【技术实现步骤摘要】
一种油水两相流参数测量的测量方法，特别是基于双流差分网络的油水两相流参数测量方法。
技术介绍
0、技术背景
1、油水两相流是指在同一管道内同时存在油和水的流动现象，广泛应用于石油、化工、电力等行业。准确测量油水两相流量参数对于生产过程的控制和优化具有重要意义。传统的油水两相流量测量方法主要有文丘里流量计、涡轮流量计等，但这些方法存在测量精度低、易受流体性质影响等问题。因此，开发一种高精度、抗干扰能力强的油水两相流量参数测量方法具有重要的实际意义。
2、深度学习软测量方法的拓宽了多相流软测量模型的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式或有监督方式逐层提取被测对象的特征，其特征客观性强，且能够精准、详实的反映被测对象的本质。通过软测量手段可对传感器测量到的数据进行融合，采用智能及深度学习方法可精确、高效的提取多相流的特征信息。
技术实现思路
1、一种油水两相流参数测量的测量方法，特别是基于双流差分网络的油水两相流参数测量方法。
2、通过使用螺旋电极传感器对油水两相流水含率进行测量，然后利用基于双流差分网络提取测量信号中的流量信息特征并进行特征融合，以实现油水两相流含率的精确测量。
3、本专利技术解决上述技术问题采用的技术方案为：
4、1、一种油水两相流参数测量的测量方法，特别是基于双流差分网络的油水两相流参数测量方法。其特征在于如下步骤：
5、(1)采用螺旋电极传感器测量油水两相流参数的波动信
6、(2)构建双流差分网络模型，用于实现油水两相流参数波动信号的特征融合及含率测量。
7、2、一种油水两相流参数测量的测量方法，特别是基于双流差分网络的油水两相流参数测量方法。其特征在于，步骤(1)包括：
8、物料由管道进入测量管段时，由安装在管道上的螺旋电极传感器进行油水两相流参数波动信号测量。所设计的静电传感器由螺旋电极、绝缘层、物料管道组成。首先我们根据微波传感器的工作原理设计了螺旋感应电极，螺旋感应电极位于管道中间，接着通过高频激励源对一侧的螺旋感应电极进行激励，另一侧通过ad8302模块进行信号接收。同时，整个传感器外面覆盖有铜片制成的屏蔽层。通过螺旋电极传感器可以有效采集油水两相流的测量信号。该传感器利用静电感应原理可以从微观角度捕获油水两相流的质量流量流动信息。
9、在实际物料流动的过程中，由于存在气体压力、物料压力等因素，因此我们将物料管道材料选择为peek，以满足耐压要求，同时，为了满足大流量流动的要求，我们将管道内径设置为dn50，电极材料选择为铜。其模型图如附图1所示。两电极的长度为7cm，高度为15cm。经过实验可知该传感器可以有效检测流经螺旋电极的动态变化，实现对油水两相流动态参数的精确测量。
10、3、一种油水两相流参数测量的测量方法，特别是基于深度自适应网络的油水两相流参数测量方法。
11、其特征在于，步骤(2)包括：
12、①所构建的双流差分网络模型，首先对螺旋电极传感器测量的油水两相流信号进行预处理。对波动信号分别采用无重叠加窗方式进行分割，窗口长度为h，长度为l的样本信号可获取个样本，其中，代表向下取整。对传感器采集到的波动信号进行加窗截取，以实际值为数据标签，共得到n个带有标签值的参数波动样本。将滑窗后的信号进行离散小波分解后得到n个预处理信号。
13、②随机将原始信号和离散小波分解后的2n个样本划分数据集，具体比例为[训练集：验证集：测试集]＝[8：1：1]。
14、4、一种油水两相流参数测量的测量方法，特别是基于深度自适应网络的油水两相流参数测量方法。
15、其特征在于，步骤(2)包括：
16、①所构建的双流差分网络模型，其网络结构特征在于，模型包括双流自编码网络和多尺度差分融合网络两部分组成。双流自编码网络包括原始数据流和离散小波数据流。利用自编码网络提取编码特征。多尺度差分融合网络通过融合不同层级的多尺度差分特征，解耦不同工况下的特征属性。同时多层感知机模型融合多尺度中间层的特征差异，获取最终的含率预测结果。其结构如附图2所示。
17、②所构建的双流差分网络模型，其网络结构特征在于，所述自编码模型采用深度残差神经网络，主要包括五个卷积模块，将信号编码到高位特征表示，然后通过反卷积模块组成的解码器将高维特征采样到和编码器模型中相应的特征大小。其中五个卷积模块的尺寸均为3×3，五个反卷积模块的尺寸为3×3。其中自编码过程为
18、
19、其中f(x)为编码器，g(h)为解码器，是通过解编码函数的重构信号。在自编码模型预训练过程中，首先将信号归一化输入到编码器模型f(x)，提取信号的高维特征表示，然后通过解码器模型g(h)获得重构信号。模型训练通过均方误差(mse)损失函数进行模型的参数更新迭代，损失函数的公式为
20、
21、其中，xi,j和为原始信号和生成信号的值，n和m为信号的尺寸。在预训练模型训练结束之后，将编码器用于提取信号的高维特征表示。首先将信号输入到编码器模型构原始信号流网络，通过编码器得到高维特征分布，同样将小波分解信号输入到编码器模型构建小波分解网络，得到混合特征分布。
22、③所构建的双流差分网络模型，其网络结构特征在于，所述多尺度差分融合网络主要由七个局部差分网络组成。双流编码器网络中的输入层和卷积神经网络五个中间层和编码层的差分特征输入到对应的局部差分网络模型。最后，将每个差分网络的结果进行拼接经过一个多层感知机模块，输出预测结果。每尺度的差异特征计算方法如下式所示
23、
24、
25、y＝fmlp(zd)
26、其中，y为预测结果，和为双流中第i个卷积层特征，为第i层的差异特征，表示原始信号的差异特征，为编码特征的差异，每个差异特征的维度对应卷积层的维度，参数θ的范围为[0,1]，通过调整θ参数的变化来确定欧式距离和绝对值距离对差分特征的影响。
27、5、一种油水两相流流量的智能计量方法，特别是涉及基于双流差分网络模型的油水两相流流量计量方法，其优势在于：
28、(1)所采用螺旋电极传感器，反应速度快，可进行实时监测与动态处理，可快速、准确获得含率序列波动信号。
29、(2)本专利技术采用的双流差分网络在预测含率中具有客观性，可对油水两相流数据有较强的预测性能。
本文档来自技高网...【技术保护点】
1.一种油水两相流参数测量的测量方法，特别是基于双流差分网络的油水两相流参数测量方法，其特征在于如下步骤：
2.根据权利要求1所述的一种油水两相流参数测量的测量方法，其特征在于，步骤(1)包括：
3.根据权利要求1所述的一种油水两相流参数测量的测量方法，其特征在于，步骤(2)包括：
4.根据权利要求1所述的一种油水两相流参数测量的测量方法，其特征在于，步骤(2)包括：
【技术特征摘要】
1.一种油水两相流参数测量的测量方法，特别是基于双流差分网络的油水两相流参数测量方法，其特征在于如下步骤：
2.根据权利要求1所述的一种油水两相流参数测量的测量方法，其特征在于，步骤(1)包括...
【专利技术属性】
技术研发人员：高忠科，王睿奇，李梦宇，李元宗，李晓晨，
申请(专利权)人：天津大学，
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。