CN104048997A - 基于多元相空间复杂网络的油水相含率测量及验证方法 - Google Patents

Abstract

一种基于多元相空间复杂网络的油水相含率测量及验证方法：包括有构建多元相空间复杂网络；进行油水两相流参数测量信息计算；绘制交叉聚集系数和交叉传递性与含油率线性关系测量图版，实现对水平油水两相流含油率的测量；根据所绘的测量图版，分析交叉聚集系数、交叉传递性网络子过程量化特征与流型演化动力学关系，揭示水平油水两相流流型演化动力学机制。采用四扇区分布式电导传感器进行验证。本发明提出了一种多元相空间复杂网络方法对两相流分布式电导传感器测量信号进行信息融合，可有效辨识不同油水两相流流型；基于四扇区分布式电导传感器的多元相空间复杂网络信息融合方法可获得很好的含油率测量效果。

Description

基于多元相空间复杂网络的油水相含率测量及验证方法

技术领域

本发明涉及一种油水两相流相含率测量信息融合方法。特别是涉及一种针对水平油水两相流分布式电导传感器测量信号的基于多元相空间复杂网络的油水相含率测量及验证方法。

背景技术

两相流动现象广泛存在于自然界和现代工业生产过程中，与人类的生活及生产密切相关,准确识别两相流流型对工业生产过程优化及工艺改造有着重要意义。水平油水两相流动广泛存在于石油开采过程中，流动结构分析和参数测量对改善油井生产特性及优化油藏管理具有重要意义。从流体动力学、非线性时间序列分析等不同学科角度研究水平油水两相流复杂流型内在特性是一个极具挑战的课题。水平油水两相流相含率测量技术主要包括电导法、电容法、光学法和射线法等。由于电导传感器具有原理清晰、结构简单、响应稳定等诸多优点，已广泛地应用于多相流参数测量中。两相流分布式传感器是由安装在测量管道上的多对测量电极组成，其可有效测取局部流动结构信息，分布式传感器多元测量信号不仅包含油相含率信息，同时还蕴含着丰富的流型演化非线性动力学信息。

复杂网络理论属当今世界交叉学科前沿研究领域。近年来，基于观测数据的复杂网络建模研究得到了来自不同学科领域学者们的广泛关注，研究表明复杂网络理论不仅可以用于挖掘包含在非线性时间序列中的重要信息，同时也可用于研究理论模型所不能精确描述的复杂非线性动力学系统。一元时间序列复杂网络研究已取得较大进展，但多元时间序列复杂网络研究理论仍相当有限，仍主要集中在基于时间序列相关性分析的网络构建模式上且其要求时间序列数量足够多以此为节点构建网络，在非脑电信号分析领域的应用上存在较大局限性。

发明内容

本发明所要解决的技术问题是，提供一种基于多元相空间复杂网络的油水相含率测量及验证方法，通过相空间重构并建立复杂网络的方法对多元信息进行融合，提取与含油率具有线性关系的交叉聚集系数、交叉传递性网络指标并进行归一化处理，绘制含油率线性关系测量图版，实现对水平油水两相流含油率的测量。

本发明所采用的技术方案是：一种基于多元相空间复杂网络的油水两相流相含率测量方法，包括如下阶段：

1)构建多元相空间复杂网络，包括如下步骤：

(1)获得S组等长度反映流体局部流动特征的电压测量信号即多元时间序列，其中S为大于0的整数；

(2)将所述的S组等长度信号组成的多元时间序列重构到同一个相空间中，得到S组向量序列，根据自递归率大于交叉递归率的阈值选取方法，对于来自同一观测信号的向量，定义表示它们之间递归关系的自递归矩阵，对于来自不同观测信号的向量，定义表示它们之间递归关系的交叉递归矩阵，其中，所述的自递归矩阵和交叉递归矩阵为复杂网络的子网络，所述的递归矩阵为多元相空间复杂网络；

(3)把所有的自递归矩阵和交叉递归矩阵组合在一起就构成多元观测信号的递归矩阵；

2)进行油水两相流参数测量信息计算，包括如下步骤：

(1)设定交叉聚集系数：对交叉聚集系数求取均值即得到整个递归网络的交叉聚集系数C_global；

(2)设定交叉传递性：如果时间序列B所构成的子网络中两节点在时间序列A所构成的子网络中有共有的邻接点，则这两点连接的概率为交叉传递性：

$T^{\mathrm{AB}}=\frac{{\mathrm{\Σ}}_{v\∈A;p,q\∈B}{R}_{\mathrm{cross}}^{\mathrm{AB}}(v,p)R_{\mathrm{cross}}^{\mathrm{AB}}(v,q)R_{\mathrm{auto}}^B(p,q)}{{\mathrm{\Σ}}_{v\∈A;p,q\∈B}{R}_{\mathrm{cross}}^{\mathrm{AB}}(v,p)R_{\mathrm{cross}}^{\mathrm{AB}}(v,q)},$

然后对交叉传递性求取均值即得到整个网络的交叉传递性T_global；

3)绘制交叉聚集系数和交叉传递性与含油率线性关系测量图版，实现对水平油水两相流含油率的测量；

4)根据步骤3)所绘的测量图版，分析交叉聚集系数、交叉传递性网络子过程量化特征与流型演化动力学关系，揭示水平油水两相流流型演化动力学机制。

阶段1)中的步骤(2)所述的自递归率大于交叉递归率的阈值选取方法是采用如下公式：

${\mathrm{RR}}_{\mathrm{auto}}=\frac{1}{N_A(N_A-1)}\underset{i\≠j}{\mathrm{\Σ}}{R}_{\mathrm{aoto}}^A(i,j)>\frac{1}{N_A{N}_B}\underset{i,j}{\mathrm{\Σ}}{R}_{\mathrm{cross}}^{\mathrm{AB}}(i,j)={\mathrm{RR}}_{\mathrm{cross}}$

其中，A和B分别是任意一组时间序列，N_A为向量序列的向量个数，N_B为向量序列的向量个数，RR_auto和RR_cross分别为自递归率和交叉递归率，i、j表示向量。

阶段1)中步骤(2)所述的自递归矩阵的建立是：设M₁,M₂,M₃,M₄····M_S是S个相互耦合的动力学时间序列，把它们重构到同一个相空间中，得到的向量序列分别为对于来自同一观测信号的向量，可定义表示它们之间递归关系的自递归矩阵：

$R_{\mathrm{auto}}^A(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_A-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_A\left(j\right)}|\left|\right)$

其中A是任意一个时间序列，ε_A为阈值，表示向量序列中任意两向量之间的距离，表示如则其值为1，i、j表示向量。

阶段1)中步骤(2)所述的交叉递归矩阵的建立是：

$R_{\mathrm{cross}}^{\mathrm{AB}}(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_{\mathrm{AB}}-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_B\left(j\right)}|\left|\right)$

其中A、B是任意两个时间序列，ε_AB为阈值，表示向量序列和向量序列中任意两向量之间的距离，表示如则其值为1，i、j表示向量。

阶段1)中步骤(3)所述的多元观测信号的递归矩阵是：

$R_M=\left(\begin{array}{cccccc}{R}_{\mathrm{auto}}^1& R_{\mathrm{cross}}^{12}& .& .& .& R_{\mathrm{cross}}^{1S}\\ R_{\mathrm{cross}}^{21}& R_{\mathrm{auto}}^2& .& .& .& R_{\mathrm{cross}}^{2S}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ R_{\mathrm{cross}}^{S1}& R_{\mathrm{cross}}^{S2}& .& .& .& R_{\mathrm{cross}}^S\end{array}\right).$

阶段2)中的步骤(1)中的交叉聚集系数的导出是：将局部交叉系数定义为时间序列A所构成的子网络中节点i在时间序列B所构成的子网络中的所有相邻节点在时间序列B所构成的子网络内部的连接紧密程度：

$C_{\mathrm{cross}}^{\mathrm{AB}}\left(i\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\Σ}}_{j\≠k}{R}_{\mathrm{cross}}^{\mathrm{AB}}(i,j)R_{\mathrm{cross}}^{\mathrm{AB}}(i,k)R_{\mathrm{auto}}^{\mathrm{AB}}(j,k)}{k_i^{\mathrm{AB}}(k_i^{\mathrm{AB}}-1)},& k_i^{\mathrm{AB}}\≥2\\ 0,& \mathrm{else}\end{array}\right.$

其中是时间序列A所构成的子网络的节点v与时间序列B所构成的子网络中节点连边的数量，表示节点v对两个子网络间连接的重要性：那么整体交叉聚集系数定义为时间序列A中所有节点局部交叉聚集系数的均值，则交叉聚集系数为：对交叉聚集系数求取均值即得到整个递归网络的交叉聚集系数C_global。

一种基于多元相空间复杂网络的油水两相流相含率测量方法的验证方法，采用四扇区分布式电导传感器，所述的四扇区分布式电导传感器包括垂直上升管道和安装在垂直上升管道上的四对电极，垂直上升管道的内径为R，每对电极均包括一个安装在垂直上升管道上端的激励电极和一个安装在垂直上升管道下端的测量电极，每对电极之间的距离为D，每一个电极的厚度为H，四对电极中的每个电极包括一段弧形环，弧形环的张角为θ，且每个电极的曲率与垂直上升管道的曲率一致，使得电极能平滑嵌入垂直上升管道的内壁面，四个激励电极位于垂直上升管道内的同一高度上，且彼此之间均匀间隔分布，呈非连续圆环状，四个测量电极位于垂直上升管道内、低于四个激励电极所在高度的同一高度上，且彼此之间也均匀间隔分布，呈非连续圆环状，其中每对电极上下平行设置；每个电极还包括一段连接在所述弧形环上的柱形导体，用于信号的输入与输出；每个电极在管道内的灵敏度区域为一个扇形，每个电极呈T型，由钛合金制成，实验中水相和油相的流速范围均为0.1～2m/s；具体实验方法是，在管道中通入一定流量的水量，然后在管道中逐渐增加油相流量，当完成一次油水两相流配比之后，待油水两相流流动结构稳定后，采用四扇区分布式电导传感器对水平油水两相流进行测量，并同时用高速动态摄像仪记录图像，高速动态摄像仪图像用于定义流型，实验的采样频率为4kHz，采样时间为30s，数据采集结束后，增加油相流量，按上述过程进行测量直至该水量下所设计的工况都测量完成，完成一组水量测量后，增加水相流量，重复以上过程完成下一轮测量；水相和油相的流速范围均为0.1～2m/s；基于实验多元测量信号，采用多元相空间复杂网络进行信息融合，实现对不同油水流型的辨识，并计算与含油率具有线性关系的交叉聚集系数、交叉传递性复杂网络特征指标，绘制交叉聚集系数和交叉传递性与含油率线性关系测量图版，实现对水平油水两相流含油率的测量；分布式电导传感器测量的多元电压信号构建多元相空间复杂网络，通过交叉聚集系数和交叉传递性与含油率线性关系测量图版，分析交叉聚集系数、交叉传递性网络子过程量化特征与流型演化动力学关系，揭示水平油水两相流流型演化动力学机制。

本发明的基于多元相空间复杂网络的油水相含率测量及验证方法，具有如下有益效果：

(1)提出了一种多元相空间复杂网络方法对两相流分布式电导传感器测量信号进行信息融合；

(2)多元相空间复杂网络信息融合方法可有效辨识不同油水两相流流型；

(3)基于四扇区分布式电导传感器的多元相空间复杂网络信息融合方法可获得很好的含油率测量效果。

附图说明

图1 是本发明的多元相空间复杂网络构建分析示意图；

图2 是本发明的多元相空间复杂网络融合测量信息获取含油率示意图；

图3a 是四扇区分布式电导传感器结构示意图；

图3b 是图3a的俯视图；

图3c 是图3a的侧视图。

具体实施方式

下面结合实施例和附图对本发明的基于多元相空间复杂网络的油水相含率测量及验证方法做出详细说明。

本发明的基于多元相空间复杂网络的油水两相流相含率测量方法，通过相空间重构并建立复杂网络的方法对多元信息进行融合，提取与含油率具有线性关系的交叉聚集系数、交叉传递性网络指标并进行归一化处理，绘制含油率线性关系测量图版，实现对水平油水两相流含油率的测量。

如图1所示，本发明的基于多元相空间复杂网络的油水两相流相含率测量方法，包括：如下阶段：

1)构建多元相空间复杂网络，包括如下步骤：

(1)获得S组等长度反映流体局部流动特征的电压测量信号即多元时间序列，其中S为大于0的整数；

(2)将所述的S组等长度信号组成的多元时间序列重构到同一个相空间中，得到S组向量序列，根据自递归率大于交叉递归率的阈值选取方法，对于来自同一观测信号的向量，定义表示它们之间递归关系的自递归矩阵，对于来自不同观测信号的向量，定义表示它们之间递归关系的交叉递归矩阵，其中，所述的自递归矩阵和交叉递归矩阵为复杂网络的子网络，所述的递归矩阵为多元相空间复杂网络；

一般说来，来自同一系统的相空间向量之间的连接应该比来自不同系统的向量连接更加紧密，所选的各个阈值应该使整个网络的结构具有这一特征。在递归定量分析中，递归阈值与递归率是一一对应的，因此为了得到符合要求的网络，应选取合适的自递归阈值和交叉递归阈值使得自递归率大于交叉递归率即可。

所述的自递归率大于交叉递归率的阈值选取方法是采用如下公式：

${\mathrm{RR}}_{\mathrm{auto}}=\frac{1}{N_A(N_A-1)}\underset{i\≠j}{\mathrm{\Σ}}{R}_{\mathrm{aoto}}^A(i,j)>\frac{1}{N_A{N}_B}\underset{i,j}{\mathrm{\Σ}}{R}_{\mathrm{cross}}^{\mathrm{AB}}(i,j)={\mathrm{RR}}_{\mathrm{cross}}$

其中，A和B分别是任意一组时间序列，N_A为向量序列的向量个数，N_B为向量序列的向量个数，RR_auto和RR_cross分别为自递归率和交叉递归率，i、j表示向量。

按照上述阈值选择方法得到的复杂网络具有非常明显的特征，即每个观测信号的相空间向量分别构成一个内部连边紧密的子网络，而同时各个子网之间，也存在着较为稀疏的连边，把子网相互联系在一起，即多元递归网络为多个由子网构成的网络。

所述的自递归矩阵的建立是：设M₁,M₂,M₃,M₄····M_S是S个相互耦合的动力学时间序列，把它们重构到同一个相空间中，得到的向量序列分别为对于来自同一观测信号的向量，可定义表示它们之间递归关系的自递归矩阵：

$R_{\mathrm{auto}}^A(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_A-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_A\left(j\right)}|\left|\right)$

其中A是任意一个时间序列，ε_A为阈值，表示向量序列中任意两向量之间的距离，表示如则其值为1，i、j表示向量。

所述的交叉递归矩阵的建立是：

$R_{\mathrm{cross}}^{\mathrm{AB}}(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_{\mathrm{AB}}-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_B\left(j\right)}|\left|\right)$

其中A、B是任意两个时间序列，ε_AB为阈值，表示向量序列和向量序列中任意两向量之间的距离，表示如则其值为1，i、j表示向量。

(3)把所有的自递归矩阵和交叉递归矩阵组合在一起就构成多元观测信号的递归矩阵；

所述的多元观测信号的递归矩阵是：

$R_M=\left(\begin{array}{cccccc}{R}_{\mathrm{auto}}^1& R_{\mathrm{cross}}^{12}& .& .& .& R_{\mathrm{cross}}^{1S}\\ R_{\mathrm{cross}}^{21}& R_{\mathrm{auto}}^2& .& .& .& R_{\mathrm{cross}}^{2S}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ R_{\mathrm{cross}}^{S1}& R_{\mathrm{cross}}^{S2}& .& .& .& R_{\mathrm{cross}}^S\end{array}\right).$

以四个时间序列为例，M_A,M_B,M_C,M_D是四个相互耦合的动力学时间序列，把它们重构到同一个相空间中，得到的向量序列分别为对于来自同一观测信号的向量(以为例)，与单元递归网络递归矩阵相类似，可定义表示它们之间递归关系的自递归矩阵：

$R_{\mathrm{auto}}^A(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_A-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_A\left(j\right)}|\left|\right)$

其中ε_A为阈值，表示向量序列中任意两向量之间的距离，表示如则其值为1。而对于来自不同观测信号的向量(以和为例)，它们之间的递归关系用如下的交叉递归矩阵来描述：

$R_{\mathrm{cross}}^{\mathrm{AB}}(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_{\mathrm{AB}}-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_B\left(j\right)}|\left|\right)$

把所有的自递归矩阵和交叉递归矩阵组合在一起就构成了多元观测信号的递归矩阵：

$R_M=\left(\begin{array}{cccc}{R}_{\mathrm{auto}}^A& R_{\mathrm{cross}}^{\mathrm{AB}}& R_{\mathrm{cross}}^{\mathrm{AC}}& R_{\mathrm{cross}}^{\mathrm{AD}}\\ R_{\mathrm{cross}}^{\mathrm{BA}}& R_{\mathrm{auto}}^B& R_{\mathrm{cross}}^{\mathrm{BC}}& R_{\mathrm{cross}}^{\mathrm{BD}}\\ R_{\mathrm{cross}}^{\mathrm{CA}}& R_{\mathrm{cross}}^{\mathrm{CB}}& R_{\mathrm{quto}}^C& R_{\mathrm{cross}}^{\mathrm{CD}}\\ R_{\mathrm{cross}}^{\mathrm{DA}}& R_{\mathrm{cross}}^{\mathrm{DB}}& R_{\mathrm{cross}}^{\mathrm{DC}}& R_{\mathrm{auto}}^D\end{array}\right)$

需注意的是，在计算各个自递归矩阵和交叉递归矩阵时，所选用的阈值是互不相同的。

2)进行油水两相流参数测量信息计算，包括如下步骤：

(1)设定交叉聚集系数：对交叉聚集系数求取均值即得到整个递归网络的交叉聚集系数C_global；

其中的交叉聚集系数的导出是：将局部交叉系数定义为时间序列A所构成的子网络中节点i在时间序列B所构成的子网络中的所有相邻节点在时间序列B所构成的子网络内部的连接紧密程度：

$C_{\mathrm{cross}}^{\mathrm{AB}}\left(i\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\Σ}}_{j\≠k}{R}_{\mathrm{cross}}^{\mathrm{AB}}(i,j)R_{\mathrm{cross}}^{\mathrm{AB}}(i,k)R_{\mathrm{auto}}^{\mathrm{AB}}(j,k)}{k_i^{\mathrm{AB}}(k_i^{\mathrm{AB}}-1)},& k_i^{\mathrm{AB}}\≥2\\ 0,& \mathrm{else}\end{array}\right.$

其中是时间序列A所构成的子网络的节点v与时间序列B所构成的子网络中节点连边的数量，表示节点v对两个子网络间连接的重要性：那么整体交叉聚集系数定义为时间序列A中所有节点局部交叉聚集系数的均值，则交叉聚集系数为：对交叉聚集系数求取均值即得到整个递归网络的交叉聚集系数C_global。

(2)设定交叉传递性：如果时间序列B所构成的子网络中两节点在时间序列A所构成的子网络中有共有的邻接点，则这两点连接的概率为交叉传递性：

$T^{\mathrm{AB}}=\frac{{\mathrm{\Σ}}_{v\∈A;p,q\∈B}{R}_{\mathrm{cross}}^{\mathrm{AB}}(v,p)R_{\mathrm{cross}}^{\mathrm{AB}}(v,q)R_{\mathrm{auto}}^B(p,q)}{{\mathrm{\Σ}}_{v\∈A;p,q\∈B}{R}_{\mathrm{cross}}^{\mathrm{AB}}(v,p)R_{\mathrm{cross}}^{\mathrm{AB}}(v,q)},$

然后对交叉传递性求取均值即得到整个网络的交叉传递性T_global；

3)绘制交叉聚集系数和交叉传递性与含油率线性关系测量图版，实现对水平油水两相流含油率的测量；

4)根据步骤3)所绘的测量图版，分析交叉聚集系数、交叉传递性网络子过程量化特征与流型演化动力学关系，揭示水平油水两相流流型演化动力学机制。

如图2所示，提取与含油率具有线性关系的交叉聚集系数、交叉传递性网络特征指标，绘制其含油率线性关系测量图版，实现对油水两相流含油率的测量。

本发明的基于多元相空间复杂网络的油水两相流相含率测量方法的验证方法，是采用四扇区分布式电导传感器，所述的四扇区分布式电导传感器包括垂直上升管道G和安装在垂直上升管道上的四对电极，垂直上升管道G的内径为R，每对电极均包括一个安装在垂直上升管道上端的激励电极E_A、E_B、E_C、E_D和一个安装在垂直上升管道下端的测量电极M_A、M_B、M_C、M_D，每对电极之间的距离为D，每一个电极的厚度为H，四对电极中的每个电极包括一段弧形环，弧形环的张角为θ，且每个电极的曲率与垂直上升管道的曲率一致，使得电极能平滑嵌入垂直上升管道的内壁面，四个激励电极位于垂直上升管道内的同一高度上，且彼此之间均匀间隔分布，呈非连续圆环状，四个测量电极位于垂直上升管道内、低于四个激励电极所在高度的同一高度上，且彼此之间也均匀间隔分布，呈非连续圆环状，其中每对电极上下平行设置；每个电极还包括一段连接在所述弧形环上的柱形导体，用于信号的输入与输出；每个电极在管道内的灵敏度区域为一个扇形，每个电极呈T型，由钛合金制成。实验中水相和油相的流速范围均为0.1～2m/s；实验介质为自来水和15^#工业白油，其中白油粘度11.984mPa·s(40°)，油水界面张力为0.035N/m。具体实验方法是：在管道中通入一定流量的水量，然后在管道中逐渐增加油相流量，当完成一次油水两相流配比之后，待油水两相流流动结构稳定后，采用四扇区分布式电导传感器对水平油水两相流进行测量，并同时用高速动态摄像仪记录图像，高速动态摄像仪图像用于定义流型，实验的采样频率为4kHz，采样时间为30s，数据采集结束后，增加油相流量，按上述过程进行测量直至该水量下所设计的工况都测量完成，完成一组水量测量后，增加水相流量，重复以上过程完成下一轮测量；水相和油相的流速范围均为0.1～2m/s；基于实验多元测量信号，采用多元相空间复杂网络进行信息融合，实现对不同油水流型的辨识，并计算与含油率具有线性关系的交叉聚集系数、交叉传递性复杂网络特征指标，绘制交叉聚集系数和交叉传递性与含油率线性关系测量图版，实现对水平油水两相流含油率的测量；分布式电导传感器测量的多元电压信号构建多元相空间复杂网络，通过交叉聚集系数和交叉传递性与含油率线性关系测量图版，分析交叉聚集系数、交叉传递性网络子过程量化特征与流型演化动力学关系，揭示水平油水两相流流型演化动力学机制。

从四扇区分布式电导传感器测量的多元信号中构建多元时间序列相空间递归复杂网络，探寻网络结构与不同流型局部流动结构之间的内在对应关系实现对不同油水流型的辨识。构建对应于两相流不同演化阶段的一系列相空间递归复杂网络，提取与含油率具有线性关系的交叉聚集系数、交叉传递性网络特征指标，绘制其含油率线性关系测量图版，实现对水平油水两相流含油率的测量。

以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。

Claims (7)

1.一种基于多元相空间复杂网络的油水两相流相含率测量方法，其特征在于，包括如下阶段：

1)构建多元相空间复杂网络，包括如下步骤：

(1)获得S组等长度反映流体局部流动特征的电压测量信号即多元时间序列，其中S为大于0的整数；

(2)将所述的S组等长度信号组成的多元时间序列重构到同一个相空间中，得到S组向量序列，根据自递归率大于交叉递归率的阈值选取方法，对于来自同一观测信号的向量，定义表示它们之间递归关系的自递归矩阵，对于来自不同观测信号的向量，定义表示它们之间递归关系的交叉递归矩阵，其中，所述的自递归矩阵和交叉递归矩阵为复杂网络的子网络，所述的递归矩阵为多元相空间复杂网络；

(3)把所有的自递归矩阵和交叉递归矩阵组合在一起就构成多元观测信号的递归矩阵；

2)进行油水两相流参数测量信息计算，包括如下步骤：

(1)设定交叉聚集系数：对交叉聚集系数求取均值即得到整个递归网络的交叉聚集系数C_global；

(2)设定交叉传递性：如果时间序列B所构成的子网络中两节点在时间序列A所构成的子网络中有共有的邻接点，则这两点连接的概率为交叉传递性：

$T^{\mathrm{AB}}=\frac{{\mathrm{\Σ}}_{v\∈A;p,q\∈B}{R}_{\mathrm{cross}}^{\mathrm{AB}}(v,p)R_{\mathrm{cross}}^{\mathrm{AB}}(v,q)R_{\mathrm{auto}}^B(p,q)}{{\mathrm{\Σ}}_{v\∈A;p,q\∈B}{R}_{\mathrm{cross}}^{\mathrm{AB}}(v,p)R_{\mathrm{cross}}^{\mathrm{AB}}(v,q)},$

然后对交叉传递性求取均值即得到整个网络的交叉传递性T_global；

3)绘制交叉聚集系数和交叉传递性与含油率线性关系测量图版，实现对水平油水两相流含油率的测量；

4)根据步骤3)所绘的测量图版，分析交叉聚集系数、交叉传递性网络子过程量化特征与流型演化动力学关系，揭示水平油水两相流流型演化动力学机制。

2.根据权利要求1所述的基于多元相空间复杂网络的油水两相流相含率测量方法，其特征在于，阶段1)中的步骤(2)所述的自递归率大于交叉递归率的阈值选取方法是采用如下公式：

${\mathrm{RR}}_{\mathrm{auto}}=\frac{1}{N_A(N_A-1)}\underset{i\≠j}{\mathrm{\Σ}}{R}_{\mathrm{aoto}}^A(i,j)>\frac{1}{N_A{N}_B}\underset{i,j}{\mathrm{\Σ}}{R}_{\mathrm{cross}}^{\mathrm{AB}}(i,j)={\mathrm{RR}}_{\mathrm{cross}}$

其中，A和B分别是任意一组时间序列，N_A为向量序列的向量个数，N_B为向量序列的向量个数，RR_auto和RR_cross分别为自递归率和交叉递归率，i、j表示向量。

3.根据权利要求1所述的基于多元相空间复杂网络的油水两相流相含率测量方法，其特征在于，阶段1)中步骤(2)所述的自递归矩阵的建立是：设M₁,M₂,M₃,M₄····M_S是S个相互耦合的动力学时间序列，把它们重构到同一个相空间中，得到的向量序列分别为对于来自同一观测信号的向量，可定义表示它们之间递归关系的自递归矩阵：

$R_{\mathrm{auto}}^A(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_A-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_A\left(j\right)}|\left|\right)$

其中A是任意一个时间序列，ε_A为阈值，表示向量序列中任意两向量之间的距离，表示如则其值为1，i、j表示向量。

4.根据权利要求1所述的基于多元相空间复杂网络的油水两相流相含率测量方法，其特征在于，阶段1)中步骤(2)所述的交叉递归矩阵的建立是：

$R_{\mathrm{cross}}^{\mathrm{AB}}(i,j)=\mathrm{\Θ}({\mathrm{\ϵ}}_{\mathrm{AB}}-||\stackrel{\→}{M_A\left(i\right)}-\stackrel{\→}{M_B\left(j\right)}|\left|\right)$

其中A、B是任意两个时间序列，ε_AB为阈值，表示向量序列和向量序列中任意两向量之间的距离，表示如则其值为1，i、j表示向量。

5.根据权利要求1所述的基于多元相空间复杂网络的油水两相流相含率测量方法，其特征在于，阶段1)中步骤(3)所述的多元观测信号的递归矩阵是：

$R_M=\left(\begin{array}{cccccc}{R}_{\mathrm{auto}}^1& R_{\mathrm{cross}}^{12}& .& .& .& R_{\mathrm{cross}}^{1S}\\ R_{\mathrm{cross}}^{21}& R_{\mathrm{auto}}^2& .& .& .& R_{\mathrm{cross}}^{2S}\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ .& .& .& .& .& .\\ R_{\mathrm{cross}}^{S1}& R_{\mathrm{cross}}^{S2}& .& .& .& R_{\mathrm{cross}}^S\end{array}\right).$

6.根据权利要求1所述的基于多元相空间复杂网络的油水两相流相含率测量方法，其特征在于，阶段2)中的步骤(1)中的交叉聚集系数的导出是：将局部交叉系数定义为时间序列A所构成的子网络中节点i在时间序列B所构成的子网络中的所有相邻节点在时间序列B所构成的子网络内部的连接紧密程度：

$C_{\mathrm{cross}}^{\mathrm{AB}}\left(i\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\Σ}}_{j\≠k}{R}_{\mathrm{cross}}^{\mathrm{AB}}(i,j)R_{\mathrm{cross}}^{\mathrm{AB}}(i,k)R_{\mathrm{auto}}^{\mathrm{AB}}(j,k)}{k_i^{\mathrm{AB}}(k_i^{\mathrm{AB}}-1)},& k_i^{\mathrm{AB}}\≥2\\ 0,& \mathrm{else}\end{array}\right.$

其中是时间序列A所构成的子网络的节点v与时间序列B所构成的子网络中节点连边的数量，表示节点v对两个子网络间连接的重要性：那么整体交叉聚集系数定义为时间序列A中所有节点局部交叉聚集系数的均值，则交叉聚集系数为：对交叉聚集系数求取均值即得到整个递归网络的交叉聚集系数C_global。

7.一种权利要求1所述的基于多元相空间复杂网络的油水两相流相含率测量方法的验证方法，其特征在于，采用四扇区分布式电导传感器，所述的四扇区分布式电导传感器包括垂直上升管道(G)和安装在垂直上升管道上的四对电极，垂直上升管道(G)的内径为R，每对电极均包括一个安装在垂直上升管道上端的激励电极(E_A、E_B、E_C、E_D)和一个安装在垂直上升管道下端的测量电极(M_A、M_B、M_C、M_D)，每对电极之间的距离为D，每一个电极的厚度为H，四对电极中的每个电极包括一段弧形环，弧形环的张角为θ，且每个电极的曲率与垂直上升管道的曲率一致，使得电极能平滑嵌入垂直上升管道的内壁面，四个激励电极位于垂直上升管道内的同一高度上，且彼此之间均匀间隔分布，呈非连续圆环状，四个测量电极位于垂直上升管道内、低于四个激励电极所在高度的同一高度上，且彼此之间也均匀间隔分布，呈非连续圆环状，其中每对电极上下平行设置；每个电极还包括一段连接在所述弧形环上的柱形导体，用于信号的输入与输出；每个电极在管道内的灵敏度区域为一个扇形，每个电极呈T型，由钛合金制成，实验中水相和油相的流速范围均为0.1～2m/s；具体实验方法是，在管道中通入一定流量的水量，然后在管道中逐渐增加油相流量，当完成一次油水两相流配比之后，待油水两相流流动结构稳定后，采用四扇区分布式电导传感器对水平油水两相流进行测量，并同时用高速动态摄像仪记录图像，高速动态摄像仪图像用于定义流型，实验的采样频率为4kHz，采样时间为30s，数据采集结束后，增加油相流量，按上述过程进行测量直至该水量下所设计的工况都测量完成，完成一组水量测量后，增加水相流量，重复以上过程完成下一轮测量；水相和油相的流速范围均为0.1～2m/s；基于实验多元测量信号，采用多元相空间复杂网络进行信息融合，实现对不同油水流型的辨识，并计算与含油率具有线性关系的交叉聚集系数、交叉传递性复杂网络特征指标，绘制交叉聚集系数和交叉传递性与含油率线性关系测量图版，实现对水平油水两相流含油率的测量；分布式电导传感器测量的多元电压信号构建多元相空间复杂网络，通过交叉聚集系数和交叉传递性与含油率线性关系测量图版，分析交叉聚集系数、交叉传递性网络子过程量化特征与流型演化动力学关系，揭示水平油水两相流流型演化动力学机制。