基于小波神经网络的油气水三相流相含率的软测量方法.docxVIP

June June 第26卷第3期 化学反应工程与工艺 Vol 26,No 3 2010年6月 Chemical Reaction Engineering and Technology 2010 文章编号：1001-7631(2010)03-0218-05 基于小波神经网络的油气水三相流 相含率的软测量方法 周云龙 袁俊文2 (东北电力大学，1.能源与动力工程学院，2. 自动化工程学院，吉林吉林 132012) 摘要； 利用高速摄影仪对垂直上升管中油气水三相流的流动进行了动态图像的拍摄，提取每一帧图像的 灰度均值组成灰度时间序列，并从时间序列中提取了能反映油气水三相流流动特性的统计和分形特征量， 将这些特征量作为人工神经网络的输人量。在水的体积流量为1.32～12.15 m3/h, 油的体积流量为 0.01～0.43m3/h, 空气的体积流量为0.75～2.5 m3/h 条件下，采用小波神经网络作为相含率预测模型， 结果表明，小波神经网络的预测值与测试值非常吻合，含气率预测最大误差为3.57%,含水率最大误差 为3.3%,较好地实现了油气水三相流相含率的预测，为油气水三相流相含率测量提供了一种有效的软测 量方法。 关键词：油气水三相流；动态图像；相含率；软测量 中图分类号： 0359.1 文献标识码： A 随着海上油田、沙漠油田和极地油田的相继发现，使油田开发活动向环境恶劣的边远地区拓展， 混输的优势更加明显]。相含率是研究多相管流的重要课题，也是实现多相流计量的重要参量，它对 生产过程工艺优化、流量测量及控制具有重要意义[2]。近年来，基于现代信息处理技术的多相流软测 量方法受到了广泛关注， 一些反映多相流非线性动力学特性的特征量也被引入到软测量过程中[34]。 赵鑫[5]等对垂直上升管中油水两相流的电导波动信号，从时频域内提取特征量作为人工神经网络的输 人量，应用BP 人工神经网络作为相含率预估模型，较好地实现了油水两相流含水率预测。林宗虎[6] 等采用伽马射线测量的高能计数和低能计数作为输入参数，截面含水率和含气率作为输出参数，构建 了预测水平管油气水三相分层流相分率的径向基函数神经网络，有效地克服了传统双能伽马密度仪对 流型敏感。 本工作利用高速摄影技术对垂直上升管中油气水三相流流动进行了动态图像的拍摄，并从三相流 动态图像灰度均值的波动信号中提取能反映油气水三相流流动特性的统计和分形特征量，利用具有较 强逼近和容错能力小波神经网络作为相含率预测模型，较好地实现了油气水三相流相含率的预测。 1 油气水三相流灰度波动信号采集 1.1 实验部分 实验是在油-空气-水三相流系统上完成的[]。选用内径29 mm, 长 2 m 的透明有机玻璃管，水的 体积流量为1.32～12. 15 m3/h,35 号润滑油的体积流量为0 . 01～0 .43m3/h, 空气的体积流量为 0.75～2.5m3/h。 在垂直测试管中采集到大小为768×512,帧频为250帧/s 的6种典型流态图像。 1.2 动态图像灰度均值的获取 在图像的诸多特征中灰度特征是其中最重要的一个，求一副图像的灰度均值[8]如下式： 收稿日期： 2009-11-19;修订日期：2010-04-12 作者简介： 周云龙(1960一),男，教授，博士生导师。 E-mail;ylzhou@mail.nedu.edu,cn 基金项目： 吉林省科技发展项目 第26卷第3期 周云龙等.基于小波神经网络的油气水三相流相含率的软测量方法 219 0 0 心 log(R/S) (1) 式中 n 表示图像的灰度均值， L 是可能的灰度级数， x; 是表示亮度的一个随机变量， p(z;) 是 一个区域中的灰度级的直方图。实验中每种工况下进行动态图像拍摄，提取每张图像的灰度均值组成 一个灰度波动时间序列。实验共采集90种工况下油气水三相流流型的动态图像。 2 油气水三相流灰度波动信号特征提取 应用统计分析的方法和分形理论的方法对灰度波动信号进行了特征值的提取。 2.1 统计特征信息提取 灰度波动信号的最大值、最小值能够很好地反映油气水三相流相含率的变化程度； Max = max(x?,x?, ,xn)