基于层析成像软测量的两相流流型识别

《基于层析成像软测量的两相流流型识别》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、维普资讯http://www.cqvip.com第23卷第3期电力科学与工程VO1．23．No．362007年7月ElectricPowerScienceandEngineeringJu1．．2007基于层析成像软测量的两相流流型识别张立峰(华北电力大学控制科学与工程学院，河北保定071003)摘要：基于电容层析成像(ECT)和人工神经网络的软测量方法，实现了两相流流型识别。以油气两相流为例，建立了两相流流型识别的软测量模型。从ECT传感器的输出中提取特征参数作为软测量模型的辅助变量，两相流流型为主导变量，构建---gt自组织竞争神经网络，进而实

2、现对两相流流型的在线判别。仿真结果表明，该方法判别精度高、判别速度快。关键词：电容层析成像；软测量技术；流型识别；自组织竞争神经网络中图分类号：TP391，41文献标识码：A量、二次变量)为基础，利用易测过程变量与待测0引言过程变量(主导变量)之间的数学关系(软测量模型)，通过各种数学计算和估计实现对主导变量的在电力、化工、石油等工业部门中存在大量的测量，其核心是软测量模型的建立。两相流系统。两相流体流型的在线识别是实现两相神经网络具有自学习、联想记忆、自适应和非流在线监控的前提，一直是两相流领域中重要的研线性逼近能力，非常适合本文的问题。本文构

3、建了究方向。以往的各种流型可视化方法主要有射线法一个二级自组织竞争神经网络的软测量模型。和光学法等Ⅲ。电容层析成像(简称ECT)技术1．1特征参数是自20世纪90年代发展起来的一种用于工业管合适的特征参数提取是保证网络辨识流型的关道多相流测量的过程层析成像技术，它利用多相介键。本文以油气两相流为例，欲辨识的流型有：层质具有不同的介电常数，通过阵列电极电容变化，流、环流、中心流和满管流，如图1所示(白色代反映管道中多相介质分布，从而构造出管道截面各表气，黑色代表油)。相介质的分布图像。该技术为解决工业流型可视化问题提供了一条有效的途径。传统的利用E

4、CT识别流型的方法主要是观察O⑥●重建的图像，但图像重建需耗费一定时间，且图像层流环流中心流满管流重建的精度不够高，有一定误差。图1待辨识的流型图本文研究基于ECT的软测量技术，利用该技术从ECT传感器的输出中提取反映流型的特征参电容传感器的结构如图2所示。数，构建二级自组织竞争神经网络，从而无需经过按照极板相对位置的不同，可以得到66个独图像重建，由神经网络直接给出流型识别的结果。立的电容值，对于管内不同的流型，这些电容值的均值或方差所呈现的规律也会不同，定义特征参数1软测量模型的建立如下：管道顶部相邻极板电容值G，和底部相邻极板软测量技术H以

5、易测过程变量(或称辅助变电容值C9，。。的比值为收稿日期：2007-04-01．基金项目：国家自然科学基金资助项目(60301008，50337020)；天津自然科学基金资助项目(013614411)作者简介：张立峰(1978一)，男，华北电力大学控制科学与工程学院硕士研究生．维普资讯http://www.cqvip.com第3期张立峰基于层析成像软测量的两相流流型识别7第一级网络图212电极电容传感器截面图图3二级自组织竞争神经网络=去层流和非层流；第二级的输入为，。-，。和。辨识出中心流、环流和满管流。所有相邻极板对电容值的平均值为12仿真实

6、验=l本文中传感器场域剖分如图4所示。所有相邻极板对电容值的方差为1rlf1Jam)2Illl所有相对极板对电容值的平均值为吉．，所有的次相邻极板对电容值的平均值为图4场域剖分图1管内、管壁、管道与屏蔽层之间分别剖分8层、r-l：3层、2层。各种流型样本的获取如下：(1)中心流样本：管内剖分成8层，中心为第电容值的平均值为一层，向外第二圈为第二层，一直到最外圈为第八66．层，取中心第一层为第一个样本，第一、二层组成-去∑。i=1第二个样本，依次类推，共得8个样本(包括1个通过理论分析和有限元仿真，发现上述参数随满管流样本)。流型分布的不同而呈现明

7、显差异。如：非层流的介(2)环流样本：最外圈标为第一层，向内为第质分布与层流的介质分布相比，通常具有更好的圆二层，一直到中心为第八层。只有第一层充满流体对称性，则所有相邻极板对电容值的方差。较小，时为第一个样本，第一和第二层充满流体时为第二而层流l。a较大。另外，层流分布时由于重力的影个样本，依次类推，共得7个样本。响，油主要集中在管道底部，顶部集中的是气，因(3)层流样本：将管内沿直径方向等分为15此层流管道顶部与底部相邻极板电容值之比较段，共取15个样本。小，非层流的较大。对于所选训练样本，第一级和第二级网络训练1．2基于自组织竞争神经网络的

8、流型识别结果分别如表1和表2所示。自组织竞争神经网络的重要应用之一即为模式从训练样本的测试结果可知，该网络的辨识率识别。它通过自适应地提