凝析天然气流量测量新方法

基于多个差压波动信号,提出了一种凝析天然气流量测量新方法。该方法在实际测量过程中,首先对当前流型进行辨识;然后应用与流型对应的流量测量模型对已辨识的流型进行流量计算。流量测量模型中的差压值由节流式流量计提供的多个差压波动信号中分离得出,分离矩阵的各矩阵元素由差压波动信号的统计特征值求得。实验结果表明,凝析天然气流量测量新方法是有效的,其测量精度满足工业应用的要求。     

基于狭缝文丘里管的气液两相流测量

提出了一种新的气液两相流测量系统-狭缝文丘里气液两相流测量系统.理论分析表明,狭缝文丘里管利用对称结构可以减小或消除摩阻压降的影响,中间狭缝处垂直于水平流向的重位压降的测量同样避免了沿程摩擦阻力的影响.提出了基于狭缝文丘里测量系统的气液两相流非分离测量方案,并进行了实验研究.利用狭缝文丘里重位压降信号在三类流动下的特性,可以直接识别流型,在不同的流型下用相应的测量模型求解气液两相的流量.结果表明该方法是可行的.     

基于小波包分析和RBF神经网络的ERT系统流型辨识

两相流体具有复杂性的流动特性,流型的准确辨识是两相流参数准确测量的基础,流型的在线智能辨识成是两相流研究的重点内容之一。以ERT系统和油/水两相流的流型为研究基础,采用小波包分析方法对测量数据进行特征提取,然后以提取后的特征数据作为RBF神经网络的输入,对网络进行建模和仿真。通过实验仿真分析,该方法对流型辨识非常适用,并有效达到流型辨识的目的。     

基于小波神经网络的气液两相流流型识别方法

为了克服传统流型识别方法的特点,采用小波分解和RBF神经网络技术来实现气液两相流流型的智能识别。首先测量了水平管内气液两相流的差压波动信号,其次应用小波分解对流型的动态差压波动信号进行了分析并提取流型特征,最后将小波能量特征作为RBF神经网络的输入,从而实现对流型的智能识别。仿真结果表明:该方法能够较好地识别出4种流型,从而为流型的在线识别提供了一种定量的流型识别方法。     

气液两相流电导传感器测量波动信号的Wigner-Ville分析

流型是两相流中非常重要的流动参量,不同流型下的两相流流动特性及传热传质性能有很大不同。流型也严重影响着两相流参数测量的准确性。利用新近研制的两相流电导传感器,在垂直上升气液两相流管中采集了不同流型下的电导波动信号,采用W igner-V ille分布(WVD)在时频域内处理了电导波动信号,观察到了WVD特征与流型之间的关系,取得了较好的气液两相流流型辨识效果。     

基于特征提取和RBF神经网络的ECT流型辨识

针对传统ECT流型辨识方法效率低的问题,提出了一种基于特征提取和径向基函数神经网络相结合的ECT图像流型辨识的方法,该方法通过对各种特征参数的定义,完成对ECT系统测得的电容值进行特征提取,然后将提取的特征值作为RBF神经网络的输入完成流型辨识。仿真和实验结果表明,与基于BP神经网络的图像流型辨识方法相比,该方法具有识别速度快和效率高等优点,为ECT图像流型识别的研究提供了一个新的思路。     

基于改进型BP网络的气液两相流流型识别

根据气液两相流的特点,将其分为层状流、塞状流、弹状流和环状流等流型,分别对其采集差压信号,并利用概率密度函数（PDF）对差压信号特征进行了分析,得出了PDF的4个特征参数,即波峰个数K₁、波峰峰值K₂、波峰位置K₃、PDF方差K₄。将K₁,K₂,K₃,K₄构成的特征向量作为神经网络的输入样本对BP神经网络进行训练并进行流型识别。结果表明,该方法具有准确率高等优点,是流型识别的一种新手段。     

槽式孔板的气液两相流测量特性

为了准确计量气液两相流量,选用槽式孔板作为一次传感元件、以空气/水为测量介质,进行了一系列的实验.介于两相流动的随机波动特征,对气液两相流流过槽式孔板时产生的差压信号进行了处理,提取出能够反映气液流量变化的几个统计特征量,总结了差压信号的平均值、标准差、自相关最大值和(0,4)Hz频段功率随气液流量变化而变化的规律,为两相流流量计的开发奠定了基础.     

利用科氏流量计测量凝析天然气的气液流量

通过研究基于科氏流量计的气液两相流计量技术,提出了科氏流量计的凝析天然气测量模型.该模型较好地表征了科氏流量计的振动频率与阻尼系数的变化规律、振动管与两相流体之间的相对运动关系等.利用E+H公司的微弯科氏流量计开展了一系列试验研究,并结合试验结果对流量计的参数波动特性、安装形式、两相混合物密度测量和质量流量测量等问题进行了深入分析.分析结果为利用科氏流量计实现凝析天然气的高精度计量奠定了基础.     

水平油水两相流测井仪器测量通道内流型识别

水平井产出剖面测井中集流型仪器内油水两相流流型通常呈复杂多态性,正确认识流型演化规律有助于井下流量测量精度提高．在油水两相流流动环路中采集电导及电容传感器波动信号的基础上,基于非线性时间序列递归图纹理分析方法,对集流型仪器内油水两相流流型特征进行了表征,研究发现：在不同流量及含水率下,递归图纹理特征与流型之间具有较好的对应关系,可通过递归图纹理特征有效识别水平油水两相流流型．     

基于文丘里的湿气流量测量实验研究

对可应用于民用湿天然气流量测量的小口径文丘里管进行了实验研究。通过一台气流式雾化器用氮气把水雾化成湿气,再通过一台入口直径6mm,直径比0.567的文丘里管进行在线流量测量,获得了一定工况参数范围内不同压力、气体密度弗鲁德系数和洛克哈特-马蒂内利参数下的湿气虚高特性数据。分析了洛克哈特-马蒂内利参数、气液密度比、气体密度弗鲁德系数、韦伯数和液气体积比对湿气虚高修正系数的影响。调研了基于差压流量计的7种虚高指数修正关系式,并根据实验数据改进了R-H关系式。提出了针对小口径文丘里测量湿气的气相流量计算模型。实验结果表明,在压力0.5~2.0 MPa,气体密度弗鲁德系数1.0~8.5,洛克哈特-马蒂内利参数0~0.34, 气相体积比95%~100%范围内,该模型修正的气相流量相对误差小于士2.1%,气相均方根误差为1.2%,优于其他模型的修正结果。     

基于超声波时差法的管道流量测定仪设计

煤矿现有抽采管道使用传统瓦斯流量计存在易产生堵塞故障等问题,基于超声波时差法的流量计测量精度高、测量结果重复性好,但不适用于瓦斯抽采管道流量测量,并且需要单独设计超声波驱动电路和信号处理电路,实现难度较大。针对煤矿瓦斯抽采管道的特点,设计了一种基于超声波时差法的管道流量测定仪。在固定的传播距离下,超声波换能器发出的超声波在流体中的传播时间与气体的流速呈函数关系,而流速与管道截面积的乘积即为流量,从而间接得到管道气体流量。该管道流量测定仪以低功耗微处理器STM32F103为核心控制元件,在时间数字转换芯片MAX35104内部通过自动差分飞行时间测量法计算超声波顺逆流传播时间,根据传播时间计算气体流速、瞬时流量和累计流量。测试结果表明,基于超声波时差法的管道流量测定仪的最大绝对误差为0.15 m/s,最大重复性误差为0.17%,符合JJG 1030—2007《超声流量计检定规程》中2级精度要求,同时也满足MT 448—2008《矿用风速传感器》中对超声波式风速传感器基本误差的要求。     

基于函数链神经网络的管道煤气流量计量系统

在管道煤气计量系统测量中引入了管道煤气相对湿度修正,并对采用湿度传感器转换相对湿度信号,利用函数链神经网络对管道煤气工况温度下所对应的水蒸汽饱和压力进行了拟合,得到了基于函数链神经网络的管道煤气流量计量模型和在线计量系统,从而可以大大简化管道煤气流量计量软件,在流量计设计范围内可以快速准确地实现管道煤气流量实时在线计量。实际应用结果表明:该计量系统测量管道煤气流量误差为±0.7%。     

基于水流分割的石油钻井水流异常检测

通过对钻井管道水流的智能监控技术实现,可以解决石油钻井污染气体的自动监测问题,最大程度的减少人工监测成本;但是依然有以下几个难点需要攻克:(1)传统的特征提取方式不能描述水流形态的变化过程;(2)因为异常情况发生的概率很低,所以异常样本稀少,全监督的方法不再适用;为解决特征提取问题,提出了一种基于图像分割的新特征特提取方式——形态流,形态流可以从时序上描述水流形态的变化;另一方面,为克服异常样本稀少的问题,通过无监督的方式——多元高斯建模,来判别水流数据是否正常;实验表明在水流异常数据检测任务中算法检测精度达到了93.6%,在使用GPU并行加速处理时可达到28帧每秒的处理速度,能够准确地检测出水流数据中的异常数据帧。     

基于RBF神经网络的湿蒸汽干度软测量模型

针对汽驱采油中湿蒸汽干度测量精度过低的问题，采用砒lF神经网络来建立湿蒸汽干度软测量模型，采用最小正交二乘法确定网络隐层节点数以及训练网络输出数值，并在实际运行中采用在线校正环节。所建立模型具有良好的逼近精度，在辽河油田的试用中证明了这种方法的有效性。     

一种新的智能流场特征检测与识别方法

传统的基于拓扑分析方法的特征可视化系统的扩展性、通用性和交互性较差。本文分析了流场的特征,在此基础上提出了一种基于BP神经网络的可选择智能流场特征提取方法,设计了一种三层BP神经网络结构,用户可以对感兴趣的新特征进行选取并进行训练和提取,而无须修改程序。该方法利用神经网络较强的非线性映射能力,提高了系统的扩展性、通用性和交互性。基于上述方法,设计并实现了一个流场可视化原型系统。实验表明,该方法对流场任意特征具有高识别率和较低的误警率、漏报率。     

SSD与时空特征融合的视频目标检测

目的 视频目标检测旨在序列图像中定位运动目标,并为各个目标分配指定的类别标签。视频目标检测存在目标模糊和多目标遮挡等问题,现有的大部分视频目标检测方法是在静态图像目标检测的基础上,通过考虑时空一致性来提高运动目标检测的准确率,但由于运动目标存在遮挡、模糊等现象,目前视频目标检测的鲁棒性不高。为此,本文提出了一种单阶段多框检测（single shot multibox detector,SSD）与时空特征融合的视频目标检测模型。方法 在单阶段目标检测的SSD模型框架下,利用光流网络估计当前帧与近邻帧之间的光流场,结合多个近邻帧的特征对当前帧的特征进行运动补偿,并利用特征金字塔网络提取多尺度特征用于检测不同尺寸的目标,最后通过高低层特征融合增强低层特征的语义信息。结果 实验结果表明,本文模型在ImageNet VID （Imagelvet for video object detetion）数据集上的mAP （mean average precision）为72.0%,相对于TCN （temporal convolutional networks）模型、TPN+LSTM （tubelet proposal network and long short term memory network）模型和SSD+孪生网络模型,分别提高了24.5%、3.6%和2.5%,在不同结构网络模型上的分离实验进一步验证了本文模型的有效性。结论 本文模型利用视频特有的时间相关性和空间相关性,通过时空特征融合提高了视频目标检测的准确率,较好地解决了视频目标检测中目标漏检和误检的问题。     

一种融合时空关联与社会事件的交通流预测方法

交通流预测作为智能交通系统的一个关键问题,是国内外交通领域的研究热点。交通流预测的主要挑战在于交通流数据本身具有复杂的时空关联,且易受各种社会事件的影响。针对这些挑战,提出一种用于交通流预测的深度学习框架。一方面,针对道路网络非欧氏的空间关联以及交通流时序数据的时间关联,设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络;另一方面,针对社会事件对交通流的潜在影响,设计了一种基于卷积神经网络的社会事件特征抽取子网络。最后,融合时空关联特征抽取子网络和社会事件特征抽取子网络,实现交通流预测模型。为了验证模型的有效性,文中基于真实交通流数据进行了实验。结果表明,所提模型与传统的预测模型相比具有较高的准确度,准确度提高了3%~6%。     

双光流网络指导的视频目标检测

目的 卷积神经网络广泛应用于目标检测中,视频目标检测的任务是在序列图像中对运动目标进行分类和定位。现有的大部分视频目标检测方法在静态图像目标检测器的基础上,利用视频特有的时间相关性来解决运动目标遮挡、模糊等现象导致的漏检和误检问题。方法 本文提出一种双光流网络指导的视频目标检测模型,在两阶段目标检测的框架下,对于不同间距的近邻帧,利用两种不同的光流网络估计光流场进行多帧图像特征融合,对于与当前帧间距较小的近邻帧,利用小位移运动估计的光流网络估计光流场,对于间距较大的近邻帧,利用大位移运动估计的光流网络估计光流场,并在光流的指导下融合多个近邻帧的特征来补偿当前帧的特征。结果 实验结果表明,本文模型的mAP（mean average precision）为76.4%,相比于TCN（temporal convolutional networks）模型、TPN+LSTM（tubelet proposal network and long short term memory network）模型、D（&T loss）模型和FGFA（flow-guided feature aggregation）模型分别提高了28.9%、8.0%、0.6%和0.2%。结论 本文模型利用视频特有的时间相关性,通过双光流网络能够准确地从近邻帧补偿当前帧的特征,提高了视频目标检测的准确率,较好地解决了视频目标检测中目标漏检和误检的问题。