CN105486358A - 基于文丘里管双差压的气液两相流参数测量方法 - Google Patents

Abstract

本发明公开了一种基于文丘里管双差压的气液两相流参数测量方法。包括如下基本步骤：1)测量文丘里管朝上和朝下倾斜方向的差压波动信号；2)应用经验模态分解方法分解2个取压方向上的差压波动信号，得到固有模态函数和残差；3)计算每个固有模态函数的相对能量；4)剔除噪声成分；5)根据相对能量的阈值判断伪成分；6)根据固有模态函数、残差和伪成分计算特征量；7)将特征量输入神经网络，预测空隙率、干度和总质量流量；8)计算气相与液相质量流量。本发明的有益效果是无需采用气液分离器，仅基于一个文丘里管的2个差压信号即可预测两相流多个参数。本发明检测参数多，实时性好，装置简单，易于实现。适用于气液两相流多参数的测量。

Description

基于文丘里管双差压的气液两相流参数测量方法

技术领域

本发明属于流体测量技术领域，具体涉及到一种基于文丘里管双差压的气液两相流参数测量方法。

背景技术

气液两相流广泛存在于石油、化工、医药、动力等工业领域，其空隙率、干度、流量等参数的在线检测对气液两相流***的控制、可靠运行和效率等均具有重要的意义，长期以来，一直是两相流领域的重要研究内容。例如，在石油工业中，油气计量时首先进行油气水分离，再通过多条管线分相输送并计量，这种计量方式采用的油气分离设备体积庞大，价格昂贵。若能采用一条管线进行多相混输，并配以具有在线、实时、不分离计量功能的多相流量计，将极大地节约基础设施的建设成本，对于简化地面生产设备、提升输油管线各站点的管理，优化油气井生产过程都具有重要意义。但是气液两相流动复杂，多相混输时参数检测难度很大。

在气液两相流参数中，空隙率的测量方法主要包括直接测量法和间接测量法。在直接测量法中最常用的是快关阀法。实验中，当测量管段的流体流动稳定时，同时迅速关闭安装在实验管路上的两个快关阀门，然后排出管道中的气体并测量剩余液体的体积，结合测量管段的总体积求出两阀门间的体积平均空隙率。该方法测量空隙率准确有效，但测量时需要人为切断管道中流体的正常流动，且无法实现实时在线测量，这限制了该方法在实际工业生产中的应用，目前主要用于实验室对空隙率的研究以及对空隙率测量装置的标定。间接测量法主要包括阻抗法、超声波透射法、过程/电阻层析成像法、射线法、核磁共振法等。文丘里管差压信号的均值和瞬时值、水平管道中差压波动信号的方差及均值都可用来间接测量空隙率。

气液两相流流量测量方法主要包括单相流量计法、相关测量法、节流式流量计法等。单相流量计法是将单相流流量测量仪表应用到气液两相流流量测量中的方法，由于这些单相流量计在理论研究和实际应用上都比较成熟，使得该方法在工业应用中更容易被接受。根据单相流量计组合的不同，该方法可以分为两个单相流量计组合法、单相流量计与密度计组合法和波动信号特征值法等。

相关测量法是以相关技术为基础构成的两相流流量测量方法。理论上该方法可用于测量任何流体***的流量，而且测量流速的范围很宽，因此，相关流量计法为解决两相流量测量提供了一种强有力的技术手段。该技术的优点是可构成各种流体流量测量***，实现非接触式测量。但相关流量测量技术目前仍存在一些问题需要进一步探讨，例如相关速度的物理意义仍不甚明确，互相关函数峰值较难确定，相关流量计标定仍有一定难度等。

应用节流法测量气液两相流流量时，需建立两相流测量模型，该模型是对单相流基本测量模型的校正，校正因子一般为两相流密度。根据不同的假设条件，国内外研究者建立了均相流模型、分相流模型、Murdock关系式、Chisholm关系式、林宗虎关系式等数理模型。这些数理模型结合两相流混合密度和节流式流量计测出的差压来计算气液两相流流量，有时需要由其他元件测出干度或空隙率等参数。均相流模型和分相流模型比较简单，但测量精度较低。Murdock关系式、Chisholm关系式、林宗虎关系式中的密度修正公式相对复杂，其中的系数主要通过实验数据确定。气液两相流经节流元件时差压波动很大，这导致以上数理模型的预测精度较低。

目前，差压式两相流参数测量技术应用局部的单一差压信号来计算两相流空隙率、干度和流量等参数，但局部的单一差压信号并不能全面、准确的反映管道中流体的分布和流动特征。鉴于重力和浮力对水平管道中气液两相的相分布存在明显的影响，本发明从水平安装的文丘里管倾斜朝上和倾斜朝下两个方向采集差压信号，公开了一种基于文丘里管差压信号结合经验模态分解与神经网络的气液两相流参数测量装置与方法。

发明内容

本发明的目的是提供一种基于文丘里管2个取压方向上的差压波动信号测量气液两相流参数的方法。本发明提供的方法检测参数多，实时性好，测量装置简单，易于实现。适用于气液两相流多参数的测量。

本发明采用如下的技术方案：

基于文丘里管双差压的气液两相流参数测量装置，包括计量管道(1)、压力传感器(2)、文丘里管(3)、差压传感器(4)、差压传感器(5)、A/D转换卡(6)、计算机(7)，在计量管道(1)上依次设有压力传感器(2)、文丘里管(3)，差压传感器(4)和差压传感器(5)与文丘里管(3)相连，A/D转换卡(6)与压力传感器(2)、差压传感器(4)、差压传感器(5)相连，计算机(7)与A/D转换卡(6)相连。

本发明基于文丘里管双差压信号测量气液两相流参数，其特征在于，包括有如下基本步骤：

(1)测量差压波动信号：应用差压传感器DPS₁测量文丘里管朝上倾斜方向的差压波动信号ΔP₁，应用差压传感器DPS₂测量文丘里管朝下倾斜方向的差压波动信号ΔP₂；

(2)差压波动信号分解：应用经验模态分解方法分解ΔP₁，得到固有模态函数和残差r₁，其中m为由ΔP₁分解得到的固有模态函数的个数；应用经验模态分解方法分解ΔP₂，得到固有模态函数和残差r₂，其中n为由ΔP₂分解得到的固有模态函数的个数；

(3)计算相对能量：分别针对ΔP₁和ΔP₂，根据计算每个固有模态函数的相对能量e_i，其中为固有模态函数的能量，为固有模态函数的总能量，l＝1,2，对于ΔP₁，k＝m；对于ΔP₂，k＝n；

(4)信号去噪：剔除信号中的噪声成分

(5)判断伪成分：如果e_i≤0.05，那么e_i对应的为伪成分，其中，l＝1,2，对于ΔP₁，i＝6,7,…,m；对于ΔP₂，i＝6,7,…,n；

(6)提取特征量：对于ΔP₁，计算 $D_1=\sqrt{\frac{1}{m-m_1-1}{\mathrm{\ΣIMF}}_D^1},R_1=\frac{1}{1+m_1}\mathrm{\Σ}(r_1+{\mathrm{IMF}}_R^1),d_1=\frac{D_1}{R_1},$ 其中，D₁、R₁和d₁为ΔP₁的特征量，m₁为步骤(5)确定的ΔP₁中含有的伪成分的个数，表示中去掉和m₁个伪成分后剩余的固有模态函数，表示中的m₁个伪成分；对于ΔP₂，计算 其中，D₂、R₂和d₂为ΔP₂的特征量，n₁为步骤(5)确定的ΔP₂中含有的伪成分的个数，表示中去掉n₁个伪成分后剩余的固有模态函数，表示中的n₁个伪成分；

(7)预测空隙率、干度和总质量流量：将d₁、d₂、R₁和R₂输入神经网络，预测气液两相流的空隙率α、干度χ和总质量流量M；

(8)计算气相与液相质量流量：根据M_g＝χ·M计算气相质量流量M_g，根据M_l＝(1-χ)·M计算液相质量流量M_l。

上述步骤(1)中所述的文丘里管取压位置分别为从水平方向倾斜向上45度和从水平方向倾斜向下45度。

上述步骤(1)中所述的差压传感器DPS₁和DPS₂具有相同的差压测量原理、相同的频率响应特性。

上述步骤(7)中的神经网络权值根据实验数据离线训练获得，并存储于计算机中，在上述步骤(7)预测空隙率、干度和总质量流量时，神经网络权值直接从计算机中获取用于在线预测空隙率、干度和总质量流量。

上述步骤(7)中的神经网络为三层前馈型网络，输入层节点数为4，隐层节点数为20，输出层节点数为1，隐层采用S型激活函数，输出层采用线性激活函数。

本发明的有益效果及优点是，无需采用高效气液分离器进行气液分离，仅基于一个文丘里管的2个差压波动信号结合经验模态分解技术和人工神经网络来测量气液两相流参数。2个差压波动信号从文丘里管的上部和下部采集。经验模态分解技术用来分解差压波动信号和提取特征量，人工神经网络用于预测气液两相流参数。

本发明提供的方法检测参数多，实时性好，测量装置简单，易于实现。适用于气液两相流多参数的测量。

附图说明

图1为基于文丘里管双差压的气液两相流测量装置结构示意图；

图2为文丘里管差压信号采集位置示意图；

图3为水流量3.9727m³/h，气流量2.5364m³/h工况下的差压波动信号ΔP₁和ΔP₂；

图4为ΔP₁和ΔP₂的经验模态分解结果；

图5为ΔP₁和ΔP₂各固有模态函数的相对能量；

图6为ΔP₁和ΔP₂中提取的d₁和d₂与空隙率α的关系；

图7为ΔP₁中提取的R₁和d₁与干度的关系；

图8为ΔP₁中提取的R₁和d₁与总质量流量的关系；

图9为神经网络结构；

图10为气液两相流空隙率预测结果；

图11为气液两相流干度预测结果；

图12为气液两相流总质量流量预测结果；

图13为气相质量流量预测结果；

图14为液相质量流量预测结果。

具体实施方式

基于文丘里管双差压的气液两相流测量装置，包括计量管道(1)、压力传感器(2)、文丘里管(3)、差压传感器(4)、差压传感器(5)、A/D转换卡(6)、计算机(7)，在计量管道(1)上依次设有压力传感器(2)、文丘里管(3)，差压传感器(4)和差压传感器(5)与文丘里管(3)相连，A/D转换卡(6)与压力传感器(2)、差压传感器(4)、差压传感器(5)相连，计算机(7)与A/D转换卡(6)相连。

本实施例在内径为40mm的测试管段，水质量流量为1.02～4.22Kg/s，空气质量流量为0.003～0.021Kg/s，空隙率为0.12-0.75，干度为0.00114～0.0197的气液两相流参数测量上应用本发明的方法。

(1)测量差压波动信号

应用差压传感器DPS₁测量文丘里管朝上倾斜方向的差压波动信号ΔP₁，应用差压传感器DPS₂测量文丘里管朝下倾斜方向的差压波动信号ΔP₂。

图1为基于文丘里管双差压的气液两相流测量装置结构示意图，差压传感器DPS₁和DPS₂均为电容式，型号相同。图2为文丘里管差压信号采集位置示意图，取压位置分别为从水平方向倾斜向上45度和从水平方向倾斜向下45度。图3为水流量3.9727m³/h，气流量2.5364m³/h工况下的差压波动信号ΔP₁和ΔP₂。

(2)差压波动信号分解

应用经验模态分解方法分解ΔP₁，得到固有模态函数和残差r₁，其中m为由ΔP₁分解得到的固有模态函数的个数；应用经验模态分解方法分解ΔP₂，得到固有模态函数和残差r₂，其中n为由ΔP₂分解得到的固有模态函数的个数。

图4为ΔP₁和ΔP₂的经验模态分解结果。从图4可以看到，ΔP₁分解得到11个固有模态函数和1个残差，ΔP₂分解得到10个固有模态函数和1个残差。在本实施例中，m＝11，n＝10。

(3)计算相对能量

分别针对ΔP₁和ΔP₂，根据计算每个固有模态函数的相对能量e_i，其中为固有模态函数的能量，为固有模态函数的总能量，l＝1,2，对于ΔP₁，k＝m；对于ΔP₂，k＝n。

图5为ΔP₁和ΔP₂各固有模态函数的相对能量。

(4)信号去噪

剔除信号中的噪声成分

在图4的分解结果中，将ΔP₁分解出的第一个分量IMF₁剔除掉。

(5)判断伪成分

如果e_i≤0.05，那么e_i对应的为伪成分，其中，l＝1,2，对于ΔP₁，i＝6,7,…,m；对于ΔP₂，i＝6,7,…,n。

在本实施例中，根据图5的相对能量分布，判断ΔP₁的固有模态函数中，为伪成分；ΔP₂的固有模态函数中，和为伪成分。

(6)提取特征量

对于ΔP₁，计算 $D_1=\sqrt{\frac{1}{m-m_1-1}{\mathrm{\ΣIMF}}_D^1},R_1=\frac{1}{1+m_1}\mathrm{\Σ}(r_1+{\mathrm{IMF}}_R^1),d_1=\frac{D_1}{R_1},$ 其中，D₁、R₁和d₁为ΔP₁的特征量，m₁为步骤(5)确定的ΔP₁中含有的伪成分的个数，表示中去掉和m₁个伪成分后剩余的固有模态函数，表示中的m₁个伪成分；对于ΔP₂，计算 $D_2=\sqrt{\frac{1}{n-n_1}{\mathrm{\ΣIMF}}_D^2},R_2=\frac{1}{1+n_1}\mathrm{\Σ}(r_2+{\mathrm{IMF}}_R^2),d_2=\frac{D_2}{R_2},$ 其中，D₂、R₂和d₂为ΔP₂的特征量，n₁为步骤(5)确定的ΔP₂中含有的伪成分的个数，表示中去掉n₁个伪成分后剩余的固有模态函数，表示中的n₁个伪成分。

在本实施例中，根据上述步骤(5)的结果，ΔP₁的分解结果中含有1个伪成分，ΔP₂的分解结果中含有2个伪成分，因此，m₁＝1，n₁＝2，具体为具体为具体为具体为

图6为ΔP₁和ΔP₂中提取的d₁和d₂与空隙率α的关系。图7为ΔP₁中提取的R₁和d₁与干度的关系。图8为ΔP₁中提取的R₁和d₁与总质量流量的关系。

(7)预测空隙率、干度和总质量流量

将d₁、d₂、R₁和R₂输入神经网络，预测气液两相流的空隙率α、干度χ和总质量流量M。

为了评估气液两相流参数的预测效果，根据计算平均相对误差ε，其中，output表示神经网络预测值，target表示参考值，N表示被预测的工况数。根据计算相对误差RE来评估每个工况的预测精度。

图9为神经网络结构,该神经网络为三层前馈型网络，输入层节点数为4，隐层节点数为20，输出层节点数为1，隐层采用S型激活函数，输出层采用线性激活函数。

神经网络权值根据实验数据离线训练获得，并存储于计算机中。预测空隙率、干度和总质量流量时，神经网络权值直接从计算机中获取用于在线预测空隙率、干度和总质量流量。

本实施例中，用于空隙率预测的神经网络参数为：

输入层到隐层的权值为：

输入层到隐层的阈值为：

隐层到输出层的权值为：

隐层到输出层的阈值为：-0.6964。

用于干度预测的神经网络参数为：

输入层到隐层的权值为：

输入层到隐层的阈值为：

隐层到输出层的权值为：

隐层到输出层的阈值为：0.0470。

用于总质量流量预测的神经网络参数为：

输入层到隐层的权值为：

输入层到隐层的阈值为：

隐层到输出层的权值为：

隐层到输出层的阈值为：-0.9079。

图10为气液两相流空隙率预测结果。图11为气液两相流干度预测结果。图12为气液两相流总质量流量预测结果。

(8)计算气相与液相质量流量

根据M_g＝χ·M计算气相质量流量M_g，根据M_l＝(1-χ)·M计算液相质量流量M_l。

图13为气相质量流量预测结果。图14为液相质量流量预测结果。

Claims (5)

1.一种基于文丘里管双差压的气液两相流参数测量方法，其特征在于，包括下列步骤：

(1)测量差压波动信号：应用差压传感器DPS₁测量文丘里管朝上倾斜方向的差压波动信号ΔP₁，应用差压传感器DPS₂测量文丘里管朝下倾斜方向的差压波动信号ΔP₂；

(2)差压波动信号分解：应用经验模态分解方法分解ΔP₁，得到固有模态函数和残差r₁，其中m为由ΔP₁分解得到的固有模态函数的个数；应用经验模态分解方法分解ΔP₂，得到固有模态函数和残差r₂，其中n为由ΔP₂分解得到的固有模态函数的个数；

(3)计算相对能量：分别针对ΔP₁和ΔP₂，根据计算每个固有模态函数的相对能量e_i，其中为固有模态函数的能量，为固有模态函数的总能量，l＝1,2，对于ΔP₁，k＝m；对于ΔP₂，k＝n；

(4)信号去噪：剔除信号中的噪声成分

(5)判断伪成分：如果e_i≤0.05，那么e_i对应的为伪成分，其中，l＝1,2，对于ΔP₁，i＝6,7,…,m；对于ΔP₂，i＝6,7,…,n；

(6)提取特征量：对于ΔP₁，计算 $D_1=\sqrt{\frac{1}{m-m_1-1}{\mathrm{\ΣIMF}}_D^1},$ $R_1=\frac{1}{1+m_1}\mathrm{\Σ}(r_1+{\mathrm{IMF}}_R^1),$ 其中，D₁、R₁和d₁为ΔP₁的特征量，m₁为步骤(5)确定的ΔP₁中含有的伪成分的个数，表示中去掉和m₁个伪成分后剩余的固有模态函数，表示中的m₁个伪成分；对于ΔP₂，计算 $D_2=\sqrt{\frac{1}{n-n_1}{\mathrm{\ΣIMF}}_D^2},$ $R_2=\frac{1}{1+n_1}\mathrm{\Σ}(r_2+{\mathrm{IMF}}_R^2),$ $d_2=\frac{D_2}{R_2},$ 其中，D₂、R₂和d₂为ΔP₂的特征量，n₁为步骤(5)确定的ΔP₂中含有的伪成分的个数，表示中去掉n₁个伪成分后剩余的固有模态函数，表示中的n₁个伪成分；

(7)预测空隙率、干度和总质量流量：将d₁、d₂、R₁和R₂输入神经网络，预测气液两相流的空隙率α、干度χ和总质量流量M；

(8)计算气相与液相质量流量：根据M_g＝χ·M计算气相质量流量M_g，根据M_l＝(1-χ)·M计算液相质量流量M_l。

2.根据权利要求1所述的一种基于文丘里管双差压的气液两相流参数测量方法，其特征在于上述步骤(1)中所述的文丘里管取压位置分别为从水平方向倾斜向上45度和从水平方向倾斜向下45度。

3.根据权利要求1所述的一种基于文丘里管双差压的气液两相流参数测量方法，其特征在于上述步骤(1)中所述的差压传感器DPS₁和DPS₂具有相同的差压测量原理、相同的频率响应特性。

4.根据权利要求1所述的一种基于文丘里管双差压的气液两相流参数测量方法，其特征在于上述步骤(7)中的神经网络权值根据实验数据离线训练获得，并存储于计算机中，在上述步骤(7)预测空隙率、干度和总质量流量时，神经网络权值直接从计算机中获取用于在线预测空隙率、干度和总质量流量。

5.根据权利要求1所述的一种基于文丘里管双差压的气液两相流参数测量方法，其特征在于上述步骤(7)中的神经网络为三层前馈型网络，输入层节点数为4，隐层节点数为20，输出层节点数为1，隐层采用S型激活函数，输出层采用线性激活函数。