CN114510974B - 一种多孔介质内气液两相流流型智能识别方法 - Google Patents
一种多孔介质内气液两相流流型智能识别方法 Download PDFInfo
- Publication number
- CN114510974B CN114510974B CN202210102131.5A CN202210102131A CN114510974B CN 114510974 B CN114510974 B CN 114510974B CN 202210102131 A CN202210102131 A CN 202210102131A CN 114510974 B CN114510974 B CN 114510974B
- Authority
- CN
- China
- Prior art keywords
- differential pressure
- pressure signal
- flow pattern
- power
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 41
- 239000007788 liquid Substances 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000003909 pattern recognition Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008092 positive effect Effects 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 239000012530 fluid Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012567 pattern recognition method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N7/00—Analysing materials by measuring the pressure or volume of a gas or vapour
- G01N7/10—Analysing materials by measuring the pressure or volume of a gas or vapour by allowing diffusion of components through a porous wall and measuring a pressure or volume difference
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Volume Flow (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明公开了一种多孔介质内气液两相流流型智能识别方法,步骤如下:1、获取压差信号数据;2、对测量得到的压差信号进行特征提取,并生成特征参数;3、构建特征向量;4、利用SVM智能识别模块,根据输入的特征向量,以及预设好的识别模型,判断此时对应的流型;5、输出流型;本发明方法成本低、易实现、准确性高、实时性好;实现对于多孔介质气液两相流流型的快速识别,对完善气液两相流流型识别理论以及促进气液两相流检测具有积极作用。
Description
技术领域
本发明属于流体测量技术领域,是把特征提取技术和机器学习技术应用于气液两相流型识别,具体涉及到一种基于特征提取和SVM智能识别模块的管内多孔介质气液两相流流型识别方法。
背景技术
气液两相流现象是一种在日常生活和工业生产中非常常见的现象。流型表征了两种流体在两相流中的分布情况,是两相流的重要参数之一。流型的不同会导致流体的传热传质性能、流动特性以及其他流动传热参数之间存在显著的差异。在工业生产中,快速有效的识别流型,可以提升产品质量,降低安全隐患,有效节约能源。因此,对于两相流流型识别技术的研究有着重要的意义。
目前,国内一些学者已经针对两相流流型识别技术开展了相关研究,但多是针对于流道较为简单的两相流动。例如申请公布号为CN 107402116 A,名称为一种气液两相流流型识别方法及检测装置。该发明开发了一种专门针对于气液两相流扰流的流型识别方法及其测量装置。又例如申请公布号为CN 112113742 A,名称为基于GRU神经网络的气液两相流流型在线识别方法。该方法利用节流装置和深度学习开发板,对光滑管道内的两相流型进行识别。又例如申请公布号为CN 104330336 A,名称为基于ICA和SVM的气液两相流型识别方法。该方法基于ICA技术和SVM技术,针对文丘里管内两相流型进行识别。上述发明均针对于内部结构较为简单的光滑管道进行研究,而由于多孔介质的孔隙通道具有弯曲性和随机性特点,流体在多孔介质内流动特性十分复杂,与光管内流动存在巨大的差异。因此,基于光滑管道开发的两相流型识别技术无法直接应用于多孔介质两相流流型识别领域,有必要提供一种有效的技术方法实现多孔介质内气液两相流型的流型识别。
不同流型的气液相以其特有的流动方式通过压力变送器,这种差异必然导致压差信号在时域和频域上存在差异。概率密度函数可以反映信号的分布范围,波动剧烈程度等时域特征,而功率谱密度被广泛用于计算信号固有频率的强度,能较好地反映信号的频域特征。因此,概率密度函数和功率谱密度可以作为压差信号特征提取的基础。
支持向量机(SVM)技术是基于统计学习理论的一种机器学习算法,具有强大的分类识别能力。基于SVM技术、实验数据以及计算机技术,可以训练开发具有持续优化潜力的流型识别模块。模块在具备快速识别多孔介质气液两相流流型的基础功能的同时,可以通过补充实验数据的方式,通过机器学习来扩大识别范围,提高识别精度。
发明内容
本发明的目的在于提供一种多孔介质内气液两相流流型智能识别方法,以弥补相关技术的缺失,实现对于多孔介质气液两相流流型的快速识别,对完善气液两相流流型识别理论以及促进气液两相流检测具有积极作用。
为实现上述目的,本发明采用如下技术方案:
一种多孔介质内气液两相流流型智能识别方法,包括如下步骤:
步骤1:获取压差信号数据;
通过在多孔介质管道的进出口安装的压力变送器,获得多孔介质管道的进出口压差信号;
步骤2:对测量得到的压差信号进行特征提取,并生成特征向量;具体特征提取步骤如下:
步骤2.1:计算压差信号的时域特征参数,需要先得到压差信号的概率密度函数fx(x);之后计算得到2个所需时域特征参数:压差信号的标准差σ,压差信号概率密度函数的偏度Sk:
步骤2.1.1:计算得到压差信号的概率密度函数;对于一组随时间变化的压差信号xi,设它的累积分布函数是Fx(x),如果存在可测函数fx(x)满足:
那么压差信号xi是连续型随机变量,并且fx(x)是压差信号xi的概率密度函数;
步骤2.1.2:按以下公式计算压差信号的标准差σ:
其中xi表示原始压差信号,表示原始压差信号在整个时间区间内的平均值,n为数据信号点的个数;
步骤2.1.3:按以下公式计算压差信号概率密度函数的偏度Sk:
其中μ3是xi的三阶中心距,其计算公式为:
步骤2.2:计算压差信号的频域特征参数;需要先计算得到信号的功率谱密度Pf,并在此基础上获得所需的3个特征参数:最大功率对应频率fmax、功率谱密度的标准差σP以及功率有效分布范围RP;
步骤2.2.1:计算得到压差信号的功率谱密度Pf
给定一个随时间变化的压差信号x(t),则该信号的功率谱密度Pf的定义为:
其中是使用快速傅里叶变换计算的x(t)的傅里叶变换的平方范数;
步骤2.2.2:计算得到压差信号的频域特征参数——最大功率对应频率fmax:
压差信号的功率谱密度中的最大值对应的横坐标,即为最大功率对应频率fmax;
步骤2.2.3:计算得到功率谱密度的标准差σP:
其中Pi表示每个频率点对应的功率谱密度值,表示所有频率点功率谱密度的加权平均值;
步骤2.2.4:计算功率有效分布范围RP
求信号的总功率;再从0Hz开始,对功率进行求和,当求和功率达到总功率的99%时,其对应的横坐标所表示的频率值即为功率有效分布范围RP;
步骤3:构建特征向量;
通过步骤2计算得到了压差信号的5个特征参数,将上述5个特征参数组合成一个长度为5的一维数组[σSk fmaxσP RP],再将数组进行归一化处理:
S=σ+Sk+fmax+σP+RP
其中V代表任意一个特征向量;
经过归一化处理后,对于需要识别并判断流型的样本,得到的向量即为其特征向量,直接输入SVM智能识别模块并进行流型判断;而对于作为训练样本的特征向量,还需要在数组最后再增加一个元素,该元素作为标签来表明该特征向量的属性,元素1代表泡状流,元素2代表弹状流,元素3代表环状流;经过上述步骤3的处理,即可得到SVM智能识别模块所需的特征向量;
步骤4:利用SVM智能识别模块,根据输入的特征向量,以及预设好的识别模型,判断此时对应的流型;
SVM智能识别模块中预设的识别模型是基于大量实验数据和支持向量机SVM技术训练得到的模型;当一个特征向量输入进来后,识别模型首先逐一读取特征向量内包含的每组数据,之后会根据支持向量机原理计算该特征向量与识别模型中支持向量的距离,再根据距离的远近判断该特征向量对应的流型;
步骤5:输出流型:将多孔介质管道内的气液两相流流型识别结果通过屏幕或电信号输出。
本发明的有益效果在于:提供了一种多孔介质内气液两相流流型智能识别方法,利用安装在多孔介质通道进出口的压力变送器采集进出口压差信号,可以最大程度降低信号采集对管内流动的影响。通过特征提取技术,开创性的提取压差信号的时域和频域特征,保证了特征的全面性。再通过训练好的SVM智能识别模块,根据特征向量快速准确的判断压差信号对应的流型。该***成本低、易实现、准确性高、实时性好。
附图说明
图1为本发明实施例提供的多孔介质气液两相流流型智能识别***示意图。
图2是本发明测得的多孔介质气液两相流不同流型的压差信号示意图,其中(a)图为泡状流的压差信号示意图,(b)图为弹状流的压差信号示意图,(c)图为环状流的压差信号示意图。
图3是计算得到的不同流型压差信号对应的概率密度函数的示意图。
图4是实验工况下的压差信号的标准差σ分布情况。
图5是实验工况下的概率密度曲线的偏度Sk分布情况。
图6是计算得到的不同流型压差信号对应的功率谱密度函数的示意图。其中(a)图为泡状流的功率谱密度示意图,(b)图为弹状流的功率谱密度示意图,(c)图为环状流的功率谱密度示意图。
图7是实验工况下的最大功率对应频率fmax。
图8是实验工况下的功率谱密度的标准差σP。
图9是实验工况下的功率有效分布范围RP。
具体实施方式
下面将结合具体实施方式对本发明进行进一步说明。
本发明提供一种多孔介质内气液两相流流型智能识别方法,首先通过信号采集模块测量得到多孔介质管道进出口的压差信号,之后在特征提取模块中,利用概率密度函数(probability density function,PDF)和功率谱密度(power spectral density,PSD)对测得的压差信号进行处理,通过计算对压差信号的时域特征和频域特征进行量化,得到反映信号时域特征和频域特征的特征参数。再利用这些特征参数构建包含了信号时频特征的特征向量。之后,将特征向量输入到基于支持向量机(Support Vector Machine,SVM)技术和计算机技术开发的SVM智能识别模块中。该模块中有预设好的识别模型,可以根据输入的特征向量快速准确的识别此时对应的流型,如图1所示。
本发明实例包括如下步骤:
步骤1:获得测量数据
测量数据包括多孔介质气液两相两相流不同流型的的压差信号。本实例中,气液两相流的流型包括泡状流、弹状流和环状流。具体的,压差信号由安装在实验段进出口位置的压力变送器1和压力变送器2得到,压力变送器为罗斯蒙特-3051压力变送器(精度为0.04%)。采样频率为400Hz。
通过上述测量装置,本实例测量了由直径为3mm的玻璃颗粒堆积而成的多孔介质内气液两相流的流型。其中水的流速分别为0.29mm·s-1、0.59mm·s-1、1.17mm·s-1。对于水每个流速条件下,逐渐增大气体流速,气体流速范围均为0.005~0.44m·s-1。在这种情况下,共测得270组数据作为样本。其中包括泡状流120组;弹状流90组;环状流60组。如图2是测量得到的不同流型的压差信号波形图,依次为(a)泡状流、(b)弹状流、(c)环状流。
步骤2:提取压差信号的特征参数。
首先计算压差信号的时域特征参数。
步骤2.1:计算得到压差信号的概率密度函数。对于一组随时间变化的压差信号xi,设它的累积分布函数是Fx(x),如果存在可测函数fx(x)满足:
那么xi是连续型随机变量,并且fx(x)是它的概率密度函数。图3展示了不同流型压差信号对应概率密度函数曲线。
步骤2.2:按以下公式计算压差信号的标准差σ:
其中xi表示原始压差信号,表示原始压差信号在整个时间区间内的平均值,n为数据信号点的个数。
步骤2.3:按以下公式计算压差信号概率密度曲线的偏度Sk:
其中μ3是xi的三阶中心距,其计算公式为:
图4和图5展示了实验工况下压差信号的标准差σ以及概率密度曲线的偏度Sk的分布情况。
接下来计算信号的频域特征参数。
步骤2.4:计算得到压差信号的功率谱密度Pf。
给定一个随时间变化的压差信号x(t),则该信号的功率谱密度Pf的定义为:
其中是使用快速傅里叶变换计算的x(t)的傅里叶变换的平方范数。图6展示了3种流型的功率谱密度计算结果。其中,(a)表示泡状流的功率谱密度,(b)表示弹状流的功率谱密度,(c)表示环状流的功率谱密度。
步骤2.5:计算得到压差信号的频域特征参数——最大功率对应频率fmax:
压差信号的功率谱密度中的最大值对应的横坐标,即为最大功率对应频率fmax。
步骤2.6:计算得到功率谱密度的标准差σP:
其中Pi表示每个频率点对应的功率谱密度值,表示所有频率点功率谱密度的加权平均值;
步骤2.7:计算功率有效分布范围RP
对信号的功率谱密度求和。再从0Hz开始,对功率进行累加求和,当此时的求和功率达到总功率的99%时,其对应的横坐标所表示的频率值即为功率有效分布范围RP。
图7,图8和图9分别展示了实验工况下3种流型压差信号的最大功率对应频率fmax,功率谱密度的标准差σP和功率有效分布范围RP。
步骤3:构建特征向量
计算得到压差信号对应的步骤2提到的5个特征参数,包括3个时域特征参数(σ、Sk)和3个频域特征参数(fmax、σP和RP)。将上述5个特征参数组合成为一个长度为5的一维数组[σSk fmaxσP RP],再将数组进行归一化处理,即得到所需的特征向量。特别的,对于作为训练样本的特征向量,还需要添加一个标签来表面该特征向量的属性(1代表泡状流,2代表弹状流,3代表环状流)。例如一个泡状流的特征向量即为:
表1给出了三种流型特征向量的示例。
表1
将数组进行归一化处理:
S=σ+Sk+fmax+σP+RP
其中V代表任意一个特征向量。
步骤4:将归一化的特征向量作为输入,利用SVM智能识别模块,进行流型识别。
SVM智能识别模块中预设的识别模型是基于大量实验数据和支持向量机SVM技术训练得到的模型;当一个特征向量输入进来后,识别模型首先逐一读取特征向量内包含的每组数据,之后会根据支持向量机原理计算该特征向量与识别模型中支持向量的距离,再根据距离的远近判断该特征向量对应的流型。
本实例共获得了270组数据作为样本。其中包括泡状流120组;弹状流90组;环状流60组。选择其中的60%的数据(泡状流72组,弹状流54组,环状流36组)作为训练样本,输入支持向量机训练得到SVM分类模型。剩下的样本作为测试样本检测模型的准确性。表2展示了样本的测试结果。
可以看到,对于测试数据(泡状流48组,弹状流36组,环状流24组),有1组泡状流和3组弹状流识别错误,而环状流全部正确识别。总体识别率为96.3%。
步骤5:输出流型:将多孔介质管道内的气液两相流流型识别结果通过屏幕或电信号输出。
Claims (1)
1.一种多孔介质内气液两相流流型智能识别方法,其特征在于,包括如下步骤:
步骤1:获取压差信号数据;
通过在多孔介质管道的进出口安装的压力变送器,获得多孔介质管道的进出口压差信号;
步骤2:对测量得到的压差信号进行特征提取,并生成特征向量;具体特征提取步骤如下:
步骤2.1:计算压差信号的时域特征参数,需要先得到压差信号的概率密度函数fx(x);之后计算得到2个所需时域特征参数:压差信号的标准差σ,压差信号概率密度函数的偏度Sk:
步骤2.1.1:计算得到压差信号的概率密度函数;对于一组随时间变化的压差信号xi,设它的累积分布函数是Fx(x),如果存在可测函数fx(x)满足:
那么压差信号xi是连续型随机变量,并且fx(x)是压差信号xi的概率密度函数;
步骤2.1.2:按以下公式计算压差信号的标准差σ:
其中xi表示原始压差信号,表示原始压差信号在整个时间区间内的平均值,n为数据信号点的个数;
步骤2.1.3:按以下公式计算压差信号概率密度函数的偏度Sk:
其中μ3是xi的三阶中心距,其计算公式为:
步骤2.2:计算压差信号的频域特征参数;需要先计算得到信号的功率谱密度Pf,并在此基础上获得所需的3个特征参数:最大功率对应频率fmax、功率谱密度的标准差σP以及功率有效分布范围RP;
步骤2.2.1:计算得到压差信号的功率谱密度Pf
给定一个随时间变化的压差信号x(t),则该信号的功率谱密度Pf的定义为:
其中是使用快速傅里叶变换计算的x(t)的傅里叶变换的平方范数;
步骤2.2.2:计算得到压差信号的频域特征参数——最大功率对应频率fmax:
压差信号的功率谱密度中的最大值对应的横坐标,即为最大功率对应频率fmax;
步骤2.2.3:计算得到功率谱密度的标准差σP:
其中Pi表示每个频率点对应的功率谱密度值,表示所有频率点功率谱密度的加权平均值;
步骤2.2.4:计算功率有效分布范围RP
求信号的总功率;再从0Hz开始,对功率进行求和,当求和功率达到总功率的99%时,其对应的横坐标所表示的频率值即为功率有效分布范围RP;
步骤3:构建特征向量;
通过步骤2计算得到了压差信号的5个特征参数,将上述5个特征参数组合成一个长度为5的一维数组[σ Sk fmax σP RP],再将数组进行归一化处理:
S=σ+Sk+fmax+σP+RP
其中V代表任意一个特征向量;
经过归一化处理后,对于需要识别并判断流型的样本,得到的向量即为其特征向量,直接输入SVM智能识别模块并进行流型判断;而对于作为训练样本的特征向量,还需要在数组最后再增加一个元素,该元素作为标签来表明该特征向量的属性,元素1代表泡状流,元素2代表弹状流,元素3代表环状流;经过上述步骤3的处理,即可得到SVM智能识别模块所需的特征向量;
步骤4:利用SVM智能识别模块,根据输入的特征向量,以及预设好的识别模型,判断此时对应的流型;
SVM智能识别模块中预设的识别模型是基于大量实验数据和支持向量机SVM技术训练得到的模型;当一个特征向量输入进来后,识别模型首先逐一读取特征向量内包含的每组数据,之后会根据支持向量机原理计算该特征向量与识别模型中支持向量的距离,再根据距离的远近判断该特征向量对应的流型;
步骤5:输出流型:将多孔介质管道内的气液两相流流型识别结果通过屏幕或电信号输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102131.5A CN114510974B (zh) | 2022-01-27 | 2022-01-27 | 一种多孔介质内气液两相流流型智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102131.5A CN114510974B (zh) | 2022-01-27 | 2022-01-27 | 一种多孔介质内气液两相流流型智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114510974A CN114510974A (zh) | 2022-05-17 |
CN114510974B true CN114510974B (zh) | 2024-04-09 |
Family
ID=81549304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210102131.5A Active CN114510974B (zh) | 2022-01-27 | 2022-01-27 | 一种多孔介质内气液两相流流型智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114510974B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115165792B (zh) * | 2022-06-24 | 2023-09-29 | 宝腾智能润滑技术(东莞)有限公司 | 管线中气液两相流状态检测方法及装置 |
CN117129054A (zh) * | 2023-10-20 | 2023-11-28 | 中国核电工程有限公司 | 一种两相贮槽倒料终点的监测方法、装置及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5545252A (en) * | 1995-03-01 | 1996-08-13 | The Perkin-Elmer Corporation | Flow regulation in gas chromatograph |
CN1904580A (zh) * | 2006-08-01 | 2007-01-31 | 东北电力大学 | 基于信息融合的气液两相流流型识别方法及流型信号采集装置 |
CN104330336A (zh) * | 2014-11-07 | 2015-02-04 | 中国石油大学(华东) | 基于ica和svm的气液两相流型识别方法 |
CN107991384A (zh) * | 2017-12-21 | 2018-05-04 | 浙江启尔机电技术有限公司 | 一种微管内气液两相流流型的检测装置及方法 |
WO2019062595A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市岩尚科技有限公司 | 光电容积脉搏波的质量评估方法 |
CN111896616A (zh) * | 2020-03-29 | 2020-11-06 | 中国石油大学(华东) | 基于声发射-bp神经网络的气液两相流流型识别方法 |
CN112507638A (zh) * | 2020-12-18 | 2021-03-16 | 北京科技大学 | 深层凝析气藏多相多流态判别方法及装置 |
-
2022
- 2022-01-27 CN CN202210102131.5A patent/CN114510974B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5545252A (en) * | 1995-03-01 | 1996-08-13 | The Perkin-Elmer Corporation | Flow regulation in gas chromatograph |
CN1904580A (zh) * | 2006-08-01 | 2007-01-31 | 东北电力大学 | 基于信息融合的气液两相流流型识别方法及流型信号采集装置 |
CN104330336A (zh) * | 2014-11-07 | 2015-02-04 | 中国石油大学(华东) | 基于ica和svm的气液两相流型识别方法 |
WO2019062595A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市岩尚科技有限公司 | 光电容积脉搏波的质量评估方法 |
CN107991384A (zh) * | 2017-12-21 | 2018-05-04 | 浙江启尔机电技术有限公司 | 一种微管内气液两相流流型的检测装置及方法 |
CN111896616A (zh) * | 2020-03-29 | 2020-11-06 | 中国石油大学(华东) | 基于声发射-bp神经网络的气液两相流流型识别方法 |
CN112507638A (zh) * | 2020-12-18 | 2021-03-16 | 北京科技大学 | 深层凝析气藏多相多流态判别方法及装置 |
Non-Patent Citations (2)
Title |
---|
王强 ; 周云龙 ; 程思勇 ; 王俊霞 ; .基于小波和Elman神经网络的气液两相流流型识别方法.热能动力工程.2007,(02),58-61+65+116. * |
陈宏,匡波,杨扬,徐济.空气-水两相水平流动空泡率测量及流型识别研究.核动力工程.(S2),106-109. * |
Also Published As
Publication number | Publication date |
---|---|
CN114510974A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114510974B (zh) | 一种多孔介质内气液两相流流型智能识别方法 | |
CN103033567B (zh) | 一种基于导波的管道缺陷信号识别方法 | |
CN107480705A (zh) | 一种自来水管漏水检测方法 | |
CN102109451A (zh) | 非接触电导气液两相流流型辨识装置及方法 | |
CN111896616B (zh) | 基于声发射-bp神经网络的气液两相流流型识别方法 | |
CN105134619A (zh) | 一种基于小波能量、流形降维和动态时间规整的故障诊断与健康评估方法 | |
CN104807589A (zh) | 一种集输-立管***内气液两相流流型的在线识别方法 | |
US20240133391A1 (en) | Prediction method for stall and surging of axial-flow compressor based on deep autoregressive network | |
Sun et al. | Neural networks approach for prediction of gas–liquid two-phase flow pattern based on frequency domain analysis of vortex flowmeter signals | |
Khan et al. | Flow Regime Identification in Gas-Liquid Two-Phase Flow in Horizontal Pipe by Deep Learning | |
CN104049001A (zh) | 基于频率复杂网络的垂直油水相含率测量及验证方法 | |
CN110953488A (zh) | 基于堆栈自编码的气液两相流管道泄漏声发射检测方法 | |
CN107402116B (zh) | 一种气液两相流流型识别方法及检测装置 | |
CN106951845A (zh) | 集输立管***气液两相流流型判别方法及*** | |
CN113108853B (zh) | 一种提高低流速流体流量测量精度的方法 | |
Ying et al. | Applications of machine learning in pipeline monitoring | |
CN104330336B (zh) | 基于ica和svm的气液两相流型识别方法 | |
CN1554936A (zh) | 基于软测量技术的气液两相流流型辨识方法及*** | |
CN106338722A (zh) | 一种基于多次样本的高分辨雷达一维距离像目标识别方法 | |
Rojik et al. | Water pipe leak detection using the k-nearest neighbor method | |
CN105139025B (zh) | 基于非线性分析方法的气固流化床流型在线智能识别方法 | |
Gao et al. | Leakage detection of pipeline based on weighted-permutation entropy | |
CN108168612A (zh) | 基于差压信号波动的气液两相流体积含气率测量方法 | |
CN109806815B (zh) | 基于液速波动的射流鼓泡反应器气液分散状态检测方法 | |
CN111829929A (zh) | 一种用于识别流化床内二元颗粒分离或混合状态的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |