CN105114054A - 一种基于电导探针阵列投票表决的垂直井流型识别方法 - Google Patents

Abstract

一种基于电导探针阵列投票表决的垂直井流型识别方法，属于多相流检测领域。首先，测量电导探针阵列每个探针的电压响应信号；其次，通过统计分析和小波分析从每个探针电压响应信号提取特征量；第三，对所提取的特征量进行Z-score归一化，再采用主成分分析(PCA)技术提取主成分，成为PCA特征量；第四，利用支持向量分类(SVC)方法分别建立从各探针电压响应信号的PCA特征量到油水两相流流型的分类模型；第五，采用粒子群优化(PSO)算法优化SVC模型的参数；最后，对各探针所识别的流型进行基于投票表决的决策级信息融合。本发明大幅降低了输入变量维数，相对于基于单探针的垂直井流型识别方法，不仅提高了测井的鲁棒性和可靠性，而且提高了流型识别率。

Description

一种基于电导探针阵列投票表决的垂直井流型识别方法

【技术领域】

本发明属于多相流检测领域，尤其涉及一种基于电导探针阵列投票表决的垂直井流型识别方法。

【背景技术】

流型是多相流参数检测的重要参数，表征流体在流动过程中各相介质的分布情况。在两相流研究中，两相流体的流动特性和传热传质特性受流型影响，因而流动参数的测量亦受流型影响。因此，如果能识别井内的流型，可选择更合适的测井方案，获得更佳的测井效果。依据连续相划分准则将大管径垂直井中的油水两相流流型划分为油为连续相的油包水流型、水为连续相的水包油流型和无固定连续相的过渡流型(参考文献：胡志华,刘磊,周芳德,等.油水两相乳化液流动特性的实验研究[J].上海交通大学学报,2005,V39(2):314-316)。同时为了在实验中覆盖实验条件含水率的全量程，油单相和水单相被一并识别。

目前，多相流的流型识别被广泛地研究。流型识别方法有目测法和高速摄像法、探针法、射线衰减法、电学层析成像法、幅值域处理方法、时频域分析方法、信息融合方法、非线性分析方法等。国家知识产权局公布和授权了多项关于流型识别的发明专利。公布的一项发明专利“基于ICA和SVM的气液两相流型识别方法”(申请号201410624191)利用差压变送器结合独立成分分析(ICA)和支持向量机(SVM)识别气液两相流。授权的一项发明专利“一种基于希尔伯特边际谱的两相流流型识别方法”(申请号201110044591)利用静电传感器检测气固两相流的流动噪声信号，再利用希尔伯特边际谱分析和神经网络方法识别气固两相流流型。而上述发明的方法并不能应用于生产测井中油水两相流的流型识别。

电导探针法不仅对油水两相流的流动参数变化响应迅速，而且成本低，安全、可靠、可实施性强，因而得到了广泛的应用。Flores利用电导探针阵列分别对垂直和倾斜油水两相流进行了流型识别(参考文献FloresJ.G.Oil-WaterFlowinVerticalandInclinedWells[D].Tulsa:TheUniversityofTulsa,1997)。然而，电导探针法还远不成熟，探针响应信号的处理和使用还需要深入研究。将软测量方法与传统多相流传感器相结合可以极大地丰富多相流测量数据的使用，从而提高测量精度。一般地，软测量方法包含如下步骤：数据挖掘，特征提取，数据融合和参数估计等。

在垂直井中某个同心圆上油和水的分布在统计意义上是对称的。单电导探针的响应信号能指示其所在同心圆上油和水的分布，但只是垂直井整个横截面上油和水分布的一个局部指示。因此，探针所处的同心圆半径将影响油水两相流参数的检测。如果能在径向布置多个电导探针，将有助于提高流型识别率。另外，生产测井对测井仪的可靠性、鲁棒性有严苛的要求，而单探针结构往往可靠性低，譬如，探针可能在下井过程中受强烈的震动而损坏，或者在测量时由于沾污而导致测量效果变差。因此，单探针难以满足生产测井的要求，而尽管多探针阵列测井仪增加了电导测量电路的设计难度以及数据的上传和处理难度，但为了满足生产测井对可靠性和鲁棒性的要求和提高流型识别率，极有必要研究基于电导探针阵列的垂直井流型识别方法。根据所处理的信息层次，多传感器融合系统可分为三个层次：数据级信息融合、特征级信息融合和决策级融合。尽管决策级信息融合会损失大量信息，但是有如下优点：1)容错性强，2)通信量小，抗干扰能力强，3)计算量小、实时性高。本发明采用基于投票表决的决策级信息融合方法。

鉴于上述因素，本发明提出一种基于电导探针阵列投票表决的垂直井流型识别方法，属于多相流检测领域。首先，测量电导探针阵列每个探针的电压响应信号；其次，通过统计分析和小波分析从每个探针电压响应信号提取特征量；第三，对所提取的特征量进行Z-score归一化，再采用主成分分析(PCA)技术提取主成分，成为PCA特征量；第四，利用支持向量分类(SVC)方法分别建立从各探针电压响应信号的PCA特征量到油水两相流流型的分类模型；第五，采用粒子群优化(PSO)算法优化SVC模型的参数；最后，对各探针所识别的流型进行基于投票表决的决策级信息融合。本发明大幅降低了输入变量维数，相对于基于单探针的垂直井流型识别方法，不仅提高了测井的鲁棒性和可靠性，而且提高了流型识别率。

【发明内容】

本发明的目的是提供一种基于电导探针阵列投票表决的垂直井流型识别方法，以满足生产测井对高鲁棒性、高可靠性和高流型识别率的要求。

为实现上述目的，本发明提供的一种基于电导探针阵列投票表决的垂直井流型识别方法，采用如下技术方案：

一种基于电导探针阵列投票表决的垂直井流型识别方法，其特征在于，包含以下步骤：

步骤一，首先，在垂直井中油水两相流不同总流量和含水率组合下，通过电机(22)打开电导探针阵列(23)的支撑臂(232)，其次，通过电导测量及通信电路(24)测量电导探针阵列(23)各个探针(231)的电压响应信号，测量方法如下，将幅值为U_i的双极性正弦波激励信号(31)施加在阻值为R_f的取样电阻(32)上，开关(33)依次选通电导探针阵列每个探针(34)，取样电阻R_f与选通的电导探针的针芯(343)的尖端所处位置油水两相流(35)的对地电阻R_x构成分压电路，在激励信号波峰时刻测得电导探针的电压响应信号(36)的幅值为U_o，则有

$U_o=\frac{R_x}{R_x+R_f}{U}_i---\left(1\right)$

该探针电压响应信号以时间序列形式记录，并以曼码格式经测井电缆上传至地面；

步骤二，在统计分析中，分别从每个探针电压响应信号提取4个特征量，即均值、标准差、偏度系数、峰度系数；在小波分析中，分别将每个探针响应时间序列进行两层小波包分解，提取8个特征量的方法如下：重构第二层小波分解得到的四个次频带小波系数，得到相应次频带的重构序列S_2,j，j＝0,1,2,3；在第二层小波分解得到的四个次频带小波系数的能量为

$E_{2,j}=\underset{k=1}{\overset{N_1}{\Σ}}{\left(S_{2,j}\right(k\left)\right)}^2---\left(2\right)$

式中，S_2,j(k)表示重构序列S_2,j的第k个元素，N₁表示S_2,j的长度；第二层小波分解得到的四个次频带小波系数的能量比例由下式计算得到

$F_{2,j}=\frac{E_{2,j}}{\underset{j=0}{\overset{3}{\Σ}}{E}_{2,j}}---\left(3\right)$

在第二层小波分解得到的四个次频带小波系数的信息熵定义为

$H_{2,j}=-\underset{k=1}{\overset{N_2}{\Σ}}{\mathrm{\ϵ}}_{2,j}\left(k\right){\mathrm{ln\ϵ}}_{2,j}\left(k\right)---\left(4\right)$

式中，

${\mathrm{\ϵ}}_{2,j}\left(k\right)=\frac{S_{F(2,j)}\left(k\right)}{\underset{k=1}{\overset{N_2}{\Σ}}{S}_{F(2,j)}\left(k\right)}---\left(5\right)$

式中，S_F(2,j)(k)表示S_2,j傅里叶变换序列的第k个元素，N₂表示S_F(2,j)的长度。

步骤三，分别对电导探针阵列每个探针电压响应信号的特征量进行Z-score归一化，再分别采用主成分分析(PCA)技术提取主成分，降低特征量之间的数据冗余，所得到的主成分称之为PCA特征量；Z-score归一化方法定义为

$X_{j,i}^{norm}=\frac{X_{j,i}-{\mathrm{\μ}}_{j,i}}{{\mathrm{\σ}}_{j,i}}---\left(6\right)$

上式中，X_j,i表示在油水两相流不同总流量和含水率组合下第j支探针的第i个特征量组成的向量，表示归一化后的特征量向量，j＝1,2,…,N，N表示探针的数目，i＝1,2,…,12；μ_j,i和σ_j,i分别表示X_j,i的均值和标准差；PCA技术是分析多个变量间相关性的一种多元统计方法，通过正交变换将多个可能相关的变量变换成少数几个线性不相关的综合指标，称之为主成分，在所有正交变换线性组合中选取方差贡献率最高的综合指标作为第一主成分，后续的每个主成分都将是剩余线性组合中方差贡献率最高的综合指标，且与前面的主成分正交；

步骤四，利用支持向量分类(SVC)方法分别建立从电导探针阵列各个探针的PCA特征量到垂直井油水两相流流型的识别模型，称之为SVC模型，训练集的一个样本被记作

(x_j,i,y_j,i),x_j,i∈Rⁿ,y_j,i∈[1,5](7)

式中，x_j,i表示SVC模型的n维输入向量，为第j支探针第i个训练集样本对应的电压响应信号的PCA特征量，n≤12；y_j,i表示SVC模型的1维输出向量，为第j支探针第i个训练集样本对应的125mm内径垂直井油水两相流流型，取1代表油包水流型，取2代表水包油流型，取3代表过渡流型，取4代表油单相，取5代表水单相，i＝1,2,…,l,l表示训练集的长度，测试集的数据格式和训练集一致；利用各探针的训练集样本分别对SVC模型进行训练，采用高斯径向基函数，利用各探针的测试集样本分别测试SVC模型的垂直井流型识别率；

步骤五，采用粒子群优化(PSO)算法来优化SVC模型的惩罚因子C和高斯径向基函数核半径σ，来提高SVC模型的识别率和泛化能力，所述优化的步骤如下：(a)设定惩罚因子C、核函数参数σ的搜索范围，设定粒子数、粒子的长度、粒子的范围、粒子的最大速度、学习因子、迭代终止条件，迭代终止条件包括最大迭代次数和SVC模型交叉验证下的流型识别率要求，随机初始化粒子群体的位置和速度；(b)计算每个粒子的适应度R_cv(C，σ)，即SVC模型交叉验证下的垂直井流型识别率；(c)在每一次迭代中，粒子通过跟踪个体适应度极值和全局适应度极值来更新自己的速度和位置，其中个体适应度极值指粒子本身到目前为止搜索到的适应度最优值，全局适应度极值指整个粒子群到目前为止找到的适应度最优值；(d)如果达到迭代终止条件中的任何一条即可终止迭代，否则返回步骤(b)；

步骤六，对电导探针阵列各个探针所识别的垂直井流型进行基于投票表决的决策级信息融合，得票数最多的流型即被判定为垂直井中的流型，如果得票数最多的流型有两种时，将垂直井中的流型判定为过渡流型。

本发明的一种基于电导探针阵列投票表决的垂直井流型识别方法简单有效，大幅降低了输入变量维数，相对于基于单探针的垂直井流型识别方法，不仅提高了测井的鲁棒性和可靠性，而且提高了流型识别率。

【说明书附图】

图1是基于电导探针阵列投票表决的垂直井流型识别方法流程图；

图2是侵入式可收缩双环电导探针阵列测井仪示意图，图中扶正器(21)，电机(22)，电导探针阵列(23)，电导探针(231)，支撑臂(232)，电导测量及通信电路(24)，电缆接口(25)；

图3是电导测量电路测量电导探针阵列各个探针电压响应信号的示意图，图中双极性正弦波激励信号(31)，阻值为R_f的取样电阻(32)，开关(33)，电导探针(34)，金属外壳(341)，绝缘层(342)，针芯(343)，垂直井油水两相流(35)，电导探针电压响应信号(36)。

【具体实施方案】

参考图1、2和3，结合实例，对本发明的具体实施方案做进一步描述。

为了验证如图1所示的所发明的一种基于电导探针阵列投票表决的垂直井流型识别方法，利用如图2所示的侵入式可收缩双环电导探针阵列测井仪在大庆石油测井试井检测实验中心大型垂直井多相流实验装置进行了油水两相流实验。垂直模拟井内径125mm，高度24m。双环电导探针阵列测井仪由扶正器(21)、电机(22)、电导探针阵列(23)、电导测量及通信电路(24)和电缆接口(25)组成。扶正器(21)可保证测井仪器在井筒中处于中心位置。电机(22)可打开和收缩探针阵列。双环电导探针阵列24支电导探针(231)等角度分布在与测井仪中轴同心的两个圆周上，呈辐射状，且同一支撑臂(232)上的两支电导探针互相平行。每支电导探针由金属外壳(341)、绝缘层(342)、针芯(343)组成，金属外壳(341)直径3mm，外壳接地，针芯(343)裸露的尖端长度为3mm，绝缘层(342)将针芯(343)与金属外壳(341)分开，如图3所示。每支电导探针可通过电导测量及通信电路(24)来检测直径大于3mm的油泡或水泡且不受连续相的影响，如图3所示。电缆接口(25)连接测井电缆以曼码格式将测量数据上传至地面。

实验用油为柴油，密度0.825g/cm³、粘度3×10^-3Pa·s、表面张力28.62×10^-3N/m。用水为自来水，密度1g/cm³、粘度0.890×10^-3Pa·s、表面张力71.25×10^-3N/m。在实验中，设定油水两相流总流量10～200m³/天(调节间隔10m³/天)，含水率0～100％(调节间隔10％)。对于总流量和含水率的各种组合，双环电导探针阵列测井仪24支探针将分别记录电导探针的电压响应信号，获得一份测量样本。由于总流量和含水率共有220种组合，因此每支探针分别获得220份响应信号样本。各探针响应信号采样率均为0.1kHz，每份样本长度为6800。在建模中，220份探针响应电压样本被随机划分为训练集和测试集，两者分别占总样本的80％和20％。重复随机划分过程50次，得到50种训练集和测试集的组合。这些组合被用来在统计意义上评价本发明提出的方法。

一种基于电导探针阵列投票表决的垂直井流型识别方法，其特征在于，包含以下步骤：

步骤一，首先，在垂直井中油水两相流不同总流量和含水率组合下，通过电机(22)打开电导探针阵列(23)的支撑臂(232)，其次，通过电导测量及通信电路(24)测量电导探针阵列(23)各个探针(231)的电压响应信号，测量方法如下，将幅值为U_i的双极性正弦波激励信号(31)施加在阻值为R_f的取样电阻(32)上，开关(33)依次选通电导探针阵列每个探针(34)，取样电阻R_f与选通的电导探针的针芯(343)的尖端所处位置油水两相流(35)的对地电阻R_x构成分压电路，在激励信号波峰时刻测得电导探针的电压响应信号(36)的幅值为U_o，则有

$U_o=\frac{R_x}{R_x+R_f}{U}_i---\left(1\right)$

该探针电压响应信号以时间序列形式记录，并以曼码格式经测井电缆上传至地面；

步骤二，在统计分析中，分别从每个探针电压响应信号提取4个特征量，即均值、标准差、偏度系数、峰度系数；在小波分析中，分别将每个探针响应时间序列进行两层小波包分解，提取8个特征量的方法如下：重构第二层小波分解得到的四个次频带小波系数，得到相应次频带的重构序列S_2,j，j＝0,1,2,3；在第二层小波分解得到的四个次频带小波系数的能量为

$E_{2,j}=\underset{k=1}{\overset{N_1}{\Σ}}{\left(S_{2,j}\right(k\left)\right)}^2---\left(2\right)$

式中，S_2,j(k)表示重构序列S_2,j的第k个元素，N₁表示S_2,j的长度；第二层小波分解得到的四个次频带小波系数的能量比例由下式计算得到

$F_{2,j}=\frac{E_{2,j}}{\underset{j=0}{\overset{3}{\Σ}}{E}_{2,j}}---\left(3\right)$

在第二层小波分解得到的四个次频带小波系数的信息熵定义为

$H_{2,j}=-\underset{k=1}{\overset{N_2}{\Σ}}{\mathrm{\ϵ}}_{2,j}\left(k\right){\mathrm{ln\ϵ}}_{2,j}\left(k\right)---\left(4\right)$

式中，

${\mathrm{\ϵ}}_{2,j}\left(k\right)=\frac{S_{F(2,j)}\left(k\right)}{\underset{k=1}{\overset{N_2}{\Σ}}{S}_{F(2,j)}\left(k\right)}---\left(5\right)$

式中，S_F(2,j)(k)表示S_2,j傅里叶变换序列的第k个元素，N₂表示S_F(2,j)的长度。

步骤三，分别对电导探针阵列每个探针电压响应信号的特征量进行Z-score归一化，再分别采用主成分分析(PCA)技术提取主成分，降低特征量之间的数据冗余，所得到的主成分称之为PCA特征量；Z-score归一化方法定义为

$X_{j,i}^{norm}=\frac{X_{j,i}-{\mathrm{\μ}}_{j,i}}{{\mathrm{\σ}}_{j,i}}---\left(6\right)$

上式中，X_j,i表示在油水两相流不同总流量和含水率组合下第j支探针的第i个特征量组成的向量，表示归一化后的特征量向量，j＝1,2,…,N，N表示探针的数目，i＝1,2,…,12；μ_j,i和σ_j,i分别表示X_j,i的均值和标准差；PCA技术是分析多个变量间相关性的一种多元统计方法，通过正交变换将多个可能相关的变量变换成少数几个线性不相关的综合指标，称之为主成分，在所有正交变换线性组合中选取方差贡献率最高的综合指标作为第一主成分，后续的每个主成分都将是剩余线性组合中方差贡献率最高的综合指标，且与前面的主成分正交；

步骤四，利用支持向量分类(SVC)方法分别建立从电导探针阵列各个探针的PCA特征量到垂直井油水两相流流型的识别模型，称之为SVC模型，训练集的一个样本被记作

(x_j,i,y_j,i),x_j,i∈Rⁿ,y_j,i∈[1,5](7)

式中，x_j,i表示SVC模型的n维输入向量，为第j支探针第i个训练集样本对应的电压响应信号的PCA特征量，n≤12；y_j,i表示SVC模型的1维输出向量，为第j支探针第i个训练集样本对应的125mm内径垂直井油水两相流流型，取1代表油包水流型，取2代表水包油流型，取3代表过渡流型，取4代表油单相，取5代表水单相，i＝1,2,…,l,l表示训练集的长度，测试集的数据格式和训练集一致；利用各探针的训练集样本分别对SVC模型进行训练，采用高斯径向基函数，利用各探针的测试集样本分别测试SVC模型的垂直井流型识别率；

步骤五，采用粒子群优化(PSO)算法来优化SVC模型的惩罚因子C和高斯径向基函数核半径σ，来提高SVC模型的识别率和泛化能力，所述优化的步骤如下：(a)设定惩罚因子C、核函数参数σ的搜索范围，设定粒子数、粒子的长度、粒子的范围、粒子的最大速度、学习因子、迭代终止条件，迭代终止条件包括最大迭代次数和SVC模型交叉验证下的流型识别率要求，随机初始化粒子群体的位置和速度；(b)计算每个粒子的适应度R_cv(C，σ)，即SVC模型交叉验证下的垂直井流型识别率；(c)在每一次迭代中，粒子通过跟踪个体适应度极值和全局适应度极值来更新自己的速度和位置，其中个体适应度极值指粒子本身到目前为止搜索到的适应度最优值，全局适应度极值指整个粒子群到目前为止找到的适应度最优值；(d)如果达到迭代终止条件中的任何一条即可终止迭代，否则返回步骤(b)；

步骤六，对电导探针阵列各个探针所识别的垂直井流型进行基于投票表决的决策级信息融合，得票数最多的流型即被判定为垂直井中的流型，如果得票数最多的流型有两种时，将垂直井中的流型判定为过渡流型。

生产测井对测井仪的可靠性、鲁棒性有严苛的要求，而单探针结构往往可靠性低，譬如，某探针可能在下井过程中受强烈的震动而损坏，或者在测量时由于沾污而导致测量效果变差。因此，发明的基于电导探针阵列投票表决的垂直井流型识别方法提高了测井的鲁棒性和可靠性。当双环电导探针阵列的24支探针各自进行基于单探针的垂直井流型识别，只需使用电导探针电压响应信号的前7个PCA特征量达到最高流型识别率，大幅降低了SVR模型输入变量的维数，且平均识别率高达95.31％±3.08％(均值±标准差)。而当双环电导探针阵列采用本发明的一种基于电导探针阵列投票表决的垂直井流型识别方法，流型识别率可进一步提高至97.64％±2.10％(均值±标准差)，因此本发明还提高了垂直井流型识别率。

本发明的一种基于电导探针阵列投票表决的垂直井流型识别方法简单有效，大幅降低了输入变量维数，相对于基于单探针的垂直井流型识别方法，不仅提高了测井的鲁棒性和可靠性，而且提高了流型识别率。

以上所述仅为本发明具体实施方法的基本方案，但本发明的保护范围并不局限于此，任何熟悉本技术领域的人员在本发明公开的技术范围内，可想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。所有落入权利要求的等同的含义和范围内的变化都将包括在权利要求的范围之内。

Claims (1)

1.一种基于电导探针阵列投票表决的垂直井流型识别方法，其特征在于，包含以下步骤：

步骤一，首先，在垂直井中油水两相流不同总流量和含水率组合下，通过电机(22)打开电导探针阵列(23)的支撑臂(232)，其次，通过电导测量及通信电路(24)测量电导探针阵列(23)各个探针(231)的电压响应信号，测量方法如下，将幅值为U_i的双极性正弦波激励信号(31)施加在阻值为R_f的取样电阻(32)上，开关(33)依次选通电导探针阵列每个探针(34)，取样电阻R_f与选通的电导探针的针芯(343)的尖端所处位置油水两相流(35)的对地电阻R_x构成分压电路，在激励信号波峰时刻测得电导探针的电压响应信号(36)的幅值为U_o，则有

$U_o=\frac{R_x}{R_x+R_f}{U}_i---\left(1\right)$

该探针电压响应信号以时间序列形式记录，并以曼码格式经测井电缆上传至地面；

步骤二，在统计分析中，分别从每个探针电压响应信号提取4个特征量，即均值、标准差、偏度系数、峰度系数；在小波分析中，分别将每个探针响应时间序列进行两层小波包分解，提取8个特征量的方法如下：重构第二层小波分解得到的四个次频带小波系数，得到相应次频带的重构序列S_2,j，j＝0,1,2,3；在第二层小波分解得到的四个次频带小波系数的能量为

$E_{2,j}=\underset{k=1}{\overset{N_1}{\Σ}}{\left(S_{2,j}\right(k\left)\right)}^2---\left(2\right)$

式中，S_2,j(k)表示重构序列S_2,j的第k个元素，N₁表示S_2,j的长度；第二层小波分解得到的四个次频带小波系数的能量比例由下式计算得到

$F_{2,j}=\frac{E_{2,j}}{\underset{j=0}{\overset{3}{\Σ}}{E}_{2,j}}---\left(3\right)$

在第二层小波分解得到的四个次频带小波系数的信息熵定义为

$H_{2,j}=-\underset{k=1}{\overset{N_2}{\Σ}}{\mathrm{\ϵ}}_{2,j}\left(k\right){\mathrm{ln\ϵ}}_{2,j}\left(k\right)---\left(4\right)$

式中，

${\mathrm{\ϵ}}_{2,j}\left(k\right)=\frac{S_{F(2,j)}\left(k\right)}{\underset{k=1}{\overset{N_2}{\Σ}}{S}_{F(2,j)}\left(k\right)}---\left(5\right)$

式中，S_F(2,j)(k)表示S_2,j傅里叶变换序列的第k个元素，N₂表示S_F(2,j)的长度。

步骤三，分别对电导探针阵列每个探针电压响应信号的特征量进行Z-score归一化，再分别采用主成分分析(PCA)技术提取主成分，降低特征量之间的数据冗余，所得到的主成分称之为PCA特征量；

步骤四，利用支持向量分类(SVC)方法分别建立从电导探针阵列各个探针的PCA特征量到垂直井油水两相流流型的识别模型，称之为SVC模型，训练集的一个样本被记作

(x_j,i,y_j,i),x_j,i∈Rⁿ,y_j,i∈[1,5](6)

式中，x_j,i表示SVC模型的n维输入向量，为第j支探针第i个训练集样本对应的电压响应信号的PCA特征量，n≤12；y_j,i表示SVC模型的1维输出向量，为第j支探针第i个训练集样本对应的125mm内径垂直井油水两相流流型，取1代表油包水流型，取2代表水包油流型，取3代表过渡流型，取4代表油单相，取5代表水单相，i＝1,2,…,l,l表示训练集的长度，测试集的数据格式和训练集一致；利用各探针的训练集样本分别对SVC模型进行训练，采用高斯径向基函数，利用各探针的测试集样本分别测试SVC模型的垂直井流型识别率；

步骤五，采用粒子群优化(PSO)算法来优化SVC模型的惩罚因子C和高斯径向基函数核半径σ，来提高SVC模型的识别率和泛化能力，所述优化的步骤如下：(a)设定惩罚因子C、核函数参数σ的搜索范围，设定粒子数、粒子的长度、粒子的范围、粒子的最大速度、学习因子、迭代终止条件，迭代终止条件包括最大迭代次数和SVC模型交叉验证下的流型识别率要求，随机初始化粒子群体的位置和速度；(b)计算每个粒子的适应度R_cv(C，σ)，即SVC模型交叉验证下的垂直井流型识别率；(c)在每一次迭代中，粒子通过跟踪个体适应度极值和全局适应度极值来更新自己的速度和位置，其中个体适应度极值指粒子本身到目前为止搜索到的适应度最优值，全局适应度极值指整个粒子群到目前为止找到的适应度最优值；(d)如果达到迭代终止条件中的任何一条即可终止迭代，否则返回步骤(b)；

步骤六，对电导探针阵列各个探针所识别的垂直井流型进行基于投票表决的决策级信息融合，得票数最多的流型即被判定为垂直井中的流型，如果得票数最多的流型有两种时，将垂直井中的流型判定为过渡流型。