[发明专利]一种油气两相流量虚拟计量系统

权利要求书

1.一种油气两相流量虚拟计量系统，其特征在于：主要由流动参数测量传感器系统、移动计量车以及中心处理器三部分组成，流动参数测量传感器包括起点温度传感器(5)、起点压力传感器(6)、节流差压传感器(7)、上游压力传感器(8)，下游压力传感器(9)，上游温度传感器(10)，下游温度传感器(11)，所有的传感器测量信号由信号线或通过远传方式输入到信号收集器(12)，信号收集器(12)通过导线与中心处理器(13)相连；

所述的起点温度传感器(5)和起点压力传感器(6)均靠近井口布置；节流差压传感器(7)的两引压点分别节流装置上、下游两侧；上游压力传感器(8)和下游压力传感器(9)分别布置在管道(1)的上游和下游，二者间距不小于管长的1/2；上游温度传感器(10)和下游温度传感器(11)分别布置在管道(1)的上游和下游，二者间距不小于管长的1/2；

所述的计量车(14)为临时计量装置，靠近管道的出口布置，主要由计量分离器(15)以及计量入口管(16)、计量出口管(17)组成，计量入口管(16)的一端与管道(1)相连通，另一端与计量分离器(15)入口相连通；从管道(1)来的气液两相流通过计量入口管(16)进入计量分离器(15)后，在计量分离器(15)内完成气液分离，气相从顶部的气相计量管线(18)流出，液相从底部的液相计量管线(19)流出，气相计量管线(18)上安装有气体流量计(20)，液相计量管线(19)上安装有液相流量计(21)，气、液相计量后通过计量出口管(17)汇合，重新返回待测管路；

所述的中心处理器(13)内置有低保真度神经网络(22)和高保真度神经网络(23)，低保真度神经网络(22)为多层网络结构，输入层有6个神经元，分别为节流差压神经元(24)，节流差压波动神经元(25)，压降神经元(26)，温降神经元(27)，起点压力神经元(28)，起点温度神经元(29)，低保真度神经网络(22)输出层神经元有2个，分别为低保真度液相质量流量神经元(30)和低保真度气相质量流量神经元(31)；高保真度神经网络(23)同样为多层网络结构，输入层有8个神经元，分别为节流差压神经元(24)，节流差压波动神经元(25)，压降神经元(26)，温降神经元(27)，起点压力神经元(28)，起点温度神经元(29)，以及低保真度液相质量流量神经元(30)和低保真度气相质量流量神经元(31)。高保真度神经网络(23)输出层神经元有2个，分别为高保真度液相质量流量神经元(32)和高保真度气相质量流量神经元(33)。

2.根据权利要求1所述的一种油气两相流量虚拟计量系统，其特征在于计量实施步骤如下：

①建立低保真度数据集：利用多相流软件建立管道模型，获得不同气、液流量管道压力、温度等参数数据，从而建立低保真度数据集其中{y_i}为输入对应的标签，y_i＝[M_L,M_G]_i，M_L表示液相质量流量，M_G表示气相质量流量，{x_i}为输入向量，x_i＝[ΔP_V,ΔP_S,ΔP_L,ΔT_L,P₀,T₀]_i，其中：

ΔP_V--表示节流喷嘴两侧差压，由多相流软件预测获得；

ΔP_S--表示节流喷嘴差压信号的标准差，由多相流软件预测获得；

ΔP_L--表示管道压降梯度，由多相流软件预测获得；

ΔT_L--表示管道温降梯度，由多相流软件预测获得；

P₀—表示管道起点压力，由多相流软件预测获得；

T₀--表示为管道起点温度，由多相流软件预测获得；

②建立高保真度数据集：高保真度数据由计量车(14)定期测量获得。将计量进口管(16)和计量出口管(17)与管路(1)连通，随后关闭管路(1)上控制阀，使得管路(1)中的多相流体全部流入计量分离器(15)，待流动稳定后开始计量作业，通过计量分离器(15)上的气体流量计(20)和液体流量计(21)测量的管道的高可信度气相流量M_G-H，和液相质量流量M_L-H。同时应用管路上的起点温度传感器(5)测量管道起点温度T₀，起点压力传感器(6)测量管道起点温度P₀，节流差压传感器(7)测量节流喷嘴差压ΔP_V，上游压力传感器(8)测量管道上游压力P₁，下游压力传感器(9)测量管道下游压力P₂，上游温度传感器(10)测量管道上游温度T₁，下游温度传感器(11)测量管道下游压力T₂，从而获得高保真度数据集其中y_i＝[M_L,M_G]_i，表示计量分离器(15)测量得到的液相质量流量和气相质量流量，x_i＝[ΔP_V,ΔP_S,ΔP_L,ΔT_L,P₀,T₀]_i，表示计量分离器(15)稳定工作时，传感器测量的节流喷嘴差压ΔP_V，差压信号的标准差ΔP_S，单位管长压降ΔP_L，单位管长温降ΔT_L，管道起点压力P₀，管道起点温度T₀，其中：

ΔP_V--表示节流喷嘴两侧差压，由节流差压传感器(7)测量；

ΔP_S--表示节流喷嘴差压信号的标准差；

ΔP_L--表示管道压降梯度，为上、下游压力传感器测量的压力差与两压力传感器间距的比值；

ΔT_L--表示管道温降梯度，为上、下游温度传感器测量的温度差与两温度传感器间距的比值；

P₀—表示管道起点压力，由起点压力传感器(6)测量；

T₀--表示管道起点温度，由起点温度传感器(5)测量；

③构建和训练低保真度神经网络(22)：低保真度神经网络(22)采用多层神经网络结构，网络的训练集为低可信度训练集通过标准的神经网络训练方法迭代更新网络参数，直到网络收敛；

④高保真度神经网络(23)构建和训练：将高可信度数据输入步骤③训练好的低保真度神经网络(22)，输出预测值将该预测值与高可信度输入数据进行拼接，形成新的输入特征向量即高可信度神经网络(23)输入层神经元数目为8个，分别对应8个特征向量，输出层神经元数目为2个，分别对应高保真度液相流量(32)和气相流量(33)，以作为输入向量，以计量标定模块采集的高可信度数据集的液相流量和气相流量作为标签开展进行训练，直至网络收敛；

⑤部署多相流虚拟计量系统：应用传感器模块实时采集管道上的节流喷嘴差压ΔP_V，管道压降ΔP，管道温降ΔT，管道起点压力P₀，管道起点温度T₀，将采集信号输入信号收集器(12)，建立输入向量x＝[ΔP_V,ΔP_S,ΔP_L,ΔT_L,P₀,T₀]，将该向量输入到第③步训练好的低可信度神经网络(22)中，获得低可信度预测值[M_L-L,M_G-L]，然后将其和x拼接，形成新的输入向量x＝[ΔP_V,ΔP_S,ΔP_L,ΔT_L,P₀,T₀,M_L-L,M_G-L]，将该向量输入第④步训练好的高可信度神经网络(23)，最终预测出高可信度液相流量(32)和高可信度气相流量(33)[M_L-H,M_G-H]。