Professional Documents
Culture Documents
JOURNAL O F EL ECTRON IC
・
102 ・ M EASUR EM EN T AND IN S TRUM EN T 2007 年 8 月
基于 BP神经网络的气液两相流分相流量测量
邢兰昌 耿艳峰
(中国石油大学 信息与控制工程学院 ,山东 东营 257061)
摘 要 : 为了准确计量低含液率气液两相流分相流量 , 选用槽式孔板作为一次传感元件 、
以空气 /水为测量介质 , 进行了
一系列的实验 。鉴于气液两相流流经槽式孔板时所产生差压信号的特征参数能够反映气液流量的变化 , 目前又无法得到这
些特征参数与气液流量之间的理论关系 ,所以采用压力 、
温度和差压均值的平方根 、
标准差和 ( 0, 2) Hz频段功率等参数经主
成分分析后作为三层 BP网络的输入 ,气液标准体积流量为网络输出 ,确定了最优的网络结构 。训练后的网络能够在实验范
围内 ,使气液相流量预报平均相对误差低于 5% ,为流量计计量算法的开发提供了一条可行的途径 。
关键词 : 气液两相流 ,流量 , BP神经网络 ,测量
中图分类号 : TB937 O359 + 11 文献标识码 : A
(College of Information & Control Engineering, China University of Petroleum , Dongying, Shandong 257061, China)
Abstract: In order to accurately measure the flow rates of gas2liquid two 2phase flow w ith low liquid fraction, a
slotted orifice is selected as the flow sensor, and a series of experim ents were carried out on air2water two 2phase
flow. Since som e digital features such as the mean value, standard deviation, and power w ithin 0 ~2 Hz of the dif2
ferential p ressure are closely related to the air2water flow rates and the theoretical relationship betw een the digital
features and the air2water flow rates couldn’t be obtained now, a neural network technique is used. The inputs of
the neural network are these features p rep rocessed by p rincipal component analysis along w ith the absolute p ressure
and temperature of two 2phase flow; the outputs of the neural network are gas and liquid flow rates. The op tim um
network structure is designed. After training, the mean error of gas2liquid flow rates of the network is w ithin 5% ,
which may p rovide a simp le and efficient way for the development of wet gas meter.
Keywords: gas2liquid two 2phase flow, flow rate, B P neural network, measurement.
[2]
近年来中国油气勘探有重大进展 ,在渤海海域 、 精度 为 : 气液质量流量均方根误差分别低于 1%
西部山区 、
塔里木盆地北部等地区获得大型的油田 和 15% ,气体流量测量精度较高 , 但液体质量流量
[3]
和气田 ,这些区域多位于海洋 、 山区和沙漠 , 为了提 测量精度过低 。岳伟挺 等以文丘里管进行油气
高油气井的科学管理水平 , 需要在线实时准确测量 两相流流量测量研究 ,对均相流流量模型进行修正 ,
天然气 、 凝析油 、 水的流量 。 得到的液体质量流量的均方根误差低于 5% , 但是
国内外不少高等院校 、 研究机构正在进行凝析 需要准确测量空隙率 , 而且文献中气液流量范围不
天然气流量计的研制 。英国石油软件公司 ( Pe2
[1]
包括凝析天然气工况 。国内外不少学者应用多种神
troleum Softw are L td )以 V 2Cone为一次测量元件 , 应
[4 - 6]
经网络模型进行气液两相流的流型识别 , 但应
用语音识别技术对压力 、 差压等测量信号进行处理 , 用网络进行多相流流量测量相对较少 ,吴新等 、 潘笑
训练多层 B P 网络模型预报气液质量流量 , 其测量 等应用神经网络预报气固两相流中固相流量 , 梁法
本项目为中国石油天然气集团公司创新基金资助项目 (编号 : W 030501) ,山东省科技攻关项目 (编号 : 2004GG2205016) 。
本文于 2006 年 5 月收到 。邢兰昌 : 硕士 ; 耿艳峰 : 副教授 ,博士 。
第 4期 基于 B P神经网络的气液两相流分相流量测量 ・
103 ・
1 两相流实验
两相流实验在文献 [ 7 ]所介绍的多相流实验装
置上进行 ,实验工质为空气和水 。在实验装置的测
图 1 槽式孔板的结构图
量段串联安装孔径比分别为 0. 75 和 0. 5 的两块槽
图 2 测量段示意图
值的平方根 、
标准差 、( 0, 2 ) Hz频段功率 , 共有 8 个 Sigmoid函数 ,输出层采用线性函数 。网络训练采用
参数 。差压特征参数能够充分地描述差压信号稳态 L 2M 训练方法 ,这是一种基于数值最优化理论的改
和波动特征 ,压力温度作为差压特征参数到气液流 进 BP 训练算法 。
量映射关系的修正参数 , 与差压式流量计测量单相 文中隐含层神经元的数目参考以下公式确定 。
流体流量思路一致 。 n1 = n +m + a ( 3)
212 形成样本集 式 ( 3 )中 m 为输出层神经元数 , n 为输入层神
组一和组二分别有 168 和 188 个实验点 , 计算 经元数 , a 为 ( 1, 10 )内的常数 。
网络输入量 ,形成总样本集 。在样本集输入网络之 为了能够定量和定性评估网络的性能 , 所采用
前 ,先对输入量和目标输出量分别进行归一化处理 误差 标 准 为 平 均 相 对 误 差 ( M ean Relative Error,
(见式 ( 1 ) ) ,后对输入量进行主成分分析 , 消除不同 MRE ) 、 平均绝对误差 (M ean Absolute Error, MAE )
参数间的相关性 ,降低输入向量的维数 ,精简网络的 和均方根误差 ( Root M ean Square Error, RM SE ) , 见
结构 ,文中应用占总信息量 99. 9%的主成分作为网 式 ( 4 ) ~ ( 7 ) 。其中 ,MRE 能够反映误差相对值 , 定
络输入 。 性的给出误差 , 效果直观 ; MAE 反映出预报值的实
3 xi - xi 际误差 ,定量的给出误差 ; RM SE 反映出预报值相对
x = (1)
σx 于实际值的平均离散程度 , 以上误差标准评估预报
式 ( 1 )中 xi为平均值 ,σx 为标准差 。 值的总体平均精度 ,指标 P 统计预报值满足一定误
为了得到合理的网络模型 , 需要将样本集划分 差要求的比例 。
为训练样本和非训练样本 , 非训练样本包括检验样 VPi - VA i
R Ei = ×100% ( 4)
本和测试样本 ,在非训练样本的误差和训练样本的 VA i
误差一样小或稍大时 , 说明建立的模型能够有效的 1
N
逼近训练样本所蕴含的规律 。
MR E =
N ∑ RE
i=1
i ×100%
络 (训练样本 ) , 采用等间隔的方式从样本集中取 1
N
∑( R E )
2
RM SE = ×100% ( 6)
出 ,见式 ( 2 ) 。结合表 1 实验数据和实验方法可见 , N i=1
i
应用式 ( 2 )取出的三个子集中均包含所有的气体流 N5
P = ×100% (7)
量工况 。 N
val = 1 ∶4 ∶N 式 ( 4 )中 VP和 VA为气液分相流量 ,分别表示网络预
(2)
test = 2 ∶4 ∶N 报输出值和实际测量值 ,下标 i表示第 i个样本 , RE
式 ( 2 )中 val和 test分别是检验样本和测试样 为相对误差 , N 为样本总数 ; 式 ( 7 )中 N5为 N 个样本
本 , N 是总样本集中样本个数 。 中 | RE | < = 5%的样本数 。
为了使网络在训练过程中能够充分的学习训练
3 BP 网络结构及训练测试结果 样本而又能够有较好的泛化能力 , 采用以下提早停
止策略 : 将训练的目标精度设为较小值 ,使网络不可
分析
能因达到目标而停止训练 , 而是当检验样本均方误
首先确定 B P 网络隐含层神经元个数 , 然后通 差在一定训练次数内持续增大时即停止训练 。
过分析网络在训练测试中预报气液流量相对误差分 特征向量经主成分分析后得到的网络输入向量
布情况来分析网络性能 。 维数为 6,网络输出为气液标准体积流量 ,维数为 2,
311 最优隐含层神经元个数的确定 按照公式 ( 3 ) n = 6, m = 2, 3 < n1 < 12, 分别对网络
神经网络理论已经证明 : 一个三层的 BP 网络 进行反复训练测试 , 平均结果见表 2 和表 3。其中
可以完成任意的 n维到 m 维的映照 ,精度的提高可 加下划线的数字为 每个 指标 的最 优值 (对 MRE、
以通过增加隐含层中的神经元数目来获得 。据此 , MAE 和 RM SE 是最小值 , 对 P 是最大值 ) 。由表 2
本文选用三层 BP网络 。隐含层激活函数采用正切 和表 3 可见 ,在隐含层神经元 n1取值由 3 到 12 变化
第 4期 基于 B P神经网络的气液两相流分相流量测量 ・
105 ・
表 3 不同隐含层神经元数的网络测试结果 (液体 )
隐 层 神 经 元 数
3 4 5 6 7 8 9 10 11 12
MRE ( % ) 3. 9597 3. 9482 3. 8433 3. 8021 3. 9910 4. 1321 4. 1455 4. 1287 4. 2784 4. 3018
3
MAE (Nm / h ) 0. 1128 0. 1121 0. 1087 0. 1099 0. 1134 0. 1173 0. 1179 0. 1179 0. 1217 0. 1221
RM SE ( % ) 5. 1443 5. 2084 4. 9126 4. 9066 5. 2861 5. 4635 5. 5672 5. 5282 5. 8805 5. 8331
P(% ) 70. 9333 71. 3167 71. 6000 72. 2667 70. 9167 69. 8667 69. 9000 70. 8833 69. 0500 68. 5500
312 网络训练测试结果
上文确定了具有最简结构和最优性能的网络模
型 ,下面将训练样本和测试样本分别输入网络 ,图 3
是网络模型对训练样本预报的结果 , 图 4 和图 5 是
对测试样本预报的相对误差分布情况 。
由图 3 中的性能指标统计可知网络训练效果 :
对于训练样本 , 网络对气体标准体积流量的预报
MRE 和 RM SE 均 可 达 到 2% 以 下 , 100% 的 样 本
RE < = 5% ,对液体 MRE 和 RM SE 处于 2% ~3%
之间 , 98%以上的样本 RE < = 5% 。
由图 4 中的指标统计可知网络测试效果 : 网络
对气体标准体积流量的预报 MRE 和 RM SE 分别为
2%和 21806% ,比训练样本的 MRE 和 RM SE 稍大 ,
93155%的测试样本 | RE | < = 5% , 比训练样本的 P
较小 ; 对 液 体 流 量 的 预 报 MRE 和 RM SE 分 别 为
31424%和 41765% , 比训练样本的 MRE 和 RM SE
大 ,接近训练样本 MRE 和 RM SE 的两倍 , 但是观察
0105838Nm / h 和
3
MAE 的 大 小 , 分 别 是
0109615Nm / h,相对于实际的流量范围 (见表 1 ) ,
3
图 4 测试样本的气液流量相对误差图
图 5 测试样本的气液流量相对误差分布图
报相对误差较大 。 ( 3 ) 气液流量均较小时 , 气液相
表现完全相反 ,此时的差压特征参数与其他工况特
对误差均较大 。
征参数可能出现部分混淆 , 从而使网络预报出现偏
可能的原因分别解释如下 : ( 1 ) 压力变化引起
差 。另外 ,此时计算相对误差 , 分母相对较小 , 即使
气体密度的变化 ,在气液标准体积流量均相同的工
绝对误差很小 ,计算得出的相对误差数值也相对较
况 ,压力升高 ,则气体体积流速降低 , 气液两相间的
大。
相对速度减小 ,进而影响气液相间的相互作用和两
相流体流经孔板时的压降特性 。从整体误差分布情
4 结 论
况看来 ,文中将压力平均值作为网络输入在很大程
度上起到了修正作用 , 但是从个别误差较大结果来 在孔板前压力 300 ~400kPa 条件下 , 气液标准
看 ,这种修正作用还有待于进一步改进 。 ( 2 ) 气体 3 3
体积流量分别 100 ~650Nm / h 和 2 ~4. 5Nm / h 范
流量较大时 ,高速流动的气体常常把一部分液体托 围内 ,针对低含液率的气液两相流工况进行了实验 ,
带到气体中去 ,此时两相流体流过孔板时的压降特 应用测量数据建立了用于测量气液分相流量的 B P
性发生变化 , 差压特征参数对其描述不够 , 引入误 网络模型 ,通过对网络性能的分析得到以下结论 :
差 。 ( 3 )气液流量均较小的工况 ,通过实验观察 , ( 1 )压力 、
温度和差压特征参数 (平均值的平方
此时测量到的差压信号波动频率较低 , 波动幅 根、
标准差和 ( 0, 2 ) Hz功率 ) 组成的特征向量能够
值范围较大 ,与其他大部分工况测量到的差压信号 较好地描述气液标准体积流量的变化 , 为 BP 网络
第 4期 基于 B P神经网络的气液两相流分相流量测量 ・
107 ・
参考文献 : 作者简介 :
[ 1 ] 耿艳峰 ,冯叔初 ,郑金吾 , 关丹庆 , 吕勇杰 . 凝析天然气 邢兰昌 : 1983 年出生 。 2005 年毕业于中国石油大学 (华
计量技术 [ J ]. 自动化仪表 , 2005, 26 ( 8 ) : 1 - 3. 东 ) ,获学士学位 。现为中国石油大学 (华东 ) 硕士研究生 ,
[ 2 ] Haluk Toral, Shiqian Cai. Characterization of the turbu2 专业为检测技术与自动化装置 。
lence p roperties of wet gas flow in a V 2Cone meter w ith