应用RBF神经网络智能识别油气水多相流流型

摘要

传统的流型识别方法对流型特征没有一个量化的评价指标，只能由识别者采用模糊的语言描述每种工况的特征，在 很大程度上依赖于每个识者的主观判断，很难实现流型的在线自动识别。为了克服传统流型识别方法的缺点，本文在实验 室采用机油、空气和水作为工质来模拟现场的水平管内的油气水多相流流动，采用压阻式压差传感器对水平管内的油气 水多相流流动的压差进行测量，得到反映油气水多相流流动波动特性的压差信号。运用分形理论中的重构相空间算法（即 Ｇｒａｓｓｂｅｒｇｅｒ－Ｐｒｏｃａｃｃｉａ算法），算出经过滤噪处理后的油气水多相流流动的压差信号序列的关联维数，以不同流型不同工 况的关联维数为基础构成不同流型不同工况下的多相流的特征向量，从而量化了油气水多相流的特征。将特征向量输入 径向基函数（Ｒａｄｉｕｓ Ｂａｓｉｓ Ｆｕｎｃｔｉｏｎ，简称ＲＢＦ）神经网络，通过学习样本的学习，即可用来对测试样本（未知流型的压差信 号）进行自动在线的流型识别。结果显示，该识别方法具有高精度、快速及不需人工干预等优点，在石化、核能等行业必将 有广阔的应用前景。