[发明专利]基于时间通道融合网络的多电极两相流参数测量方法

说明书

一种基于时间通道融合网络的多电极两相流参数测量方法：构建用于测量气固或油水两相流波动信号的多电极高频电容传感器；采用多电极高频电容传感器测量气固或油水两相流的波动信号，并转换为微波差频信号；构建数据集，具体是对微波差频信号进行预处理，然后使用滑动窗口从数据中获取样本，为样本添加相应的标签，再将80％的样本作为训练集，10％的样本作为验证集，剩余10％的样本作为测试集；构建时间通道融合卷积神经网络，对两相流的微波差频信号进行特征提取，包括时间特征和空间特征，并进行融合，实现对气固两相流的流量进行预测，对油水两相流的含水率的计量。本发明可用于气固两相流固体流量测量和油水两相流含水率测量，应用范围较广。

技术领域

本发明涉及一种两相流参数测量方法。特别是涉及一种基于时间通道融合网络的多电极两相流参数测量方法。

背景技术

随着现代科技的不断发展，许多行业中对两相流参数的计量精度和实时性要求越来越高，例如化工、石油等诸多行业。如果两相流参数的计量精度和实时性能够达到一定水平，将会对这些行业的运行有重要的指导意义。当前，大多数的两相流参数的计量方法存在实时性差，计量精度低的问题，所以对两相流参数进行准确且快速的测量是目前存在的技术难题。现有的两相流测量手段如光学法、层析成像法、热力学法、核磁共振等难以实现两相流参数的实时性准确测量。

软测量模型近年来在多相流领域也得到了快速发展，尤其是深度学习方法及人工智能技术的应用更是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。

发明内容

本发明所要解决的技术问题是，为克服现有技术的不足，提供一种可用于气固两相流固体流量测量和油水两相流含水率测量的基于时间通道融合网络的多电极两相流参数测量方法。

本发明所采用的技术方案是：一种基于时间通道融合网络的多电极两相流参数测量方法，包括如下步骤：

1)构建用于测量气固或油水两相流波动信号的多电极高频电容传感器；

2)采用多电极高频电容传感器测量气固或油水两相流的波动信号，并转换为微波差频信号；

3)构建数据集，具体是对微波差频信号进行预处理，然后使用滑动窗口从数据中获取样本，为样本添加相应的标签，再将80％的样本作为训练集，10％的样本作为验证集，剩余10％的样本作为测试集；

4)构建时间通道融合卷积神经网络，对两相流的微波差频信号进行特征提取，包括时间特征和空间特征，并进行融合，实现对气固两相流的流量进行预测，对油水两相流的含水率的计量。

步骤1)所述的多电极高频电容传感器，包括有等间隔的安装在不导电管道的测量管段外壁同一圆周面上的4个电磁激励正极和4个电磁激励负极，且一个电磁激励正极与一个电磁激励负极相邻设置，其中，一个电磁激励正极和一个电磁激励负极为一组测量电极对，共4组测量电极对，每组测量电极对在测量管段的径向截面上都位于同一直径上。

步骤2)包括：

气固或油水两相流由管道进入测量管段时，由安装在测量管段上的多电极高频电容传感器进行两相流波动信号的测量；测量时，由正弦激励信号源产生激励信号，通过功分器一路送至检测模块，另一路送至多电极高频电容传感器的每组测量电极对的电磁激励正极对气固或油水两相流进行激励，每组测量电极对的电磁激励负极将测得的管道内不同流速工况下的波动信号送至检测模块，激励信号和波动信号进入混频器进行信号混频，混频后的信号经加法器后得到微波差频信号；多电极高频电容传感器的四组测量电极共得到4路微波差频信号。

步骤3)包括：

(3.1)对微波差频信号进行预处理，公式如下：