水平管油气水三相流流型识别与压降计算研究

摘要

油气水三相输送是石油、天然气工业开发和集输工程中重要的工艺环节，多相混输技术在降低管道投资、减少运行费用等方面的显著特点使其越来越多地应用于油田集输管网、油气管网输送等领域。在多相流动的研究中，流型是分析描述多相流动的重要特征参量，压降预测计算是多相管流工艺设计的重要内容。 本文的油气水三相流实验在中国石油大学(华东)大型多相流环道上完成。实验介质分别为空气、HVIW150基础油和软化水。实验中模拟获得的流型符合Lee等人的三相流型划分方法，主要有分层波浪流、段塞流和半环状流。在环道上安装了压力、差压变送器采集不同流型的压力、差压波动信号。研究确定信号滤噪方法为小波变换模极大值法进行信号滤噪，其优点是它不需要事先知道噪声所处的频率的范围，从而避免了其它滤噪方法因主观假定噪声频率范围而可能将有用的信号也滤掉的特点，从而实现了对仿真信号和采集的压力、差压波动信号的成功滤噪。 根据滤噪后的实验信号，提取了三种流型差压信号的特征量，包括分形特征量、统计特征量等。其中，分形特征量包括关联维数、最大Lyapunov指数和Hurst指数，分别采用G-P算法、Wolf算法和R/S分析法进行计算，分析了流动特性，得到三个特征量都可以较明显的区分三种流型；统计特征量包括多尺度信息熵，PSD特征的波形指标和峰值指标，PDF特征的标准偏差、偏态系数和峰态系数，此外还计算了差压信号的均值、标准差和偏斜度。本文将上述特征量作为人工神经网络的输入参数，以全面地反映不同流型的波动特征。 本文采用了BP神经网络进行流型的智能识别，将提取的12个特征量输入网络，对网络的层数、隐层节点数、学习速率和激励函数进行了计算选取，经过训练，正确识别率达到了76.7％；采用遗传算法进行改进，寻找BP神经网络的最佳权系数以及相应节点的阈值，BP遗传神经网络算法的收敛速度远远快于传统的BP神经网络算法，正确识别率为90％。 本文采用了扩展速度的概念，对不同油水分布情况下的扩展速度进行了推导，并应用等动量取样装置对液相区进行了取样分析，发现在分层波浪流型下，液相区的截面含水率表现出明显的分布梯度，故采用了Gas-W/O-O/W型分层流模型，从而建立了新的三相分层流压降模型，以克服传统分层流模型的计算误差。计算结果和实验值符合程度较好，误差范围为0～+15.45％。

目录

文摘

英文文摘

论文说明：主要符号表

声明

第1章前言

1.1研究背景与意义

1.2流型划分

1.3流型识别

1.3.1流型图识别流型

1.3.2概率密度函数和功率谱密度函数客观识别流型

1.3.3小波分析在流型识别中的应用

1.3.4分形理论在流型识别中的应用

1.3.5模糊模式识别

1.3.6神经网络实现智能识别

1.4分层流压降计算

1.5本文主要研究内容

第2章实验系统和信号滤噪

2.1实验系统介绍

2.1.1实验装置

2.1.2实验流程

2.2实验参数范围和介质物性

2.2.1实验参数范围

2.2.2实验介质物性

2.3实验方法与内容

2.4数据采集系统与信号滤噪方法

2.4.1数据采集系统

2.4.2信号滤噪方法

2.5本章小结

第3章流型特征量提取与流动特性分析

3.1流型的分形特征量

3.1.1关联维数

3.1.2最大Lyapunov指数

3.1.3 Hurst指数

3.2流型的统计特征量

3.2.1多尺度信息熵

3.2.2差压波动信号的PSD特征

3.2.3差压波动信号的PDF特征

3.3其它特征量

3.3.1均值

3.3.2标准差

3.3.3偏斜度

3.4本章小结

第4章人工神经网络流型识别

4.1人工神经网络模型

4.2 BP神经网络

4.2.1 BP网络的结构

4.2.2 BP学习算法

4.2.3 BP网络层数的选取

4.2.4隐层节点数的选取

4.2.5学习速率的选取

4.2.6激励函数的选取

4.2.7流型识别

4.3遗传算法改进BP神经网络

4.3.1遗传算法简介

4.3.2遗传算法参数与操作

4.3.3遗传算法与人工神经网络的结合

4.3.4 BP遗传神经网络参数确定

4.3.5 BP遗传神经网络算法

4.3.6流型识别

4.4本章小结

第5章分层流压降计算

5.1三相分层流分析

5.1.1壁面剪切应力

5.1.2界面剪切应力

5.1.3几何参数

5.2扩展速度

5.3扩展速度的确定

5.3.1水相

5.3.2油相

5.4 Gas-W/O-O/W型三层流模型

5.5计算方法

5.6结果与分析

5.7本章小结

第6章结论

参考文献

致谢

个人简历