一种多相流检测方法、装置、设备、介质制造方法及图纸

本申请公开了一种多相流检测方法、装置、设备、介质，该方法包括：获取待检测多相流的第一目标数据；将第一目标数据处理成高维矩阵，得到第二目标数据；将第二目标数据输入预先得到的训练后卷积神经网络模型，得到待测多相流中各液体的含量。由此可见，本申请先获取待检测多相流的第一目标数据，并处理成高维矩阵，以得到第二目标数据，再将其输入训练后卷积神经网络模型，得到待检测多相流中各液体的含量。这样能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，通过预先得到的训练后卷积神经网络模型后便可得到待检测多相流中各液体的含量，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。

A multiphase flow detection method, device, equipment and medium

【技术实现步骤摘要】
一种多相流检测方法、装置、设备、介质
本申请涉及检测
，特别涉及一种多相流检测方法、装置、设备、介质。
技术介绍
在石油工业中，开采出的原产品往往不是单一的油，而是由水、天然气以及油组合成的混合液体。石油行业，通常需要在开采过程中对开采出的原产品进行检测，以便对原产品的成本和利润进行预测。目前，工厂需要等混合液体开采出地面之后，才能对产品进行准确的检测，且在开采过程中对原产品中的油含量进行检测时，通常采用层析成像，包括基于微波的层析成像、基于电阻的层析成像、基于电容的层析成像以及基于电容/电阻双模态的层析成像。层析成像主要是先对管内液体环境进行测量，再通过例如逆傅里叶等复杂的数学方法对测量数据进行逆推，实现对管内液体环境的还原和成像。层析成像的成像分辨率不稳定，尤其是在混合液体中的含水量高时，成像误差太大，且所采用的多种数学方法计算复杂，时延高，测量装置结构复杂，设备成本高，部分设备需要进行侵入式测量，会使设备直接接触油污从而导致传感器被污染而无法正常工作，造成资源浪费。
技术实现思路
有鉴于此，本申请的目的在于提供一种多相流检测方法、装置、设备、介质，能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。其具体方案如下：第一方面，本申请公开了一种多相流检测方法，包括：获取待检测多相流的第一目标数据；将所述第一目标数据处理成高维矩阵，得到第二目标数据；将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。可选的，所述获取待检测多相流的第一目标数据，包括：利用二端口微波网络获取待检测多相流的第一目标数据。可选的，所述利用二端口微波网络获取待检测多相流的第一目标数据，包括：利用一对天线作为传感器以及矢量网络分析仪作为数据接收和导出装置获取待检测多相流的第一目标数据。可选的，所述获取待检测多相流的第一目标数据，包括：利用压力测量装置获取待检测多相流的第一目标数据；和/或，利用声波测量装置获取待检测多相流的第一目标数据。可选的，所述将所述第一目标数据处理成高维矩阵，得到第二目标数据，包括：利用数学工具将所述第一目标数据处理成高维矩阵，得到第二目标数据。可选的，所述多相流检测方法，还包括：利用不同液体含量的多相流的测量数据训练卷积神经网络模型，以得到所述训练后卷积神经网络模型。可选的，所述利用不同液体含量的多相流的测量数据训练卷积神经网络模型，以得到所述训练后卷积神经网络模型，包括：利用不同液体含量的多相流的测量数据训练卷积神经网络模型，得到目标卷积神经网络模型；对所述目标卷积神经网络模型进行验证，确定所述目标卷积神经网络模型输出结果的误差；判断所述误差是否小于预设误差阈值；如果所述误差小于预设误差阈值，则将所述目标卷积神经网络模型作为所述训练后卷积神经网络模型。第二方面，本申请公开了一种多相流检测装置，包括：数据获取模块，用于获取待检测多相流的第一目标数据；数据处理模块，用于将所述第一目标数据处理成高维矩阵，得到第二目标数据；液体含量检测模块，用于将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。第三方面，本申请公开了一种多相流检测设备，包括：存储器和处理器；其中，所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以实现前述公开的多相流检测方法。第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的多相流检测方法。可见，本申请先获取待检测多相流的第一目标数据，然后将所述第一目标数据处理成高维矩阵，得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。由此可见，本申请先获取待检测多相流的第一目标数据，并将所述第一目标数据处理成高维矩阵，以得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，便可得到所述待检测多相流中各液体的含量。这样能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，通过预先得到的训练后卷积神经网络模型后便可得到待检测多相流中各液体的含量，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本申请公开的一种多相流检测方法流程图；图2为本申请公开的一种具体的多相流检测方法流程图；图3为本申请公开的一种多相流检测装置结构示意图；图4为本申请公开的一种多相流检测设备结构图；图5为本申请公开的一种电子设备结构图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。目前，对多相流液体的含量检测主要是通过层析成像技术进行，包括基于微波的层析成像、基于电阻的层析成像、基于电容的层析成像以及基于电容/电阻双模态的层析成像。层析成像主要是先对管内液体环境进行测量，再通过如逆傅里叶等复杂的数学方法对测量数据进行逆推，实现对管内液体环境的还原和成像。层析成像的成像分辨率不稳定，尤其是在混合液体中的含水量高时，成像误差太大，且所采用的多种数学方法计算复杂，时延高，测量装置结构复杂，设备成本高，部分设备需要进行侵入式测量，会使设备直接接触油污从而导致传感器被污染而无法正常工作，造成资源浪费。有鉴于此，本申请提出了一种多相流检测方法，能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。参见图1所示，本申请实施例公开了一种多相流检测方法，该方法包括：步骤S11：获取待检测多相流的第一目标数据。本实施例中，所述多相流为两种或两种以上互不相容的液体组成的混合液体。可以理解的是，在检测待测多相流中各液体的含量时，需要先获取待检测多相流的第一目标数据。所述获取待检测多相流的第一目标数据，包括：利用二端口微波网络获取待检测多相流的第一目标数据，和/或利用压力测量装置获取待检测多相流的第一目标数据，和/或利用声波测量装置获取待检测多相流的第一目标数据。步骤S12：将所述第一目标数据处本文档来自技高网...

【技术保护点】
1.一种多相流检测方法，其特征在于，包括：/n获取待检测多相流的第一目标数据；/n将所述第一目标数据处理成高维矩阵，得到第二目标数据；/n将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。/n

【技术特征摘要】
1.一种多相流检测方法，其特征在于，包括：
获取待检测多相流的第一目标数据；
将所述第一目标数据处理成高维矩阵，得到第二目标数据；
将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。


2.根据权利要求1所述的多相流检测方法，其特征在于，所述获取待检测多相流的第一目标数据，包括：
利用二端口微波网络获取待检测多相流的第一目标数据。


3.根据权利要求2所述的多相流检测方法，其特征在于，所述利用二端口微波网络获取待检测多相流的第一目标数据，包括：
利用一对天线作为传感器以及矢量网络分析仪作为数据接收和导出装置获取待检测多相流的第一目标数据。


4.根据权利要求1所述的多相流检测方法，其特征在于，所述获取待检测多相流的第一目标数据，包括：
利用压力测量装置获取待检测多相流的第一目标数据；
和/或，利用声波测量装置获取待检测多相流的第一目标数据。


5.根据权利要求1所述的多相流检测方法，其特征在于，所述将所述第一目标数据处理成高维矩阵，得到第二目标数据，包括：
利用数学工具将所述第一目标数据处理成高维矩阵，得到第二目标数据。


6.根据权利要求1至5任一项所述的多相流检测方法，其特征在于，还包括：
利用不同液体含量的多相流的测量数据训练卷积神经网...

【专利技术属性】
技术研发人员：姜景元，
申请(专利权)人：姜景元，
类型：发明
国别省市：吉林;22