[發明專利]一種基于深度學習的石油工業多相流流型識別方法

在審

• 申請號: 201910585031.0
• 申請日: 2019-07-01
• 公開（公告）號: CN110276415A
• 公開（公告）日: 2019-09-24
• 發明（設計）人: 王天卿;孫寧遠;李銳;于治樓
• 申請（專利權）人: 山東浪潮人工智能研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 姜明

本發明特別涉及一種基于深度學習的石油工業多相流流型識別方法。該基于深度學習的石油工業多相流流型識別方法，使用高速照相機或高速攝影機，透過透明管段或透明窗口拍攝流體流動狀態，獲取流體圖像；對獲取的流體圖像人工標記流型種類；對流體圖像進行數據增強；搭建深度卷積神經網絡模型并對其進行訓練；讀取訓練好的深度卷積神經網絡模型文件，將未標記的流型圖像輸入深度卷積神經網絡模型即可得到流型種類。該基于深度學習的石油工業多相流流型識別方法，用深度學習算法對流型種類進行初步篩選，然后確定流型種類，極大地提高了流型識別的效率和準確度，能夠快速精確的識別流型的種類。

技術領域

本發明涉及深度學習技術領域，特別涉及一種基于深度學習的石油工業多相流流型識別方法。

背景技術

流型劃分的研究是多相流學科、傳熱特性研究的基礎課題，廣泛應用于石油工業的油氣井壓力控制、工況分析、滲流理論、集輸設計等。流型并沒有定量的描述，但卻是決定不同機理下傳熱與流動的計算依據。

比起單相流動，多相流的流動特性更加復雜，存在界面效應和相對速度。水平管道中的流動由于重力的影響，流型復雜，有泡狀流、分層流、段塞流、環狀流等。垂直管中則存在泡狀流、塊狀流、段塞流和環狀流。石油工業中，對于油水兩相流，流型可分為分離流型和分散流型；對于更為普遍的油氣水三相流，流型多達16種。界面相份額、傳熱傳質率、結構傳播速度、界面的穩定性、氣液多相流的壓降等都和流型關系緊密，不同流型對流動參數的測量影響很大。因此，多相流研究需要以流型識別為基礎。

確定流型的方法主要有兩種測量方法：

(1)直接測量法：根據流動形式直接確定流型，包括目測法與高速攝影法。直接測量法較簡便，但受觀測者主觀判斷影響。

(2)間接測量法：根據不同流型下局部流動參數波動規律確定流型。缺點在于某些工況的誤判可能性大。

流型識別方法可分為三類：

(1)傳統的識別方法，包括實驗法作流型圖以及利用現場的流動參數，受主觀因素和流型多樣性限制。

(2)利用概率密度函數和功率譜密度函數識別流型。

(3)利用分形理論識別流型。

上述方法分別存在各自的局限性。近年來，隨著深度學習的發展，基于深度學習方法的識別技術在各行各業得到廣泛應用。將深度學習與識別技術結合可以大大提升識別的準確率并減少人的作業量。

Hinton等人于2006年提出深度學習以及模型訓練方法的改進，此概念源于人工神經網絡的研究，是機器學習中一個新的領域。

多層人工神經網絡模型有很強的特征學習能力，深度學習模型學習得到的特征數據極好地表征了原始數據，因此適用于分類和可視化問題。對于深度神經網絡很難訓練達到最優的問題，可以采用逐層訓練方法解決，把上層訓練好的結果作為下層訓練過程中的初始化參數。

深度學習可以通過學習一種深層非線性網絡結構，從少數樣本集中學習數據集本質特征，表征輸入數據，實現復雜函數逼近。CNN模型是卷積神經網絡，屬于深度學習的一種，常用于圖像識別。

基于上述情況，本發明提出了一種基于深度學習的石油工業多相流流型識別方法。

發明內容

本發明為了彌補現有技術的缺陷，提供了一種簡單高效的基于深度學習的石油工業多相流流型識別方法。

本發明是通過如下技術方案實現的：

一種基于深度學習的石油工業多相流流型識別方法，其特征在于，包括以下步驟：

步驟一：通過設置流體控制系統，控制氣液、油水兩相流和油氣水三相流獲取7種典型流型，使用高速照相機或高速攝影機，透過透明管段或透明窗口拍攝流體流動狀態，獲取流體圖像；