过透明管直接用肉眼观察管内多相流的流动状态，需要人工观察和人工识别，仅限于透明管道、透明流体；
4、(2)高速摄影法：采用高速摄像机记录流体的流动状态，也仅限于透明管道、透明流体。
5、间接识别法则通过不同的测试仪器，测量采集能表征反映多相流流型变化特性的不同特征参数，应用不同的数据处理方法建立流型识别模型来间接识别流型，现已成为流型识别的主要发展方向；主要包括：
6、流型图法：需要测量出相应参数，然后人工查流型图进行识别，识别效率低。但是流型图法由于试验工况不同，很难做到与流型图实验条件相同，因此不同流型边界绘制粗略，有一定适用条件，且分相流速等参数难以直接测量。
7、对于直接识别法，目测法带有很大的主观性，难以通过量化标准进行判定；高速摄影法由于多相流相界面产生的多重反射和折射，降低了识别的准确性
8、传统的间接识别法在测量上是利用不同的测量仪器，如γ射线密度计、电导探针、电容探针、差压流量计等测量仪器采集两相流不同的流动参数信号，但传统的测量仪表存在输出参数单一的缺点；同时，传统的流型识别建模数据处理方法是从测量仪表输出的参数动态曲线中提取出能表征流型变化的时域或频域特征，作为流型识别模型的输入，人为提取参数特征的方法存在有用特征提取不全的缺点；此外，现代数据处理建模方法也从传统的统计分析发展至时频域分析、小波变换、神经网络等方法，相比传统的神经网络分类、支持向量机等模型，深度神经网络能够自动识别参数曲线图像中的像素点所包含的不同流型的特征，特征提取更全面，分类模型准确率更高。
9、另外，间接识别法所需不同测量仪器，存在价格昂贵、仅适用于特定的操作条件、不适合现场复杂工况、输出参数单一等不足；采集得到的能表征不同流型的参数信号需手动特征提取，存在所需特征较多或有用信号提取不完全的缺点；基于摄影图像建模也存在图像动态性、随机性较强的不利影响。鉴于此，为了更好地提高两相流流型识别的精度，我们提出了一种基于双频科氏流量计和深度神经网络的气液两相流流型识别方法。
技术实现思路
1、本专利技术的目的在于提供一种基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述技术问题的解决，本专利技术的目的在于，提供了一种基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，包括如下步骤：
3、s1、实验测试及参数选取：利用双频科氏流量计的多参数测量的优势，根据设计的两相流实验方案，只用一个双频科氏流量计测得不同压力、不同流型下的双频科氏流量计输出的各种参数，从中得到能表征不同流型的参数动态曲线；
4、s2、参数曲线转化为曲线图像：采用将参数动态曲线转化为曲线图像的处理方法，将包含不同流型特征的参数时域曲线转化为曲线图像，图像中的像素点能充分反映不同流型的特征；将表征流型变化的每个实验数据点的不同参数曲线归一化后映射到同一图像上，从而得到曲线图像的样本数据集；
5、s3、建立流型识别模型：将步骤s2中得到的曲线图像样本集作为模型输入，利用适合处理图像的深度神经网络建立流型识别模型，经过曲线图像的样本数据集训练后能够对多种不同流型进行准确识别，作为不同流型的计量的基础；
6、s4、流型识别：利用步骤s1-s2实时获取新的曲线图像，将新的曲线图像直接输入到经过训练的基于深度神经网络的流型识别模型中进行识别，并直接输出识别出的流型结果。
7、作为本技术方案的进一步改进，所述步骤s1中，气液两相流的不同流型至少包括泡状流、弹状流、层状流和塞状流等。
8、作为本技术方案的进一步改进，所述步骤s1中，双频科氏流量计可以测得并输出的参数至少包括表观质量流量，表观密度，一、三阶共振频率，一、三阶阻尼和振幅等。
9、作为本技术方案的进一步改进，所述步骤s1中，用双频科氏流量计测量气液两相流时，两种振动模式的反应完全不同；三阶共振频率约为一阶共振频率的六倍。其中，三阶模态的不同性质为流型识别提供了不同的特征。由于不同流型含气率的大小和变化快慢不同，因此不同流型密度时域特征存在很大差别。双频科氏流量计的一、三阶共振频率与密度之间还存在以下的关系：
10、
11、
12、式中，c11、c12和c31、c32均称为密度测量系数，ρapp1和ρapp3分别为一、三阶共振频率对应的表观密度，f1和f3分别为一、三阶共振频率。由于不同流型的密度大小及变化程度不同，因此双频科氏流量计输出的一、三阶频率可密切表征不同流型的变化。此外，为了表征不同工况下压力对流型的影响，采用气液密度比表征不同压力对不同流型的影响。
13、作为本技术方案的进一步改进，所述步骤s2中，在获取曲线图像的样本数据集时，选取至少两个能表征气液两相流不同流型的特征参数，将不同参数曲线归一化后映射到同一图像上形成流型图像。
14、作为本技术方案的进一步改进，所述步骤s3中，在对流型识别模型进行训练时，需预先采用随机方法将曲线图像的样本数据集按照一定比例划分为训练集和测试集，以对流型识别模型进行充分训练和测试。
15、作为本技术方案的进一步改进，所述步骤s3中，划分训练集和测试集时，测试集占训练集的比例小于或等于3/7。
16、与现有技术相比，本专利技术的有益效果：
17、1.该基于双频科氏流量计和深度神经网络的气液两相流流型识别方法中，相比于直接识别法，该方法属于间接识别法，不限于透明管道、透明流体，易于建模、在线识别精度高；
18、2.该基于双频科氏流量计和深度神经网络的气液两相流流型识别方法中，相比于间接识别法，该方法实验装置中仅采用一个双频科氏流量计，与现有测量仪表相比具有体积小、结构简单、多参数、高精度测量的优势，可以得到质量流量、密度、共振频率、阻尼等更多可供选取的能表征流型特征的参数；可以在高精度测量流量的同时，不增加任何设备可实现流型识别；利用流型识别的结果，可以进一步提高流量计测量精度；
19、3.该基于双频科氏流量计和深度神经网络的气液两相流流型识别方法中，相比传统的手动提取多相流参数特征的处理方本文档来自技高网...
【技术保护点】
1.一种基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤S1中，气液两相流的不同流型至少包括泡状流、弹状流、层状流和塞状流。
3.根据权利要求2所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤S1中，双频科氏流量计可以测得并输出的参数至少包括表观质量流量，表观密度，一、三阶共振频率，一、三阶阻尼和振幅。
4.根据权利要求3所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤S1中，用双频科氏流量计测量气液两相流时，两种振动模式的反应完全不同；其中，三阶模态的不同性质为流型识别提供了不同的特征，同时不同流型密度时域特征存在很大差别；双频科氏流量计的一、三阶共振频率与密度之间还存在以下的关系：
5.根据权利要求1所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤S2中，在获取曲线图像的样本数据集时，
6.根据权利要求1所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤S3中，在对流型识别模型进行训练时，需预先采用随机方法将曲线图像的样本数据集按照一定比例划分为训练集和测试集，以对流型识别模型进行充分训练和测试。
7.根据权利要求6所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤S3中，划分训练集和测试集时，测试集占训练集的比例小于或等于3/7。
...【技术特征摘要】
1.一种基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤s1中，气液两相流的不同流型至少包括泡状流、弹状流、层状流和塞状流。
3.根据权利要求2所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤s1中，双频科氏流量计可以测得并输出的参数至少包括表观质量流量，表观密度，一、三阶共振频率，一、三阶阻尼和振幅。
4.根据权利要求3所述的基于双频科氏流量计和深度神经网络的气液两相流流型识别方法，其特征在于：所述步骤s1中，用双频科氏流量计测量气液两相流时，两种振动模式的反应完全不同；其中，三阶模态的不同性质为流型识别提供了不同的特征，同时不同流型密度时域特征存在...
【专利技术属性】
技术研发人员：华陈权，黄岩松，王鹏程，余昊波，于雯欣，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。