System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能信息处理领域,尤其是多模态多层次特征融合学习的油水两相流型分类系统及方法。
技术介绍
1、目前我国注水油田开采逐步进入中晚期阶段,油田产出原油含水率逐渐上升,井内流体流动情况变得复杂。然而目前流动参数测量普遍采用电磁传感器,其输出模型随流型的变化而变化,进行流型识别后可以根据不同的流型选用不同的输出模型,提高油井流动参数测量的准确性。
2、基于电磁流量计的流型分类仍面临很多问题。电磁信号作为一种时间序列,它保存了观测数据的时间结构性,常常作为一个整体来进行研究分析,然而,由于数据量和计算量的不断增加以及分析目的的不断深入和拓展,使用传统的方法提高流型识别问题的精度变得越来越困难。与此同时,随着计算机技术的不断进步与发展,深度学习领域中的卷积神经网络迅速发展,在众多领域中取得显著成就,尤其是在计算机视觉领域。受此启发,利用图像编码技术将时间序列数据转化为二维图像,然后采用卷积神经网络进行相关研究成为可能。另外,对于同一时间序列,不同编码图像都包含丰富的时间序列信息,且这些信息对于时间序列的表达往往是互补的,采用多模态图像的多层次特征融合可以为基于电磁信号的多相流流型分类提供有力支撑。
技术实现思路
1、本专利技术需要解决的技术问题是提供一种多模态多层次特征融合学习的油水两相流型分类系统及方法,利用多模态获取更为广泛的时间序列信息,通过多层次融合学习更好地捕捉输入数据的复杂性和细节,进而提高基于电磁流量计的流行分类的准确性。
2、为解决上述技术
3、一种多模态多层次特征融合学习的油水两相流型分类系统,包括依次相连的第一多层次特征提取阶段、第二多层次特征提取阶段、第三多层次特征提取阶段、第四多层次特征提取阶段、第五多层次特征提取阶段和多层次特征融合分类阶段;所述第一多层次特征提取阶段、所述第二多层次特征提取阶段、所述第三多层次特征提取阶段、所述第四多层次特征提取阶段和所述第五多层次特征提取阶段为多层次特征的提取阶段,提取不同层级的聚合特征信息;所述多层次特征融合分类阶段为多层次特征的融合阶段,通过多层次特征融合模块将所述第二多层次特征提取阶段、所述第三多层次特征提取阶段、所述第四多层次特征提取阶段和所述第五多层次特征提取阶段的聚合信息融合在一起,创建一个更全面的特征。
4、本专利技术技术方案的进一步改进在于:各阶段结构如下:
5、所述第一多层次特征提取阶段包括第一结构复杂性特征提取模块、第一演变概率特征提取模块、第一非线性特征提取模块、第一聚合特征提取模块结构和第一多模态信息聚合分发模块;所述第一演变概率特征提取模块、所述第一非线性特征提取模块和所述第一聚合特征提取模块均与所述第一结构复杂性特征提取模块结构相同;
6、所述第一结构复杂性特征提取模块包含第一基础特征提取单元和第一多尺度特征提取单元;所述第一基础特征提取单元依次包含一个卷积核尺寸为3×3,最终输出通道数为38的卷积块和一个步长为2的最大池化层;所述第一多尺度特征提取单元包含一个原始特征和两个步长分别为2、4的多级金字塔池化层、一个上采样层;
7、所述第一多模态信息聚合分发模块含包含一个卷积核尺寸为1x1的卷积层、一个减法操作、一个门控函数、三个门控函数;
8、第二多层次特征提取阶段包含第二结构复杂性特征提取模块、第二演变概率特征提取模块、第二非线性特征提取模块、第二聚合特征提取模块和第二多模态信息聚合分发模块;所述第二演变概率特征提取模块、所述第二非线性特征提取模块和所述第二聚合特征提取模块均与所述第二结构复杂性特征提取模块结构相同;
9、所述第二结构复杂性特征提取模块包含第二基础特征提取单元和第二多尺度特征提取单元;所述第二基础特征提取单元依次包含一个卷积核尺寸为3×3,最终输出通道数为76的卷积块和一个步长为2的最大池化层;所述第二多尺度特征提取单元包含一个原始特征和两个步长分别为2、4的多级金字塔池化层、一个上采样层;
10、所述第二多模态信息聚合分发模块含包含一个卷积核尺寸为1x1的卷积层、一个减法操作、一个门控函数、三个门控函数;
11、所述第三多层次特征提取阶段包含第三结构复杂性特征提取模块、第三演变概率特征提取模块、第三非线性特征提取模块、第三聚合特征提取模块和第三多模态信息聚合分发模块;所述第三演变概率特征提取模块、所述第三非线性特征提取模块和所述第三聚合特征提取模块均与所述第三结构复杂性特征提取模块结构相同;
12、所述第三结构复杂性特征提取模块包含第三基础特征提取单元和第三多尺度特征提取单元;所述第三基础特征提取单元依次包含一个卷积核尺寸为3×3,最终输出通道数为153的卷积块和一个步长为2的最大池化层;所述第三多尺度特征提取单元包含一个原始特征和两个步长分别为2、4的多级金字塔池化层、一个上采样层;
13、所述第三多模态信息聚合分发模块含包含一个卷积核尺寸为1x1的卷积层、一个减法操作、一个门控函数、三个门控函数;
14、所述第四多层次特征提取阶段包含第四结构复杂性特征提取模块、第四演变概率特征提取模块、第四非线性特征提取模块、第四聚合特征提取模块和第四多模态信息聚合分发模块;所述第四演变概率特征提取模块、所述第四非线性特征提取模块和所述第四聚合特征提取模块均与所述第四结构复杂性特征提取模块结构相同;
15、所述第四结构复杂性特征提取模块包含第四基础特征提取单元和第四多尺度特征提取单元;所述第四基础特征提取单元依次包含一个卷积核尺寸为3×3,最终输出通道数为307的卷积块和一个步长为2的最大池化层;所述第四多尺度特征提取单元包含一个原始特征和两个步长分别为2、4的多级金字塔池化层、一个上采样层;
16、所述第四多模态信息聚合分发模块含包含一个卷积核尺寸为1x1的卷积层、一个减法操作、一个门控函数、三个门控函数;
17、所述第五多层次特征提取阶段结构与所述第四多层次特征提取阶段结构相同;
18、所述多层次特征融合分类阶段包含多层次特征融合模块和流型分类模块;所述多层次特征融合分类模块包含四个1x1的卷积层、输出通道数分别为38、51、76、61,三个步长分别为8、4、2的池化层、及一个特征拼接层;所述流型分类模块包含三个全连接层,和一个softmax分类层,全连接层神经元数量依次为4096、4096、3。
19、一种多模态多层次特征融合学习的油水两相流型分类方法,包括以下步骤:
20、步骤1:将电磁信号编码的图像差分场样本、马尔可夫转移场样本、递归图样本和零矩阵样本输入第一多层次特征提取阶段,得到第一图像差分场特征、第一马尔可夫转移场特征、第一递归图特征和第一聚合特征;
21、步骤2:将第一图像差分场特征、第一马尔可夫转移场特征、第一递归图特征和第一聚合特征输入第二多层次特征提取阶段,得到第二图像差分场特征、第二马尔可夫转移场特征、第二递归图特征和本文档来自技高网...
【技术保护点】
1.一种多模态多层次特征融合学习的油水两相流型分类系统,其特征在于:包括依次相连的第一多层次特征提取阶段、第二多层次特征提取阶段、第三多层次特征提取阶段、第四多层次特征提取阶段、第五多层次特征提取阶段和多层次特征融合分类阶段;所述第一多层次特征提取阶段、所述第二多层次特征提取阶段、所述第三多层次特征提取阶段、所述第四多层次特征提取阶段和所述第五多层次特征提取阶段为多层次特征的提取阶段,提取不同层级的聚合特征信息;所述多层次特征融合分类阶段为多层次特征的融合阶段,通过多层次特征融合模块将所述第二多层次特征提取阶段、所述第三多层次特征提取阶段、所述第四多层次特征提取阶段和所述第五多层次特征提取阶段的聚合信息融合在一起,创建一个更全面的特征。
2.根据权利要求1所述的一种多模态多层次特征融合学习的油水两相流型分类系统,其特征在于:各阶段结构如下:
3.一种多模态多层次特征融合学习的油水两相流型分类方法,其特征在于:应用如权利1或2所述的分类系统,包括以下步骤:
4.根据权利要求3所述的一种多模态多层次特征融合学习的油水两相流型分类方法,其特征在于:步
5.根据权利要求3所述的一种多模态多层次特征融合学习的油水两相流型分类方法,其特征在于:步骤2具体如下:
6.根据权利要求3所述的一种多模态多层次特征融合学习的油水两相流型分类方法,其特征在于:步骤3具体如下:
7.根据权利要求3所述的一种多模态多层次特征融合学习的油水两相流型分类方法,其特征在于:步骤4具体如下:
8.根据权利要求3所述的一种多模态多层次特征融合学习的油水两相流型分类方法,其特征在于:步骤5具体如下:
9.根据权利要求3所述的一种多模态多层次特征融合学习的油水两相流型分类方法,其特征在于:步骤6具体如下:
...【技术特征摘要】
1.一种多模态多层次特征融合学习的油水两相流型分类系统,其特征在于:包括依次相连的第一多层次特征提取阶段、第二多层次特征提取阶段、第三多层次特征提取阶段、第四多层次特征提取阶段、第五多层次特征提取阶段和多层次特征融合分类阶段;所述第一多层次特征提取阶段、所述第二多层次特征提取阶段、所述第三多层次特征提取阶段、所述第四多层次特征提取阶段和所述第五多层次特征提取阶段为多层次特征的提取阶段,提取不同层级的聚合特征信息;所述多层次特征融合分类阶段为多层次特征的融合阶段,通过多层次特征融合模块将所述第二多层次特征提取阶段、所述第三多层次特征提取阶段、所述第四多层次特征提取阶段和所述第五多层次特征提取阶段的聚合信息融合在一起,创建一个更全面的特征。
2.根据权利要求1所述的一种多模态多层次特征融合学习的油水两相流型分类系统,其特征在于:各阶段结构如下:
3.一种多模态多层次特征...
【专利技术属性】
技术研发人员:孔维航,李佩宇,黄琳雅,汤洪宝,佟连刚,李贺,
申请(专利权)人:燕山大学,
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。