基于截面电导信息的油水两相流相含率估计

董 峰，武仁杰，谭 超



基于截面电导信息的油水两相流相含率估计

董 峰1, 2，武仁杰1, 2，谭 超1, 2

(1. 天津大学电气与自动化工程学院，天津 300072；2. 天津市过程检测与控制重点实验室，天津 300072)

提出一种基于截面电导信息的油水两相流相含率估计方法，在对电阻层析成像系统测试数据特征进行降维的基础上，利用径向基函数神经网络建立流型辨识模型，并对每一种流型采用基于样本矩阵非线性变换的非线性偏最小二乘(NLPLS)法建立相含率估计模型．动态实验结果表明，所得的相含率估计绝对误差低于5%,．将本方法和不分流型的单模型方法及传统偏最小二乘方法进行对比，证明所提出的相含率估计方法能实现更准确的估计．

油水两相流；相含率；电学层析成像；径向基函数神经网络；偏最小二乘

油水两相流广泛存在于石油开采、管道输送等工业过程中[1-2]．对两相流的深入理解和准确测量一直是学术研究和工程实践中的重要问题[3]．对过程参数的准确测量是掌握其流动过程的关键．与单相流相比，油水两相流的过程具有复杂、时变等性质，给测量带来了许多困难．油水两相流两相界面分布呈不同的几何形状或流动结构，称为流型，是油水两相流基本的特征参数之一，它不仅影响两相流的流动特性，还影响其过程参数的准确测量，因此正确辨识流型是测量其他参数的基础[4-5]．

相含率测量的精度直接影响对其他两相流问题的研究．测量相含率的方法很多，常用的有电学法、射线法、光学法等[6-8]．但目前多数测量方法都有各自的适用范围和使用条件，很难满足工业中日益增长的应用需求．需要一种新的非侵入式、安全、低成本的两相流相含率检测方法[9]．

过程层析成像(process tomography，PT)能在不破坏流动过程的前提下获取管道中介质的二维或三维分布信息[10]．根据敏感场不同，PT技术可分为很多种，其中电阻层析成像(electrical resistance tomography，ERT)因其结构简单、响应速度块以及低成本等特点发展较快[11]．该方法20世纪80年代在英国UMIST大学首先被用于导电流体的在线监测．2001年，天津大学利用ERT对气液两相流和油水两相流的实验研究实现了两相流流型识别和参数测量[12-14].

本文提出了一种基于流型识别多模型建模的油水两相流相含率测试方法．采用ERT系统获得水平管道中油水两相流的典型流动状态的数据信息，通过对原始数据进行特征提取降低数据的维数，提出了基于不同特征参数的流型识别方法，选用基于样本矩阵非线性变换的偏最小二乘回归为每种典型流型建立相含率估计模型．根据流型识别结果选择相含率估计模型计算相含率，减少不同流型之间的差异对相含率估计的影响．

1 相含率估计方法

   (1)

1.1 电阻层析成像系统

电阻层析成像的物理基础是不同媒质具有不同的电导率，判断出敏感场中物体的电导率分布便可知物场的媒质分布状况．场域边界测量电压值通过信息处理可以获得管道内部流动状态的信息[15]．ERT原理如图1所示，由安装在水平管道上的16个相邻激励的点击阵列组成．相邻激励工作模式为：激励电流依次从1-2、2-3、3-4等16对电极注入，在每一个相邻电极对激励时从其他14个电极中取出13个相邻电极间的电压值[16]．在该方式下，ERT系统每幅界面获得208个电压数据．实验中涉及的典型流型包括3种：水包油分散流(o/w流型)，水层上部水包油分散流(o/w & w流型)和油包水和水包油混合流(w/o & o/w流型)．这3种流型代表了两相流的稳态、过渡状态和混合状态．

图1 ERT原理

1.2 相含率估计方法流程

相含率估计方法流程如图2所示．两相流测量数据被采集后首先经过预处理，随后进行特征参数提取．根据选取的特征参数，使用径向基函数神经网络进行油水两相流的流型识别，并选择相应流型的相含率估计模型计算．

图2 估计方法流程

1.3 实验数据预处理

为把边界测量电压值转化成无量纲的特征量，对ERT系统采集每幅图像中208个数据进行预处理，得到由无量纲数据构成的时间序列，定义为

   (2)

1.4 特征提取方法

特征提取是将数据空间转换为特征空间，虽然特征空间的维数低于原始数据空间，但仍然保留了数据的关键信息[17]．单截面时间序列的特征参数提取方法包括统计分析、小波分析和非线性信息处理等多种方法．在实际应用中，数据分析方法需要考虑性能和效率，因此ERT数据的时间序列选用统计分析的方法提取3种统计特征．

   (3)

   (4)

   (5)

1.5 流型识别方法

油水两相流流型识别的分类器使用径向基函数(RBF)神经网络．RBF神经网络由于其简单的结构、快速的训练速度和全局逼近能力，在模式识别、信号处理、非线性系统建模和控制等方面得到了广泛的应用[18]．RBF神经网络包含3层神经元，即输入层、隐含层和输出层．其结构如图3所示．

图3 RBF神经网络结构

   (6)

隐含层中的径向基函数一般选择高斯函数形式，即

   (7)

   (8)

1.6 相含率估计模型

相含率估计模型采用偏最小二乘(partial least square，PLS)法，是多元线性回归、典型相关分析和主成分分析的有机结合，在模型的准确性、稳定性和实用性上，相对于传统的回归分析和主成分分析法有较大的优势．偏最小二乘法首先提取独立变量的独立分量，并提取独立变量的独立分量，然后建立独立变量之间的回归方程．偏最小二乘回归法可以很好地反映变量对结果的影响和消除系统中的噪声．

在油水两相流相含率估计问题中因变量和自变量存在复杂的非线性关系，而传统的偏最小二乘法适用于线性模型，在两相流中直接应用会造成较大偏差．经研究表明[19]，一些较弱的非线性问题可以利用包含特征参数的拓展项的参数来建立数学模型，这种方法也称为基于样本矩阵非线性变换的非线性偏最小二乘(nonlinear partial least square，NLPLS)法．

   (9)

NLPLS在矩阵中添加一个非线性部分，原有的特征变量矩阵变为

   (10)

   (11)

根据o/w、o/w & w和o/w & w/o 3种不同流型的特点，以及不同的和为每种流型分别建立相含率估计模型，形成一个多模型架构．根据RBF神经网络流型辨识结果，选择相应流型的相含率估计子模型进行计算．各子模型的相含率估计的计算结果是最终的相含率估计结果．

2 两相流实验和结果

2.1 实验条件

实验装置如图4所示，水平不锈钢管道内径为50,mm，中间包含一段透明有机玻璃管段用于在实验中直观地观察两相流流动状态．实验管线总长度约为16.6,m．油和水从单相回路泵入混合喷嘴并在混合回路开始处均匀混合．通过控制油相和水相单相回路中阀门分别调节两者的流量，从而控制混合后两相流的流量和相含率以形成不同的流型．在实验中，水相和油相的流量调节范围分别为0～13.9,m3/h和0～8,m3/h．油相相含率的调节范围是0～66.2%,．实验环境平均温度为18,℃．

图4 油气水多相流实验装置

实验中选择了3种流型共36种不同相含率的多相流．在每种流型调制稳定后，使用ERT系统记录其20,s内的5,000次的测量数据，并按照100次一组分成50组，其中前25组作为建立数学模型的训练样本库，后25组作为验证数学模型的样本库．训练样本库和验证样本库各包含900组数据，其中o/w流型各450组样本；o/w & w流型各200组样本；o/w & w/o流型各250组样本．

2.2 流型辨识结果

对训练样本库和验证样本库中的每组测量数据进行数据预处理和特征提取，得到1,800组特征向量

   (12)

挑选训练样本库中180组特征向量作为RBF神经网络的输入训练神经网络，使用验证样本库中的900组数据验证流型识别模型的准确性．流型识别结果见表1．

这900组数据流流型识别的平均偏差为0.15，共有46组数据的偏差超过0.5，没有落在各自的定义区间内．神经网络的识别成功率达到97.4%,．结果表明该方法具有良好的识别能力，可以实现油水两相流的流型识别．

表1 流型识别结果

Tab.1 Results of flow regimes identification

2.3 相含率估计

模型选用第2.1节的训练样本库，将训练样本库按流型分成3部分，为3种流型训练3个不同的数学模型．在建立相含率估计模型时，选取3种特征参数和6个经过非线性变换得到的参数作为输入，以实际相含率作为输出．

定义一个矩阵

   (13)

   (14)       (15)

定义绝对误差

   (16)

使用检验样本库中的数据验证3个相含率估计模型的准确性．将900组样本的拓展特征参数矩阵按照不同的流型代入到对应的相含率估计模型中，得到估计相含率与实际相含率的对比，如图5所示．

图5 估计相含率与实际相含率的对比

各流型相含率估计模型的平均误差和最大误差如表2所示．

表2 相含率估计误差

Tab.2 Estimation errors of phase holdup   %,

3 相含率估计模型对比

3.1 基于样本矩阵非线性变换的NLPLS法与传统PLS法的对比

传统的PLS法的样本矩阵只包含油水两相流的3个特征值．

而在第2.3节部分，选取式(15)矩阵作为相含率估计模型的样本矩阵来克服传统PLS方法不能适用于非线性问题的缺陷．

为了验证样本矩阵非线性变换对模型准确性的提升，在3种典型流型中分别选取了100个样本数据，分别用两种方法估计了相含率，并和快关阀数据进行了比较，得到不同相含率下两种方法误差对比见图6，不同流型下两种方法误差对比见表3．

图6 不同相含率下两种方法误差对比

表3 不同流型下两种方法误差对比

Tab.3 Error comparison of the two methods with differ-ent flow regimes

结果表明：在面对两相流这种非线性问题时，如果采用传统的PLS法，由于不能解决非线性问题，拟合后得到的结果往往不够精确；而采用NLPLS法能够得到更精确更稳定的结果．

3.2 单模型和多模型方案对比

为了验证多模型方案相对于单模型在相含率估计时的优越性，选取了第2.3节部分中训练3种流型的共900组样本一起共同训练了一个新的相含率估计模型．

在检验数据库中挑选了共15个组数据来检验新的通用模型．使用单模型和多模型相含率估计结果的对比见表4．

表4 单模型方法相含率估计结果

Tab.4 Phase holdup estimation results of single model %

两种相含率估计方法结果的误差对比见图7，由图7可得，单模型法的平均误差为1.08%，最大误差为4.08%，多模型法的平均误差为0.72%，最大误差为1.71%．从总体表现上看，多模型法无论是最大误差还是平均误差都明显优于单模型法．说明这种方法在面对多种复杂流型的时候由于包含多个具有针对性的子模型，因此整体效果有更好的泛化性，在实际应用中有更好的表现．

图7 单模型与多模型误差对比

4 结 语

本文研究了基于截面电导信息的油水两相流相含率估问题．利用ERT系统获取两相流截面电导分布数据，进行特征提取和流型识别，使用基于样本矩阵非线性变换的NLPLS法进行相含率估计．结果表明这种方法能够得到较为准确的油水两相流相含率结果．通过多模型建模的方法克服了不同流型之间的差异对相含率估计的干扰；选用了适合非线性问题的NLPLS提高了相含率估计模型的准确性．实验对比证明这种方法对相含率估计的结果，最大误差与平均误差均优于传统方法，为水连续情况下的油水两相流分相含率测量提供了一种有效的解决方案．

［1］ Hewitt G F.[M]. London：Academic Press，1978.

［2］ 陈学俊. 多相流热物理研究的进展[J]. 西安交通大学学报，1994，28(5)：1-8.

Chen Xuejun. Advance in research on multiphase flow [J].，1994，28(5)：1-8(in Chinese).

［3］ Thorn R，Johansen G A，Hammer E A. Recent developments in three-phase flow measurement[J].，1997，8(7)：691-701.

［4］ 李海青. 两相流参数检测及应用[M]. 杭州：浙江大学出版社，1991.

Li Haiqing.[M]. Hangzhou：Zhejiang University Press，1991(in Chinese).

［5］ Tan C，Wu H，Dong F. Horizontal oil-water two-phase flow measurement with information fusion of conductance ring sensor and cone meter[J].，2013，34(5)：83-90.

［6］ Gad H.[M]. New York：Hemisphere Publishing Corporation，1982.

［7］ Emerson D R，Leonardo G J. On the measurement of the mass flow rate of horizontal two-phase flows in the proximity of the transition lines which separates two different flow patterns[J].，2008，19(5)：269-282.

［8］ Gary O，Pearson J R A. Flow-rate measurement in two-phase flow[J].，2004，36(1)：149-172.

［9］ Thorn R，Johansen G A，Hjertaker B T. Three-phase flow measurement in the petroleum industry[J].，2013，24(1)：1-17.

［10］ Beck M S，Williams R A. Process tomography：A european innovation and its application[J].，1996，7(3)：215-224.

［11］ Ismail I，Gamio J C，Bukhari S F A. Tomography for multi-phase flow measurement in the oil industry[J].，2005，16(2/3)：145-155.

［12］ Wang M，Vlaev D，Mann R. Measurements of gas-liquid mixing in a stirred vessel using electrical resistance tomography(ERT)[J].，2000，77(1)：93-98.

［13］ Mann R，Dickin F J，Wang M，et al. Application of electrical resistance tomography to interrogate mixing process at plant scale[J].，1997，52(13)：2087-2097.

［14］ 董 峰，徐立军，刘小平，等. 用电阻层析成像技术实现两相流流型识别[J]. 仪器仪表学报，2001，22(增2)：288-294.

Dong Feng，Xu Lijun，Liu Xiaoping，et al. Identifica-tion of two-phase flow regimes using electrical resistance tomography[J].-

，2001，22(Suppl 2)：288-294(in Chinese).

［15］ Dong Feng，Liu Xiaoping，Deng Xiang，et al. Identification of two-phase flow regimes in horizotal，inclined and vertical pipes[J].，2001，12：1069-1075.

［16］ Tan Chao，Wang Nana，Dong Feng. Oil-water two-phase flow pattern analysis with ERT based measurement and multivariate maximum Lyapunov exponent[J].，2016，23(1)：240-248.

［17］ 董 峰，姜之旭，乔旭彤，等. 基于ERT技术的垂直管道两相流流型识别[J]. 仪器仪表学报，2004，25(4)：457-461.

Dong Feng，Jiang Zhixu，Qiao Xutong，et al. Identification of two-phase flow regime based on ERT vertical pipes[J].，2004，25(4)：457-461(in Chinese).

［18］ 乔俊飞，韩红桂. RBF神经网络的结构动态优化设计[J]. 自动化学报，2010，36(6)：865-872.

Qiao Junfei，Han Honggui. Optimal structure design for RBFNN structure[J].，2010，36(6)：865-872(in Chinese).

［19］ Gemperline P J，Long J R，Gregoriou V G. Nonlinear multivariate calibration using principal components regression and artificail neural networks[J].，1991，63：2313-2323.

（责任编辑：孙立华）

Phase Holdup Estimation of Oil-Water Two-Phase Flow Based on Cross-Sectional Conductivity Information

Dong Feng1,2，Wu Renjie1,2，Tan Chao1,2

(1. School of Electrical Engineering and Automation，Tianjin University，Tianjin 300072，China；2.Tianjin Key Laboratory of Process Measurement and Control，Tianjin 300072，China)

A method for estimating the phase holdup based on cross sectional conductance measurement was proposed．Based on the feature extraction of the original data，the flow regime identification model was established by using the radial basis function neural network．For each flow regime，the phase holdup estimation model was established by using nonlinear partial least squares(NLPLS)method which was based on the nonlinear transformation of the sample matrix．The estimated result error was less than 5%,．Compared with the single model method and the traditional partial least squares method，the proposed method is proved to achieve a more accurate estimation.

oil-water two phase flow；phase holdup；electrical tomography(ET)；radial basis function neural network；partial least square(PLS)

10.11784/tdxbz201604061

TK448.21

A

0493-2137(2016)11-1121-06

2016-04-24；

2016-07-14.

国家自然科学基金资助项目(61227006，61473206).

董 峰（1966—  ），男，博士，教授，fdong@tju.edu.cn.

谭 超，tanchao@tju.edu.cn.