基于小波变换与神经网络的上倾管流型识别方法

发布时间：2021-09-23 07:16

　　为实现上倾管气液两相流流型的智能识别,提出了基于小波变换与概率神经网络的流型识别方法。采用中国石油大学（华东）室内小型环道试验装置进行气液两相流试验,采集上倾管流型以及相应的持液率信号。运用小波变换对持液率信号进行5级分解,并对分解后的信号提取标准差作为概率神经网络的输入参数,对试验中获得的分层流、气泡流、段塞流、严重段塞流流型进行识别。结果表明:该方法对4种流型的识别效果较好,其整体识别率为96.5%,其中分层流和严重段塞流的识别率高达98%。基于小波变换与概率神经网络的上倾管流型识别方法能够有效克服传统识别方法中主观因素的影响,不仅显著提高了流型识别的准确率,而且识别过程更加智能。（图5,表3,参22） 

【文章来源】：油气储运. 2020,39(08)北大核心

【文章页数】：7 页

【部分图文】：

室内小型气液两相流环道试验装置组成示意图

双平行电导探针由直径为0.5 mm的不锈钢金属丝制作，嵌入在有机透明玻璃管的同一截面上。电导探针经电线接入电路板，其产生的信号为电流信号，电路系统将电流信号转换为电压信号，再由数据采集卡进行模数转换。数据采集卡为IOtech 6220型采集卡，其采集频率最高为100 kHz，试验中考虑到传感器的频响及数据处理的实际需要，采样频率设置为100 Hz。双平行电导探针在试验前需要进行标定，以得到试验管道中持液率与电压信号的对应关系，根据测得的一系列对应点拟合出持液率与电压信号的关系式（图2):式中：Hl为管道截面持液率；U为持液率信号采集系统测量电压，V。

得到4种流型所对应的持液率信号（图3）。其中，75°倾角包含的流型种类较多且各流型的数目较为平均，得到管径54 mm、倾角75°上倾管的流型图（图4，其中蓝色、紫色、绿色线分别为不同流型的分界线）。图4 气液两相流试验测得的管径54 mm、倾角75°上倾管的流型图

【参考文献】：
期刊论文
[1]成品油上倾管道油水两相流相分布识别方法[J]. 文松青,张涛,张奇超.  油气储运. 2019(09)
[2]基于神经网络的流动预测模型研究[J]. 赵超,李佳威,伍耐明.  热能动力工程. 2017(11)
[3]基于IMF能量特征的输油管道内流型识别新方法[J]. 巩增利,王强.  自动化应用. 2013(09)
[4]基于连续小波变换和RBF神经网络的气液两相流流型识别方法[J]. 孙斌,周云龙,关跃波,赵鹏.  吉林大学学报(工学版). 2007(04)
[5]基于经验模式分解和概率神经网络的气液两相流识别[J]. 孙斌,周云龙,向新星,窦华荣.  中国电机工程学报. 2007(17)
[6]小波分析在多相流流型识别中的应用[J]. 李菊,董守平.  石油大学学报(自然科学版). 2000(02)



本文编号：3405280