基于神经网络的两相流分相流量测量精度修正方法与流程

本发明涉及多相流测量，尤其涉及基于神经网络的两相流分相流量测量精度修正方法。

背景技术：

1、两相流分相流量测量是对气液两相混合流体进行分离后分别测定气相和液相流量的方式，应用于油气开采、石油化工及工业过程监测等场景，用于产量核算与生产调控。为减少传统大型分离设备的占地面积与停留时间，工业现场逐步采用紧凑分离两相流测量系统，通过小型分离器快速分离气液介质后，利用气相与液相出口流量计获取各相流量。

2、在实际应用中，紧凑分离器内部空间有限，气液分离距离和停留时间较短，当入口流量、压力或气液配比变化时，高速气流易夹带液滴进入气相出口，液相中亦可能残留未逸出的气体；尤其在段塞流、湍流等波动工况下，气液界面随压力脉动反复变化，传感器读数随之明显起伏。为抑制上述非理想分离对计量的影响，现有技术采集差压、温度、压力及初步气液相流量等数据，利用神经网络学习测量值与标定流量之间的对应关系，输出修正后的气相和液相流量。

3、然而，现有修正方式通常侧重于样本数据之间的数值拟合，对分离器内实际夹带程度及流态波动所造成的测量可信度变化考虑不足，也未能在修正过程中持续校验气液相流量之和是否符合系统的总质量流量。在现场出现段塞流冲击或气液夹带突然加重时，传感器读数可能在短时间内大幅偏移，神经网络容易将该偏移当作正常流量变化进行拟合，使修正后的气相流量与液相流量同时偏高或偏低，二者之和与实际通过系统的总流量不符。该现象会造成产量核算失真，并使操作人员误判分离器负荷和管路输送状态，影响生产调节及计量结果的可靠性。

技术实现思路

1、为解决上述现有神经网络修正方法在段塞流等波动工况下因缺乏物理约束和工况自适应能力，导致修正后气液相流量之和偏离系统总流量的技术问题，本发明提供了基于神经网络的两相流分相流量测量精度修正方法，该方法包括步骤s1-步骤s4：

2、s1、获取紧凑分离系统的两相流参数数据并将其输入神经网络模型得到气相预测流量和液相预测流量；其中，两相流参数数据包括初步气相质量流量、初步液相质量流量、差压值序列、气相密度和液相密度；

3、s2、以任一采样时刻为当前时刻，构建当前时刻的邻域窗口，对邻域窗口内的差压波动强度、液相密度与气相密度之比以及初步气相质量流量与初步液相质量流量之比进行非线性耦合，得到当前时刻的气液夹带度；

4、s3、基于所述当前时刻的邻域窗口内各差压值的标准差和差压值的平均值，确定当前时刻的差压变异系数；

5、s4、获取气相流量标签和液相流量标签，基于伯努利方程，根据所述两相流参数数据及当前时刻的邻域窗口内的差压值的平均值确定理论总流量；基于气相预测流量、液相预测流量、气相流量标签、液相流量标签以及理论总流量，确定预测偏差和质量守恒偏差；根据所述气液夹带度和差压变异系数的归一化值调节质量守恒偏差的约束权重，基于预测偏差以及经约束权重调节的质量守恒偏差构建损失函数，利用所述损失函数训练神经网络模型。

6、本发明通过结合当前时刻的邻域窗口内数据评估气液夹带度与差压变异系数，并基于伯努利方程确定理论总流量以获取预测偏差和质量守恒偏差，进而利用气液夹带度与差压变异系数调节所述质量守恒偏差的约束权重以确立损失函数训练模型，这考虑到紧凑分离系统流态多变的实际工况，将反映动力学激波的差压特性与相间竞争物性参数相融合，引入理论总流量作为物理基准，使得模型迭代受到总质量守恒和流态变化的双重制约，减少了单纯数据拟合带来的非物理偏移概率，降低了段塞流冲击对计量的干扰，提高了分相流量测量的可靠性与现场产量核算的准确度。

7、优选的，所述对邻域窗口内的差压波动强度、液相密度与气相密度之比以及初步气相质量流量与初步液相质量流量之比进行非线性耦合，得到当前时刻的气液夹带度，包括：计算所述液相密度与气相密度的比值，得到修正密度比；计算所述初步气相质量流量与初步液相质量流量的比值，得到修正流量比；将所述修正密度比、修正流量比、当前时刻的邻域窗口内的差压波动强度以及预设的夹带增益常数进行相乘，得到当前时刻的气液夹带度。

8、本发明通过将修正密度比与修正流量比以及当前时刻的邻域窗口内的差压波动强度和预设的夹带增益常数进行相乘得到当前时刻的气液夹带度，这考虑到流体介质物性与流动状态对夹带程度的复合影响，将流体密度分布特征和质量流动竞争状态以及局部瞬态扰动特征进行相乘耦合，起到了评估复杂多相流场中夹带物理演化状态的作用，使得气液夹带度的计算贴合实际分离器内的物理规律，为提供分离效率先验信息打下基础。

9、优选的，所述邻域窗口内的差压波动强度的获取，包括：获取所述当前时刻的邻域窗口内各差压值的极差；计算所述极差与当前时刻的邻域窗口内各差压值的平均值的比值，得到差压波动强度。

10、优选的，所述基于所述当前时刻的邻域窗口内各差压值的标准差和差压值的平均值，确定当前时刻的差压变异系数，包括：计算所述当前时刻的邻域窗口内各差压值的标准差与差压值的平均值的比值，得到变异系数；将所述变异系数通过预设经验缩放因子进行线性映射，得到当前时刻的差压变异系数。

11、本发明通过计算当前时刻的邻域窗口内各差压值的标准差与平均值的比值得到变异系数并将其通过预设经验缩放因子进行线性映射得到差压变异系数，这考虑到段塞流诱发的压力瞬变伴随着界面剪切力能量转换，利用标准差与平均值的相对变化规律反映流体微元扰动剧烈程度，起到了准确映射流体动力学不确定性的作用，为应对湍流环境下的噪声干扰提供了动力学参考基准。

12、优选的，所述获取气相流量标签和液相流量标签，包括：获取由紧凑分离系统的标定设备测量的标定气相质量流量和标定液相质量流量；提取所述两相流参数数据中的初步气相质量流量和初步液相质量流量的采样时间；以所述采样时间为基准，对所述标定气相质量流量和标定液相质量流量进行时间序列对齐，得到与所述两相流参数数据同步的标定流量数据；将所述同步的标定流量数据中的标定气相质量流量和标定液相质量流量，分别作为对应的气相流量标签和液相流量标签。

13、优选的，所述基于伯努利方程，根据所述两相流参数数据及当前时刻的邻域窗口内的差压值的平均值确定理论总流量，包括：根据初步气相质量流量、初步液相质量流量、气相密度和液相密度确定等效混合密度；基于伯努利方程，根据所述等效混合密度和邻域窗口内的差压值的平均值计算所述理论总流量。

14、本发明基于等效混合密度和邻域窗口内的差压值的平均值结合伯努利方程计算理论总流量，这考虑到混合流体通过分离系统的质量守恒本质，将单相流体测量原理拓展至气液两相混合状态，起到了将总质量流量与容积流量转化为等效密度的作用，进而计算出满足物理规律的理论基准，为后续评估质量守恒偏差提供了坚实的物理参照。

15、优选的，所述根据初步气相质量流量、初步液相质量流量、气相密度和液相密度确定等效混合密度，包括：计算所述初步气相质量流量与气相密度的比值，得到气相质量比值；计算所述初步液相质量流量与液相密度的比值，得到液相质量比值；将初步气相质量流量与初步液相质量流量之和，除以气相质量比值与液相质量比值之和，得到等效混合密度。

16、优选的，所述基于气相预测流量、液相预测流量、气相流量标签、液相流量标签以及理论总流量，确定预测偏差和质量守恒偏差，包括：根据所述气相预测流量与气相流量标签之间的差值确定气相预测偏差；根据所述液相预测流量与所述液相流量标签之间的差值确定液相预测偏差；计算所述气相预测流量与液相预测流量之和，得到预测总流量；将所述预测总流量与理论总流量之间的差值确定为质量守恒偏差。

17、本发明通过计算预测总流量与理论总流量之间的差值确定质量守恒偏差并结合气相与液相的预测偏差进行评价，这考虑到单一变量拟合难以全面涵盖系统误差的问题，将复杂的流量映射问题分解为针对各相偏离程度的独立评价以及针对系统总流出的整体评价，起到了全面计算测量误差分布状态的作用，为模型的多目标联合调整指明了修正方向。

18、优选的，所述根据所述气液夹带度和差压变异系数的归一化值调节质量守恒偏差的约束权重，包括：对所述气液夹带度及差压变异系数分别进行归一化处理，得到气液夹带度的归一化值和差压变异系数的归一化值；计算气液夹带度的归一化值、差压变异系数的归一化值以及预设基础值之和，得到质量守恒偏差的约束权重。

19、优选的，所述基于预测偏差以及经约束权重调节的质量守恒偏差构建损失函数，包括：将所述质量守恒偏差的绝对值乘以约束权重，得到加权质量守恒偏差；将所述气相预测偏差的绝对值、液相预测偏差的绝对值以及加权质量守恒偏差相加以得到损失函数。

20、本发明通过将质量守恒偏差的绝对值乘以约束权重得到加权质量守恒偏差并与气相及液相预测偏差的绝对值相加以确立损失函数，这考虑到动态物理环境对模型拟合方向的要求，将反映拟合精度的偏差与反映动态物理规律的加权偏差相融合，起到了在网络迭代更新时兼顾数据拟合与物理定律遵从性的作用，使得预测结果既贴近真实标定值又贴合总质量守恒本质。

21、本发明的有益效果：为了实现波动工况下测量数据的高保真解算，本发明将反映动力学激波的差压波动特征与物性参数耦合获取气液夹带度和差压变异系数，起到了评估瞬态夹带严重程度及流态不稳定性的作用，减少了单纯依赖初读数引发的误判；本发明引入基于伯努利方程解算的理论总流量并在此基础上得到质量守恒偏差，起到了为神经网络输出设置物理边界的作用，使得分相流量预测受控于总质量不变的定律；本发明通过流态参数自适应调节约束权重将其融入损失函数中引导模型收敛于物理合理的解空间，降低了极端工况下传感器读数偏移对拟合的干扰，提高了产量核算的精确度与输送状态评估的可靠性。