法律状态公告日
法律状态信息
法律状态
2019-10-18
授权
授权
2017-03-22
实质审查的生效 IPC(主分类):G06F17/50 申请日:20161011
实质审查的生效
2017-02-22
公开
公开
技术领域
本发明涉及一种两相流流动结构网络可视化方法。特别是涉及一种基于多尺度加权递归网络的两相流网络可视化方法及应用。
背景技术
两相流广泛存在于石油化工产业中例如石油开采等。在两相流系统中,各相的分布随着时间和空间在不断变化,形成了不同的流动形态,称之为流型。两相流的流型复杂多变,局部流动信息难以准确捕捉,使得流型辨识存在诸多难点,对于进一步测量两相流流动参数造成了诸多影响。目前,对于流型的研究主要是采用观测法和基于测量信号的小波特征分析和模糊C聚类、模糊逻辑和遗传算法、数字图像处理算法等。传统的测量采用的环形电导传感器和双螺旋电容传感器等,是单通道传感器,容易丢失微观的局部流动信息。而分布式的电导传感器和激励循环激励传感器等则可以同时采集多通道信号,捕捉到更丰富的微观流动信息,为两相流复杂流动结构的揭示提拱了重要技术支持。
复杂网络理论自创立以来,如今已在多领域得到了蓬勃发展,是研究复杂系统的一个重要工具,尤其是近年来其在时间序列分析中领域作出了重大贡献。实践表明,复杂网络对于挖掘包含在非线性时间序列中和非线性动力学系统中的重要信息具有明显的优势,效果显著。其在单通道时间序列上的得到成功应用的同时,也使得科研人员开始关注如何将其应用到多通道数据的融合分析中。递归网络作为复杂网络研究中的一个重要分支,在多领域得到广泛应用,尤其是对于不稳定的、短的时间序列,其分析效果十分显著。它可以用于探究复杂系统和时间序列中的动力学特性。
发明内容
本发明所要解决的技术问题是,提供一种能够从宏观角度揭示微观的流动结构的基于多尺度加权递归网络的两相流网络可视化方法及应用。
本发明所采用的技术方案是:一种基于多尺度加权递归网络的两相流网络可视化方法,包括如下步骤:
1)对通过双层循环激励电导传感器得到的多通道信号进行多尺度变换,包括:
(1)对长度均为C的p个通道的信号
其中,μxk,i(β)是粗粒化后得到的信号的任意一点,β是尺度因子,μ表示数据是求均值得到的,yk,b是信号Y中的任意一点,
(2)对p个通道中的每一通道的原始信号计算粗粒化方差,得到每一通道的多尺度信号xk,i(β):
由此,得到多尺度多通道信号
2)在每一个尺度因子β下构建多尺度加权递归网络,包括:
(1)对在任一个固定尺度因子β下得到的多通道信号
其中,N是进行相空间重构后相空间轨迹上向量点的数目,m为嵌入维数,采取错误最近邻法确定,τ为延迟时间,采用互信息法确定,
(2)对于任意两通道f和g的信号xf,i(β)和xg,i(β)f≠g,在进行第(1)步后,得到相空间轨迹
其中,ε为阈值,采用15%的两通道信号标准偏差和选取,
(3)为了量化每一个交叉递归图中递归点的密度,计算交叉递归率:
(4)对于固定尺度因子β下得到的多通道信号
(5)将每一通道信号视作节点,将两通道间形成的交叉递归图的交叉递归率作为节点间连边的权重;由此,得到在任一固定尺度下的加权递归网络;
3)通过对所有尺度下的多通道信号
4)采用基于贪婪优化策略的鲁文算法探寻多尺度无权递归网络的社团结构;通过对社团结构的探寻,揭示两相流流动结构特征,实现对复杂流动结构的网络可视化。
一种基于多尺度加权递归网络的两相流网络可视化方法的应用,是采用双层循环激励电导传感器进行垂直油水两相流实验,并固定油相和水相的配比,改变油相和水相的流量进行实验;实验过程如下:
1)固定水相和油相的配比,往垂直上升管道中通入一定量的水,然后逐渐向管道中通入油相,当油水两相充分融合并逐渐稳定后,采用双层循环激励电导传感器同时测量多通道信号,并用高速摄像仪记录流型;
2)改变油相和水相的流量,重复步骤1),直至在固定的配比下所设计的工况都完成;
3)改变油相和水相的配比,重复步骤1)和步骤2),直至设计的所有工况全部测量完成;
4)基于上述的多通道测量信号,对每通道的信号进行多尺度变换,而后在每一个尺度下,对变换后的每两个通道的信号进行相空间重构,画交叉递归图并计算交叉递归率;以每一通道信号作为网络的节点,以两通道信号间的交叉递归率作为网络连边的权重,构建多尺度加权递归网络;采用错误发现率算法选取阈值,将加权递归网络转换为无权递归网络;
5)采用鲁文算法探寻不同工况下多尺度无权递归网络社团结构的演化,揭示两相流流动结构特征,实现对复杂流动结构的网络可视化。
本发明的基于多尺度加权递归网络的两相流网络可视化方法及应用,具有如下有益效果:
(1)通过对网络社团结构的探寻,揭示复杂的两相流流动结构;
(2)能够实现对两相流流动结构的网络可视化,从宏观角度揭示微观的流动结构。
附图说明
图1是本发明基于多尺度加权递归网络的两相流网络可视化方法流程图;
图2是本发明方法的信号采集系统示意图。
图中
a:循环激励电导传感器 b:信号采集电路
c:计算机 1、5、9、13、17、21、25、29:电极
具体实施方式
下面结合实施例和附图对本发明的基于多尺度加权递归网络的两相流网络可视化方法及应用做出详细说明。
本发明的基于多尺度加权递归网络的两相流网络可视化方法,是通过对双层循环激励电导传感器得到的多通道数据在多尺度上计算每一对信号之间的交叉递归率,以递归率确定递归网络的连边权重,以每一通道的信号作为网络的节点,建立多尺度加权递归网络。通过选取阈值将多尺度加权递归网络转化成无权递归网络,通过探寻多尺度无权递归网络的社团结构,实现对两相流复杂流动结构的网络可视化。
如图1所示,本发明的基于多尺度加权递归网络的两相流网络可视化方法,包括如下步骤:
1)对通过双层循环激励电导传感器得到的多通道信号进行多尺度变换,包括:
(1)对长度均为C的p个通道的信号
其中,
(2)对p个通道中的每一通道的原始信号计算粗粒化方差,得到每一通道的多尺度信号xk,i(β):
由此,得到多尺度多通道信号
2)在每一个尺度因子β下构建多尺度加权递归网络,包括:
(1)对在任一个固定尺度因子β下得到的多通道信号
其中,N是进行相空间重构后相空间轨迹上向量点的数目,m为嵌入维数,采取错误最近邻法确定,τ为延迟时间,采用互信息法确定,
(2)对于任意两通道f和g的信号
其中,ε为阈值,采用15%的两通道信号标准偏差和选取,
(3)为了量化每一个交叉递归图中递归点的密度,计算交叉递归率:
(4)对于固定尺度因子β下得到的多通道信号
(5)将每一通道信号视作节点,将两通道间形成的交叉递归图的交叉递归率作为节点间连边的权重;由此,得到在任一固定尺度下的加权递归网络;
3)通过对所有尺度下的多通道信号重复步骤2)的过程,得到多尺度加权递归网络;在每个尺度下,对于所述的交叉递归率形成的权重矩阵,选取阈值,若交叉递归率大于所述阈值,则网络中的两节点之间有连边,否则无连边,从而得到多尺度无权递归网络;
4)采用基于贪婪优化策略的鲁文算法探寻多尺度无权递归网络的社团结构;通过对社团结构的探寻,揭示两相流流动结构特征,实现对复杂流动结构的网络可视化。
本发明的基于多尺度加权递归网络的两相流流动结构网络可视化方法的应用,是采用双层循环激励电导传感器进行垂直油水两相流实验,并固定油相和水相的配比,改变油相和水相的流量进行实验;信号采集系统如图2所示。每一层循环激励电导传感器由16个电极组成,共32个电极。每次测量中,某一层的其中一个电极作为激励端,如图2中的电极1,相对的另一层的一个电极接地,如图中的电极25,其余30个电极接收,一次循环可测量得到32×30=960通道的信号,从而能够捕捉丰富的局部流动信息。固定油相和水相的配比,改变油相和水相的流量进行实验。实验过程如下:
1)固定水相和油相的配比,往垂直上升管道中通入一定量的水,然后逐渐向管道中通入油相,当油水两相充分融合并逐渐稳定后,采用双层循环激励电导传感器同时测量多通道信号,并用高速摄像仪记录流型;
2)改变油相和水相的流量,重复步骤1),直至在固定的配比下所设计的工况都完成;
3)改变油相和水相的配比,重复步骤1)和步骤2),直至设计的所有工况全部测量完成;
4)基于上述的多通道测量信号,对每通道的信号进行多尺度变换,而后在每一个尺度下,对变换后的每两个通道的信号进行相空间重构,画交叉递归图并计算交叉递归率;以每一通道信号作为网络的节点,以两通道信号间的交叉递归率作为网络连边的权重,构建多尺度加权递归网络;采用错误发现率算法选取阈值,将加权递归网络转换为无权递归网络;
5)采用鲁文算法(Louvain method)探寻不同工况下多尺度无权递归网络社团结构的演化,揭示两相流流动结构特征,实现对复杂流动结构的网络可视化。
从双层循环激励电导传感器测量得到的多通道信号进行多尺度变换,计算每个尺度下信号之间的交叉递归图,得到交叉递归率矩阵。以信号作为节点,信号间的交叉递归率作为网络的连边权重,构建多尺度加权递归网络并将其转化为转换为无权递归网络。探寻不同的工况下网络社团结构的演化,揭示两相流流动结构特征,实现对复杂流动结构的网络可视化。
以上对本发明和实施例的描述,并不局限于此,实施例中的描述仅是本发明的实施方式之一,在不脱离本发明创造宗旨的情况下,任何不经创造性的设计出与该技术方案类似的结构或实施例,均属本发明的保护范围。
机译: 基于网络应用的用户能力评估方法,基于网络应用的用户能力管理方法和基于网络应用的用户能力评估系统
机译: 用于使用稳定和可控制的参数模型,基于多尺度综合框架和新型网络架构的基于卷积神经网络的图像合成系统和方法
机译: 用于使用稳定和可控制的参数模型,基于多尺度综合框架和新型网络架构的基于卷积神经网络的图像合成系统和方法