[發明專利]一種多相流量在線實時計量人工智能模型構建方法

有效

• 申請號: 202010166340.7
• 申請日: 2020-03-11
• 公開（公告）號: CN111460625B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張海峰;李軼;楊鳴
• 申請（專利權）人: 清華大學深圳國際研究生院
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/0464;G06N3/0455
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 范盈

1.一種多相流量在線實時計量人工智能模型構建方法，其特征在于：所述構建方法包括如下步驟：

1)采用文丘里測量設備、電學層析成像測量設備和微波測量設備根據測量信號獲得文丘里測量信號、電學層析成像測量信號和微波測量信號；

2)通過深度編碼-解碼的方式，在無真實流量樣本標簽的情況下，對所述文丘里測量信號、所述電學層析成像測量信號和所述微波測量信號中最小構成單元信號進行提取；

3)對所述提取的測量信號最小構成單元，進行測量信號與氣相流量、油相流量、水相流量的人工智能識別模型構建；所述編碼-解碼包括編碼過程、解碼過程和模型訓練過程；

所述編碼過程為：第一步，樣本輸入input_x(shape＝(m，n))，其中input_x為輸入信號，shape＝(m，n)為輸入信號格式，m為信號在時間上的長度，n為測量信號的種類；第二步，一維卷積處理，Conv1D(f，s，relu)，對輸入的input_x信號采用一維卷積網絡進行信號的卷積處理，f為卷積的數量，s為卷積步長，relu為卷積網絡的激活函數；第三步，再次采用一維卷積處理，Conv1D(f，s，relu)，對上一步卷積處理后的特征再進行深度提取，提取方法相同；第四步，降采樣處理，MaxPooling1D(k)，對上一步信號中進行降采樣處理，即相鄰k個特征中取其中最大值，實現特征的壓縮，其中k在一個范圍內取值，第五步，再次采用一維卷積處理，Conv1D(f，s，relu)，再次對壓縮信號進行特征提取；第六步，降采樣處理，Model1＝MaxPooling1D(k)，再次對卷積特征提取信號進行降采樣處理，到此過程則完成了對信號的編碼壓縮過程，其中Model1輸出結果則為通過編碼壓縮后的測量信號的基本特征；

所述解碼過程為：第一步，采用一維卷積處理Conv1D(f1，s1，relu)(Model1)，對編碼后的Model1進行反向的高維的卷積特征提取，其中f1為解碼過程卷積數量，s1為解碼過程的卷積步長；

第二步，升采樣，UpSampling1D(k1)，對卷積后的特征信息采用升采樣方式進行卷積數據特征的擴充；k1為沿著時間軸重復每個時間步k1次；

第三步，再次采用一維卷積處理，Conv1D(f1，s1，relu)，再次采用一維卷積進行卷積特征計算；

第四步，再次采用一維卷積處理，Conv1D(f1，s1，relu)，再次采用一維卷積進行卷積特征計算；

第五步，升采樣，UpSampling1D(k1)，再次采用升采樣方式進行卷積數據特征的擴充；

第六步，再次采用一維卷積處理Model2＝Conv1D(f1，s1，relu)，到此過程則完成了對信號的解碼過程，其中通過本次設定的f1，s1需要保證Model2的輸出格式與input_x＝Input(shape＝(m，n))輸入格式保持一致，Model2為解碼后的信號；

所述模型訓練過程為：

第一步，Model_run＝Model(inputs＝input_x，outputs＝Model2)，定義整個訓練模型為Model_run，其中模型輸入為input_x，輸出為Model2，

第二步，Model_run.compile(optimizer＝adam，loss＝mse)，采用adam作為模型訓練過程中的優化算法，采用mse作為模型全局損失函數，

第三步，生成不同類別模型。

2.如權利要求1所述的方法，其特征在于：所述步驟1)中文丘里測量設備為雙差壓文丘里測量設備，所述雙差壓文丘里測量設備集成管道靜壓力傳感器、文丘里“收縮段”差壓傳感器、“喉部”差壓傳感器和管道測溫傳感器4組測量部件；所述電學層析成像測量設備為電學成像傳感器，所述電學成像傳感器采用8組電極，每次獲取8組電極中任意兩個電極間的電信號；所述微波測量設備為微波傳感器，所述微波傳感器測量流體流過微波傳輸線過程中的幅值和相位2組測量信號。

3.如權利要求1所述的方法，其特征在于：所述步驟2)中所述編碼采用多層的一維卷積神經網絡信號進行卷積計算，所述解碼采用多層的一維卷積神經網絡信號進行卷積計算。