CN106485325A - 基于复杂网络和深度学习的两相流多元信息融合法及应用 - Google Patents

Abstract

一种基于复杂网络和深度学习的两相流多元信息融合法及应用：针对循环激励双模态传感器得到的多通道时间序列分别构建复杂网络；对于循环激励双模态传感器得到的每一个多通道时间序列分别建立加权相关系数复杂网络和无权相关系数复杂网络，得到网络指标，将所述的网络指标组合成一个特征向量；深度学习模型训练与相含率测量，得到一个能够实现双模态多元信息融合的深度学习模型。采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验。本发明可实现对两相流相含率的测量。

Description

基于复杂网络和深度学习的两相流多元信息融合法及应用

技术领域

本发明涉及一种双模态多元信息融合方法。特别是涉及一种基于复杂网络和深度学习的两相流多元信息融合法及应用。

背景技术

油水两相流广泛存在于石油开采与运输产业。在油水两相流系统中，各相的分布随着时间和空间在不断变化，形成了不同的流动形态，称之为流型。两相流的流型复杂多变，局部流动信息难以准确捕捉，使得相含率等两相流流动参数的测量存在诸多难点。这对于石油开采和工艺改造造成了诸多影响。目前，对于流型的研究主要是采用观测法、小波特征分析和模糊C聚类、模糊逻辑和遗传算法、数字图像处理算法等。对于相含率的测量多采用电导法、电容法、光学法和射线法等。传统的测量采用的环形电导传感器和双螺旋电容传感器等，是单通道传感器，容易丢失微观的局部流动信息。而分布式电导传感器和循环激励传感器等则可以同时采集多通道信号，捕捉到更丰富的微观流动信息，为流型和相含率的研究提拱了重要技术支持。

神经网络作为一种分类器，在过去的几十年中得到了长足发展。其主要基于对数据的特征进行学习以实现分类。但是过去的训练模型大多数是浅层的，分类效果无法达到很精确的地步。随着神经网络中梯度消失的问题被有效解决，搭建深层次的神经网络即卷积神经网络成为可能。深度学习模型相比于浅层网络在特征提取和分类上的性能得到有效提升。

复杂网络理论自创立以来，如今已在多领域得到了蓬勃发展，是研究复杂系统的一个重要工具，尤其是近年来其在时间序列分析中作出了重大贡献。实践表明，复杂网络对于挖掘包含在非线性时间序列中和非线性动力学系统中的重要信息具有明显的优势，效果显著。其在单通道时间序列上得到成功应用的同时，也使得科研人员开始关注如何将其应用到多元信息即多通道数据的融合分析中。

发明内容

本发明所要解决的技术问题是，提供一种能够实现对两相流相含率测量的基于复杂网络和深度学习的两相流多元信息融合法及应用。

本发明所采用的技术方案是：一种基于复杂网络和深度学习的两相流多元信息融合法，包括如下步骤：

1)针对循环激励双模态传感器得到的多通道时间序列分别构建复杂网络，包括：

(1)获取包含有两相流流体局部流动信息的S组长度均为L的由循环激励双模态传感器得到的多通道时间序列k表示时间序列的任意一通道；

(2)对于每一通道的时间序列，在时域提取最大值、最小值、平均值、标准偏差、陡度函数、和峭度函数6个特征指标；对每个时间序列进行快速傅里叶变换，将原始信号变换到频域，在频域提取最大值、最小值、平均值、标准偏差、陡度函数和峭度函数6个特征指标；对于每一通道的时间序列中的时域和频域共12个特征指标归一化后组成了每一通道时间序列的特征向量T；其中，对于通道k的信号最大值Max和最小值Min分别表示为Max＝max(x_k,1,x_k,2,...,x_k,l,...,x_k,L)，Min＝min(x_k,1,x_k,2,...,x_k,l,...,x_k,L)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为多通道时间序列变换到频域后，表示为C为频域序列的长度；对于k通道的频域序列，最大值Max_f和最小值Min_f分别表示为Max_f＝max(y_k,1,y_k,2,...,y_k,b,...,y_k,C)，Min_f＝min(y_k,1,y_k,2,...,y_k,b,...,y_k,C)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为

(3)对于任一通道k_i的各项指标归一化后组成的特征向量和任一通道k_j的各项指标归一化后组成的特征向量计算二者的皮尔森相关系数

其中，和表示特征向量和中m维的值，和分别表示特征向量和的均值，并且k_i≠k_j；

(4)将每一通道的信号视作复杂网络的一个节点，以两通道信号特征向量间的皮尔森相关系数的大小作为复杂网络中两节点间的权值，建立一个加权相关系数复杂网络和该加权相关系数复杂网络的加权相关系数矩阵；对于该加权相关系数矩阵，采用Fisher变换，对于变换后的矩阵给定一个FDR控制水平q，采用错误发现率算法即FDR将复杂网络中错误连边的概率控制在q值以下,其中q＝0.05，继而得到一个阈值；若两通道间的相关系数大于该阈值，则在复杂网络中对应的两节点间有连边，反之，则二者之间没有连边，从而得到一个无权相关系数复杂网络和所述无权相关系数复杂网络的邻接矩阵A；

(5)基于第(4)步中的加权相关系数复杂网络和无权相关系数复杂网络，分别提取每个网络的网络指标；

2)对于循环激励双模态传感器得到的每一个多通道时间序列分别采用步骤1)的方法，建立加权相关系数复杂网络和无权相关系数复杂网络，得到网络指标，包括节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性,将所述的网络指标组合成一个特征向量；

3)深度学习模型训练与相含率测量，得到一个能够实现双模态多元信息融合的深度学习模型。

步骤1)的第(5)步中：

(ⅰ)对于加权相关系数复杂网络，提取以下指标：

(a)节点加权聚集系数C^w(i)：

其中，W_ij、W_jk、W_ki分别表示节点i和j，j和k，k和i之间连边的权值，C^w(i)表示节点i的加权聚集系数；

(b)节点加权度：任意节点i加权度表示该节点与其它节点之间连边的权值和；

(ⅱ)对于无权相关系数复杂网络，提取以下指标：

(a)节点聚集系数C_i：

其中，k_i表示无权相关系数复杂网络中与节点i有连边的节点数目，E_i表示k_i个节点之间有连边的数目；

(b)节点度：任意节点i的度表示与该节点有连边的节点的数目；

(c)节点介数L(i)：

其中，σ_mn为连接节点m和节点n的最短路径数目，σ_mn(i)为经过节点i的连接节点m和节点n的最短路径数目；

(d)节点接近中心性CC_i：

其中，D_ij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；

(e)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。

步骤3)包括：

将每一个多通道时间序列的特征向量进行归一化后作为深度学习模型即卷积神经网络的一个样本输入，将相含率大小作为卷积神经网络的输出；循环激励多电极电导传感器对局部低含油率测量灵敏度高，循环激励多电极电容传感器对局部高含油率测量灵敏度高，电导电容双模态测量信息的有效融合可实现互补式两相流空间流动信息检测；

卷积神经网络由6到20层的不同形式和作用的神经层堆叠在一起，具体的网络构成包括卷积层、池化层、全连接层和损失层；其中卷积层是卷积神经网络的核心，每一个卷积层由一系列的卷积核组成，这些卷积核只对自己感受野内的一小块区域进行卷积运算，它们按照规定的步长在整个输入数据上进行平移，对整个数据进行卷积运算，并输出一个特征图；池化层是对数据维度进行压缩的操作，即降采样，同时具有防止过拟合的作用；在卷积层的最后会连接一层或几层全连接的神经网络，它们的输入为前面卷积层或池化层输出的多维特征图，具体操作时会把多个特征图拉成一条一维数据输入到全连接的神经网络中；最后的损失层将神经网络的输出与数据的标签进行比较，计算两者的误差，然后通过反向传播算法进行网络的参数调节和优化；

通过对样本的多层次的卷积和池化进行训练，采用误差反向传播算法调节、更新、优化网络中的各项参数以得到一个可实现双模态多元信息融合的深度学习模型，并可实现对相含率的准确测量。

一种基于复杂网络和深度学习的两相流多元信息融合法的应用，采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验；实验过程如下：

固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合，流型逐渐稳定后，采用循环激励双模态传感器同时测量多通道的信号，并用高速摄像仪记录流型；一次采集结束后，改变油相和水相的流量，按上述过程继续采集，直至在固定的配比下所设计的工况都完成，再改变油相和水相的配比，重复上述过程完成这一轮的测量，直至设计的所有工况全部测量完成；基于上述的多通道测量信号，采用相关系数建立加权和无权相关系数复杂网络，分别提取网络的节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性指标，将这些网络指标作为一个样本；将其中一部分的样本作为深度学习模型即卷积神经网络的训练集，一部分的样本作为卷积神经网络的测试集，采用多层次的卷积和池化过程进行训练，通过误差反向传播算法调节、更新、优化网络中的各项参数以得到一个可以实现双模态多元信息融合的深度学习模型；该模型用于在油田开采中未知工况下对相含率的准确测量。

本发明的基于复杂网络和深度学习的两相流多元信息融合法及应用，通过对循环激励双模态传感器得到的多元信息即多通道数据采用复杂网络的方法进行多通道信息融合，提取大量的复杂网络指标，将其作为深度学习模型即卷积神经网络的输入，经由对大量样本的学习和训练，构建基于复杂网络的可实现双模态多元信息融合的深度学习模型。本发明可实现对两相流相含率的测量。

附图说明

图1是本发明基于复杂网络和深度学习的两相流多元信息融合法及应用的流程图。

具体实施方式

下面结合实施例和附图对本发明的基于复杂网络和深度学习的两相流多元信息融合法及应用做出详细说明。

本发明的基于复杂网络和深度学习的两相流多元信息融合法及应用，提出一种基于相关系数复杂网络建网并利用深度学习模型即卷积神经网络实现双模态多元信息融合的方法，通过建立加权相关系数复杂网络和无权相关系数复杂网络对双模态传感器测得的多元信息即多通道数据进行信息融合，提取节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性等复杂网络指标，将其作为卷积神经网络的样本输入，通过对大量复杂网络指标的学习，建立可实现双模态多元信息融合的深度学习模型。并且通过该方法，可实现对两相流相含率的准确测量。

如图1所示，本发明的基于复杂网络和深度学习的两相流多元信息融合法，包括如下步骤：

1)针对循环激励双模态传感器得到的多通道时间序列分别构建复杂网络，包括：

(1)获取包含有两相流流体局部流动信息的S组长度均为L的由循环激励双模态传感器得到的多通道时间序列k表示时间序列的任意一通道；

(2)对于每一通道的时间序列，在时域提取最大值、最小值、平均值、标准偏差、陡度函数、和峭度函数6个特征指标；对每个时间序列进行快速傅里叶变换，将原始信号变换到频域，在频域提取最大值、最小值、平均值、标准偏差、陡度函数和峭度函数6个特征指标；对于每一通道的时间序列中的时域和频域共12个特征指标归一化后组成了每一通道时间序列的特征向量T；其中，对于通道k的信号最大值Max和最小值Min分别表示为Max＝max(x_k,1,x_k,2,...,x_k,l,...,x_k,L)，Min＝min(x_k,1,x_k,2,...,x_k,l,...,x_k,L)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为多通道时间序列变换到频域后，表示为C为频域序列的长度；对于k通道的频域序列，最大值Max_f和最小值Min_f分别表示为Max_f＝max(y_k,1,y_k,2,...,y_k,b,...,y_k,C)，Min_f＝min(y_k,1,y_k,2,...,y_k,b,...,y_k,C)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为

(3)对于任一通道k_i的各项指标归一化后组成的特征向量和任一通道k_j的各项指标归一化后组成的特征向量计算二者的皮尔森相关系数

其中，和表示特征向量和中m维的值，和分别表示特征向量和的均值，并且k_i≠k_j；

(4)将每一通道的信号视作复杂网络的一个节点，以两通道信号特征向量间的皮尔森相关系数的大小作为复杂网络中两节点间的权值，建立一个加权相关系数复杂网络和该加权相关系数复杂网络的加权相关系数矩阵；对于该加权相关系数矩阵，采用Fisher变换，对于变换后的矩阵给定一个FDR控制水平q，采用错误发现率算法即FDR将复杂网络中错误连边的概率控制在q值以下,其中q＝0.05，继而得到一个阈值；若两通道间的相关系数大于该阈值，则在复杂网络中对应的两节点间有连边，反之，则二者之间没有连边，从而得到一个无权相关系数复杂网络和所述无权相关系数复杂网络的邻接矩阵A；

(5)基于第(4)步中的加权相关系数复杂网络和无权相关系数复杂网络，分别提取每个网络的网络指标，包括：

(ⅰ)对于加权相关系数复杂网络，提取以下指标：

(a)节点加权聚集系数C^w(i)：

其中，W_ij、W_jk、W_ki分别表示节点i和j，j和k，k和i之间连边的权值，C^w(i)表示节点i的加权聚集系数；

(b)节点加权度：任意节点i加权度表示该节点与其它节点之间连边的权值和；

(ⅱ)对于无权相关系数复杂网络，提取以下指标：

(a)节点聚集系数C_i：

其中，k_i表示无权相关系数复杂网络中与节点i有连边的节点数目，E_i表示k_i个节点之间有连边的数目；

(b)节点度：任意节点i的度表示与该节点有连边的节点的数目；

(c)节点介数L(i)：

其中，σ_mn为连接节点m和节点n的最短路径数目，σ_mn(i)为经过节点i的连接节点m和节点n的最短路径数目；

(d)节点接近中心性(closeness centrality)CC_i：

其中，D_ij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；

(e)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值；

2)对于循环激励双模态传感器得到的每一个多通道时间序列分别采用步骤1)的方法，建立加权相关系数复杂网络和无权相关系数复杂网络，得到网络指标，包括节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性,将所述的网络指标组合成一个特征向量；

3)深度学习模型训练与相含率测量，得到一个能够实现双模态多元信息融合的深度学习模型，包括：

将每一个多通道时间序列特征向量进行归一化后作为深度学习模型即卷积神经网络的一个样本输入，将相含率大小作为卷积神经网络的输出；循环激励多电极电导传感器对局部低含油率测量灵敏度高，循环激励多电极电容传感器对局部高含油率测量灵敏度高，电导电容双模态测量信息的有效融合可实现互补式两相流空间流动信息检测；

卷积神经网络由6到20层的不同形式和作用的神经层堆叠在一起，具体的网络构成包括卷积层、池化层、全连接层和损失层；其中卷积层是卷积神经网络的核心，每一个卷积层由一系列的卷积核组成，这些卷积核只对自己感受野内的一小块区域进行卷积运算，它们按照规定的步长在整个输入数据上进行平移，对整个数据进行卷积运算，并输出一个特征图；池化层是对数据维度进行压缩的操作，即降采样，同时具有防止过拟合的作用；池化层一般在两个卷积层之间，但由于池化是对输入数据大幅度的维度压缩，所以一般并不大量使用，而且通常是在池化层只选择小的过滤器；通常在卷积层的最后会连接一层或几层全连接的神经网络，它们的输入为前面卷积层或池化层输出的多维特征图，具体操作时会把多个特征图拉成一条一维数据输入到全连接的神经网络中；最后的损失层将神经网络的输出与数据的标签进行比较，计算两者的误差，然后通过反向传播算法进行网络的参数调节和优化；

通过对样本的多层次的卷积和池化进行训练，采用误差反向传播算法调节、更新、优化网络中的各项参数以得到一个可实现双模态多元信息融合的深度学习模型，并可实现对相含率的准确测量。

本发明的基于复杂网络和深度学习的两相流多元信息融合法的应用，包括采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验，其中，每一层传感器都由16个电极组成。每次测量中，其中一个电极作为激励端，其正对的另一个电极接地，其余14个电极接收，一次循环可测量得到16×14＝224通道的信号。由于电极循环激励速度相对于流体流动的速度来说非常快，所以可以等效为这224通道的信号是同时测量的，由此可有效捕捉丰富的局部流动信息。固定油相和水相的配比，改变油相和水相的流量进行实验；实验过程如下：

固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合，流型逐渐稳定后，采用循环激励双模态传感器同时测量多通道的信号，并用高速摄像仪记录流型；一次采集结束后，改变油相和水相的流量，按上述过程继续采集，直至在固定的配比下所设计的工况都完成，再改变油相和水相的配比，重复上述过程完成这一轮的测量，直至设计的所有工况全部测量完成；基于上述的多通道测量信号，采用相关系数建立加权和无权相关系数复杂网络，分别提取网络的节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性指标，将这些网络指标作为一个样本；将其中一部分的样本作为深度学习模型即卷积神经网络的训练集，一部分的样本作为卷积神经网络的测试集，采用多层次的卷积和池化过程进行训练，通过误差反向传播算法调节、更新、优化网络中的各项参数以得到一个可以实现双模态多元信息融合的深度学习模型；该模型可用于在油田开采中未知工况下对相含率的准确测量。

采用上述方法，可以将多通道的非平稳信号转换为复杂网络拓扑结构图，继而通过大量的复杂网络指标刻画网络的拓扑结构特征。深度学习模型则可实现对双模态多元信息的融合和网络拓扑结构特征的学习。以复杂网络作为桥梁，实现深度学习模型对于多通道传感器信号的辨识。

本发明通过对循环激励双模态传感器得到的多元信息即多通道数据采用相关系数的方法构建复杂网络，用复杂网络的大量指标组成样本，作为深度学习模型即卷积神经网络的输入，通过卷积神经网络的有监督学习，以得到一个可实现双模态多元信息融合的深度学习模型，利用该模型实现在油田开采中未知工况下对相含率的准确测量。

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 (4)

1.一种基于复杂网络和深度学习的两相流多元信息融合法，其特征在于，包括如下步骤：

1)针对循环激励双模态传感器得到的多通道时间序列分别构建复杂网络，包括：

(1)获取包含有两相流流体局部流动信息的S组长度均为L的由循环激励双模态传感器得到的多通道时间序列k表示时间序列的任意一通道；

(2)对于每一通道的时间序列，在时域提取最大值、最小值、平均值、标准偏差、陡度函数、和峭度函数6个特征指标；对每个时间序列进行快速傅里叶变换，将原始信号变换到频域，在频域提取最大值、最小值、平均值、标准偏差、陡度函数和峭度函数6个特征指标；对于每一通道的时间序列中的时域和频域共12个特征指标归一化后组成了每一通道时间序列的特征向量T；其中，对于通道k的信号最大值Max和最小值Min分别表示为Max＝max(x_k,1,x_k,2,...,x_k,l,...,x_k,L)，Min＝min(x_k,1,x_k,2,...,x_k,l,...,x_k,L)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为多通道时间序列变换到频域后，表示为C为频域序列的长度；对于k通道的频域序列，最大值Max_f和最小值Min_f分别表示为Max_f＝max(y_k,1,y_k,2,...,y_k,b,...,y_k,C)，Min_f＝min(y_k,1,y_k,2,...,y_k,b,...,y_k,C)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为

(3)对于任一通道k_i的各项指标归一化后组成的特征向量和任一通道k_j的各项指标归一化后组成的特征向量计算二者的皮尔森相关系数

$C_{k_i{k}_j}=\frac{\underset{m=1}{\overset{12}{\&Sigma;}}\&lsqb;T_{k_i}\left(m\right)-<T_{k_i}>\&rsqb;\&lsqb;T_{k_j}\left(m\right)-<T_{k_j}>\&rsqb;}{\sqrt{\underset{m=1}{\overset{12}{\&Sigma;}}{\&lsqb;T_{k_i}\left(m\right)-<T_{k_i}>\&rsqb;}^2}\sqrt{\underset{m=1}{\overset{12}{\&Sigma;}}{\&lsqb;T_{k_j}\left(m\right)-<T_{k_j}>\&rsqb;}^2}}$

其中，和表示特征向量和中m维的值，和分别表示特征向量和的均值，并且k_i≠k_j；

(4)将每一通道的信号视作复杂网络的一个节点，以两通道信号特征向量间的皮尔森相关系数的大小作为复杂网络中两节点间的权值，建立一个加权相关系数复杂网络和该加权相关系数复杂网络的加权相关系数矩阵；对于该加权相关系数矩阵，采用Fisher变换，对于变换后的矩阵给定一个FDR控制水平q，采用错误发现率算法即FDR将复杂网络中错误连边的概率控制在q值以下,其中q＝0.05，继而得到一个阈值；若两通道间的相关系数大于该阈值，则在复杂网络中对应的两节点间有连边，反之，则二者之间没有连边，从而得到一个无权相关系数复杂网络和所述无权相关系数复杂网络的邻接矩阵A；

(5)基于第(4)步中的加权相关系数复杂网络和无权相关系数复杂网络，分别提取每个网络的网络指标；

2)对于循环激励双模态传感器得到的每一个多通道时间序列分别采用步骤1)的方法，建立加权相关系数复杂网络和无权相关系数复杂网络，得到网络指标，包括节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性,将所述的网络指标组合成一个特征向量；

3)深度学习模型训练与相含率测量，得到一个能够实现双模态多元信息融合的深度学习模型。

2.根据权利要求1所述的基于复杂网络和深度学习的两相流多元信息融合法，其特征在于，步骤1)的第(5)步中：

(ⅰ)对于加权相关系数复杂网络，提取以下指标：

(a)节点加权聚集系数C^w(i)：

$C^w\left(i\right)=\frac{{\&Sigma;}_{j,k}{W}_{ij}{W}_{jk}{W}_{ki}}{{\&Sigma;}_{j,k}{W}_{ij}{W}_{ki}}$

其中，W_ij、W_jk、W_ki分别表示节点i和j，j和k，k和i之间连边的权值，C^w(i)表示节点i的加权聚集系数；

(b)节点加权度：任意节点i加权度表示该节点与其它节点之间连边的权值和；

(ⅱ)对于无权相关系数复杂网络，提取以下指标：

(a)节点聚集系数C_i：

$C_i=\frac{2E_i}{k_i(k_i-1)}$

其中，k_i表示无权相关系数复杂网络中与节点i有连边的节点数目，E_i表示k_i个节点之间有连边的数目；

(b)节点度：任意节点i的度表示与该节点有连边的节点的数目；

(c)节点介数L(i)：

$L\left(i\right)=\underset{m\&NotEqual;i\&NotEqual;n}{\&Sigma;}\frac{{\mathrm{\&sigma;}}_{mn}\left(i\right)}{{\mathrm{\&sigma;}}_{mn}}$

其中，σ_mn为连接节点m和节点n的最短路径数目，σ_mn(i)为经过节点i的连接节点m和节点n的最短路径数目；

(d)节点接近中心性CC_i：

$\begin{array}{cc}{\mathrm{CC}}_i=\frac{1}{\underset{j=1}{\overset{S-1}{\&Sigma;}}{D}_{ij}}& i\&NotEqual;j\end{array}$

其中，D_ij表示节点i到无权相关系数复杂网络中任意其它节点j的最短距离，该网络中共有节点数目为S；

(e)节点特征向量中心性：任意节点i的特征向量中心性表示网络邻接矩阵A的主特征值对应的特征向量的第i个元素的值。

3.根据权利要求1所述的基于复杂网络和深度学习的两相流多元信息融合法，其特征在于，步骤3)包括：

将每一个多通道时间序列的特征向量进行归一化后作为深度学习模型即卷积神经网络的一个样本输入，将相含率大小作为卷积神经网络的输出；循环激励多电极电导传感器对局部低含油率测量灵敏度高，循环激励多电极电容传感器对局部高含油率测量灵敏度高，电导电容双模态测量信息的有效融合可实现互补式两相流空间流动信息检测；

卷积神经网络由6到20层的不同形式和作用的神经层堆叠在一起，具体的网络构成包括卷积层、池化层、全连接层和损失层；其中卷积层是卷积神经网络的核心，每一个卷积层由一系列的卷积核组成，这些卷积核只对自己感受野内的一小块区域进行卷积运算，它们按照规定的步长在整个输入数据上进行平移，对整个数据进行卷积运算，并输出一个特征图；池化层是对数据维度进行压缩的操作，即降采样，同时具有防止过拟合的作用；在卷积层的最后会连接一层或几层全连接的神经网络，它们的输入为前面卷积层或池化层输出的多维特征图，具体操作时会把多个特征图拉成一条一维数据输入到全连接的神经网络中；最后的损失层将神经网络的输出与数据的标签进行比较，计算两者的误差，然后通过反向传播算法进行网络的参数调节和优化；

通过对样本的多层次的卷积和池化进行训练，采用误差反向传播算法调节、更新、优化网络中的各项参数以得到一个可实现双模态多元信息融合的深度学习模型，并可实现对相含率的准确测量。

4.一种权利要求1所述的基于复杂网络和深度学习的两相流多元信息融合法的应用，其特征在于，采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验；实验过程如下：

固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合，流型逐渐稳定后，采用循环激励双模态传感器同时测量多通道的信号，并用高速摄像仪记录流型；一次采集结束后，改变油相和水相的流量，按上述过程继续采集，直至在固定的配比下所设计的工况都完成，再改变油相和水相的配比，重复上述过程完成这一轮的测量，直至设计的所有工况全部测量完成；基于上述的多通道测量信号，采用相关系数建立加权和无权相关系数复杂网络，分别提取网络的节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性指标，将这些网络指标作为一个样本；将其中一部分的样本作为深度学习模型即卷积神经网络的训练集，一部分的样本作为卷积神经网络的测试集，采用多层次的卷积和池化过程进行训练，通过误差反向传播算法调节、更新、优化网络中的各项参数以得到一个可以实现双模态多元信息融合的深度学习模型；该模型用于在油田开采中未知工况下对相含率的准确测量。