浅谈基于神经网络技术的凝析天然气流量计计量算法研究

《浅谈基于神经网络技术的凝析天然气流量计计量算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中国石油大学（华东）硕士学位论文基于神经网络技术的凝析天然气流量计计量算法研究姓名：石岗申请学位级别：硕士专业：控制理论与控制工程指导教师：耿艳峰20060401基于神经网络技术的凝析天然气流量计计量算法研究石岗(控制理论与控制工程)指导教师：耿艳峰副教授摘要凝析天然气是一种由天然气、凝析油和水等组成的气井产出物，在输送管道中表现为气液两相流动，其体积含气率达90％以上。研制凝析天然气流量在线计量仪表对油气田生产具有重要意义。在自行研制的流量计样机和实验数据的基础上，研究了应用神经网络技术计量凝析天然气流量的方法。

2、论文的基本思路是：对节流元件的差压信号进行分析，提取特征向量并由神经网络实现特征向量与气液相流量之间函数关系的逼近，其中特征提取和神经网络系统的设计是研究的重点。根据多相流动具有多种流型的特点设计了二级网络结构以分别实现流型辨识(信号段分类)和流量计算。研究了应用BP网络、RBF网络及竞争网络实现流型辨识和流量计算的方法，通过理论分析和仿真实验确定了网络模型和结构。神经网络的输入为特征提取结果即特征向量，应用统计分析、线性预测、小波分解及小波包分解等方法研究了差压信号特征提取的方法，通过比较不同特征量(向量)的F比

3、值、相关性及仿真实验结果确定了一组特征量。仿真实验表明：应用文中确定的算法进行流量计量，气相计量的平均误差为6％，液相计量的平均误差为16％，其中环状液雾流的计量精度优于分层波浪流。由于神经网络的应用范围受到网络训练样本数据范围的限制，计量算法的推广性有待迸一步提高。关键词：凝析天然气，气液两相流，流量计量，神经网络，特征提取ResearchontheAlgorithmofⅥktGasMeterBasedonNeuronNetworkTechniquesSHIGang(ControlTheoryandControl

4、Engineering)DirectedbyAssociateProfessorGENG"fan—fengAbstractWetgasisconsistedofnaturegas，waterandcondensateoil．Inthedeliverypipelinethewetgasstreamcallberegardedasgas．·liquidtwo．．phaseflowwithhi曲voidfraction．Aflowratemeasurementalgorithmforanovelwetgasmeteris

5、proposedbasedonNNtechniques．Theprincipleisthatthedifferentialpressuresignalsareanalyzedresultinginfeaturevector,andtheneuronnetworksystempredictstheflowratewiththefeaturevectorasinput．AgroupofmethodologiesforsignalprocessingsuchasStatisticalanalysis，linearpred

6、iction，waveletsandwaveletpacketsandsoonaleappliedtoCarl'youtfeatureextraction．TheFratioandcorrelatiVityarecalculatedtocomparetheeffieiencyofdifferentfeatures．Inordertoreflectthecharacteristicsofdifferentflowpaaeras，aspecialnetworkisputforwardtorecognizetheflow

7、pattern，andothernetworksthatarecorrespondingtodifferentflowpatternscalculatetheflowrate．Duringthestudy,variousnetworkmodelsalecomparedandtheBPandRBFnetworkareadoptedtorealizethepaaemrecognitionandflowratecalculationrespectively．Inthesimulationthealgorithmhasyi

8、eldedaccuraciesof6％ongasphaseand16％onliquidphase，whiletheannularflowhasahighermeasurementaccuracythanthewavyflow．ButthegeneralizationofthealgorithmneedstobeimprovedfurtheLKeywords：