CN108154173B - 一种原油储罐油水界面测量装置及方法 - Google Patents
一种原油储罐油水界面测量装置及方法 Download PDFInfo
- Publication number
- CN108154173B CN108154173B CN201711397776.1A CN201711397776A CN108154173B CN 108154173 B CN108154173 B CN 108154173B CN 201711397776 A CN201711397776 A CN 201711397776A CN 108154173 B CN108154173 B CN 108154173B
- Authority
- CN
- China
- Prior art keywords
- oil
- data
- water interface
- layer
- water
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)
Abstract
本发明公开了一种原油储罐油水界面测量装置及方法,本发明方法是一种自动获取最优典型值,并综合油水界面传统分类统计计算方法和经典K‑means聚类计算方法获取最优数据分类的算法。首先采用自适应阈值查找算法自动获取油水界面最优典型值,其次采用多次阈值聚类算法对油水界面数据进行最优划分,最后根据最优化聚类结果统计油水界面及液位高度。本发明提出的计算方法有较高的准确率,较少的迭代次数和运行时间;保障了精确检测原油储罐内油水界面及液位高度,提高了联合站油水界面实时监控和盘库系统的精度。
Description
技术领域
本发明涉及原油储罐油水界面测量,具体涉及一种原油储罐油水界面测量装置及方法。
背景技术
在石油化工行业,开采出来的原油存放在原油储罐中,经过沉降、脱水、去杂等多个工序后,才能得到可供提炼的石油。沉降过程中为了检测沉降罐油水界面及液位高度,需要对原油储罐中油层、水层以及乳化层高度进行识别和测量。识别和检测的方法主要有浮子式、电容式、超声波式、磁致伸缩式、导波雷达式、射频导纳式、吹气式和光纤式等。虽然这些方法相关学者、专家都做了大量的研究和实验,并获得了不错的理论和实践效果,但是就目前行业应用的角度来讲,受现场环境、资金投入、技术条件等因素限制,只有部分方法得到了应用和推广。
相比之下,射频导纳式和导波雷达式检测方法易于开发和推广,应用最为广泛。利用射频导纳物位控制技术或电磁波回波检测技术感知沉降罐中不同介质,获取不同大小的模拟信号,经过信号转化处理,得到易于分析的液位数据,并对液位数据进行统计、计算后,便可得到沉降罐中油水界面及液位高度、体积等信息。但是,这两种测量方法在统计所得油水界面液位数据时,依然采用传统分类统计计算方法计算油水界面及液位高度,典型值需要人工选取,算法落后、计算精度不高。
近年来,相关学者、专家将经典K-means聚类算法引入油水界面液位高度计算,有利于数据分析,实验取得良好效果,比传统算法获取油水界面位置在计算精度上有很大改进。但是,对于计算油水界面及液位高度而言,K-means聚类算法依然需要人工给定初始聚类中心,并可能存在因初始聚类中心选取不当陷入局部最优问题,而导致无法得到有效聚类结果的后果,进而增加算法的迭代次数,增加算法时间复杂度,时间开销较大。当然,还有很多学者、专家在如何获取最优初始聚类中心和应用方面做了很多研究工作,为油水界面数据聚类研究提供了帮助。然而,如何根据油水界面数据,自动选取最优初始聚类中心、降低迭代次数、减小算法消耗时间,提高油水界面的精准划分,则需要在分析现有油水界面计算方法的基础上,探讨一种改进的K-means油水界面自动获取阈值计算方法,快速、准确的获得油水界面及液位高度。
发明内容
本发明的目的在于提供一种原油储罐油水界面测量装置及方法,以克服现有技术的缺陷,本发明能够对油水界面进行高效、准确的计算。
为达到上述目的,本发明采用如下技术方案:
一种原油储罐油水界面测量装置,包括竖直设置在原油储罐(3)中的油水界面测量仪(4),所述油水界面测量仪(4)通过通信网络(2)连接至监控中心(1),所述油水界面测量仪(4)包括若干呈矩阵式分布的传感探极。
一种采用上述的原油储罐油水界面测量装置的测量方法,包括以下步骤:
步骤1:采用自适应阈值查找算法查找一组适合做初始阈值的油水界面典型值;
步骤2:根据油水界面典型值,采用多次阈值聚类算法对油水界面数据进行分类;
步骤3:根据分类结果计算油水界面及液位高度。
进一步地,步骤1具体包括:
步骤1.1:获取界面数据xi(i=1,2,3,…,N)后,对其进行由小到大排序处理;
步骤1.2:对排序后的数据进行相邻数减法计算,用序列中后一个数据减去前一个数据,所得结果赋值给后一个数据,并设置第一个数据为零,组成一组序列,如公式(1)所示:
xi=xi-xi-1 (1)
步骤1.3:建模并遍历排序后的油水界面数据,其中模板长度2m+1,m取自然数,模板内数据满足xi-1到xi-m不大于xi,且xi+1到xi+m均小于xi,或xi-1到xi-m均小于xi,且xi+1到xi+m不大于xi,使得xi为模板中数据的最大值;用模板遍历数据时,如果遇到与模板规定匹配的数据,则记录下xi的位置及大小,并将模板中其它数据清零;反之,将模板内数据全部清零,遍历完步骤1.2所得所有数据后,得到一组由若干峰值组成的序列;
步骤1.4:查找上述步骤1.3所得数据序列中峰值所在位置,并计算各峰值大小与其所在位置前后油水界面数据均值的比例Ti,最终获取比例最大的三个峰值所在位置,即油水界面数据的三个拐点位置,Ti计算方法如公式(2)所示:
步骤1.5:将步骤1.1所得数据,用数据序列第一个位置、最后一个位置和步骤1.4所得的三个拐点位置划分成四段区域,分别获取四段区域中间位置对应油水界面数据,即查找出四个最优典型值Dj,分别以D1代表气层典型值、D2代表油层典型值、D3代表乳化层典型值、D4代表水层典型值。
进一步地,步骤2具体包括:
步骤2.1:按照上述自适应阈值查找算法获取的四个最优典型值Dj,通过公式(3)计算用于划分油水界面数据的三个初始阈值Yj,分别以Y1代表油层阈值,Y2代表乳化层阈值,Y3代表水层阈值;
步骤2.2:根据初始阈值划分油水界面各层数据集合Sj,满足数据集合S1的属于气层,满足数据集合S2的属于油层,满足数据集合S3的属于乳化层,满足数据集合S4的属于水层,参照公式(4)统计Sj;
步骤2.3:将油水界面数据集合Sj按照公式(5)计算最新阈值Yj’;
步骤2.4:重复进行步骤2.3和步骤2.3,不断划分聚类集合数据Sj,并更新最新阈值Yj’,递归直至算法收敛,即最新阈值Yj’前后不发生变化,公式(6)中误差平方和准则函数值E最小,这时的Yj’为最终阈值Yj”;
步骤2.5:根据最终阈值Yj”统计当前各聚类集合Sj的数据个数,并按照公式(7)计算各层液位高度Hj,分别以H1、H2、H3、H4表示气层、油层、乳化层、水层的介质高度;
其中,h表示矩阵式分布的相邻两个传感探极之间的距离,L表示油水界面测量仪的底部距原油储罐底部之间的距离。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提出的自适应阈值聚类算法计算结果与油水界面传统分类统计算法和经典K-means聚类算法得到油水界面结果一致,与原油储罐内液位实际高度一致,多次阈值聚类算法结果正确性得到验证。因此,自适应阈值聚类算法可以有效的自动寻找油水液位拐点位置,选取最优典型值,并通过多次阈值聚类统计计算准确的油水界面及液位高度。自适应阈值聚类算法比传统分类统计算法和经典K-means聚类算法有更高的准确率,比经典K-means聚类算法有较小的迭代次数和较快的程序运行时间,是一种运行智能、准确、高效的油水界面算法。
附图说明
图1为本发明的原油储罐油水界面监控系统示意图;
其中,1、监控中心;2、通信网络;3、原油储罐;4、油水界面测量仪;5、气层;6、油层;7、乳化层;8、水层。
图2为本发明的排序后油水界面数据实例示意图;
图3为本发明的前后相减后油水界面数据实例示意图;
图4为本发明的建模并遍历油水界面数据示意图;
图5为本发明的建模遍历后油水界面数据实例示意图;
图6为本发明的突出拐点油水界面数据实例示意图。
具体实施方式
下面对本发明作进一步详细描述:
在一定空间内介质的变化会引起很多物理量的变化,例如:电场、磁场等;这些物理量的变化将会间接的反映并代表介质单位体积及介质特性的变化,一般与所测介质呈线性关系。因此,结合矩阵式分布的传感探极结构,在高速大规模集成电路单片机的有序控制下,实时获取这些物理量的变化信息,并对这些信息进行分析、计算,按一定的规律进行量化处理、转化,就能准确无误的知道介质单位体积及介质特性的变化即介质液位、物位的变化,并将介质液位、物位的变化量转换成工业标准电信号输出并传递给DCU、DCS、PLC、工业采集模块、工控计算机等采集设备,供管理部门实时监控油水界面。
利用上述测量原理,设计开发油水界面测量仪,进而开发油水界面实时监控和盘库系统。如图1所示,油水界面监控和盘库系统由监控中心1、通信网络2和硬件测量三部分组成。油水界面测量仪4安装在原油储罐3中,油罐内包含气层5、油层6、乳化层7和水层8四种介质。矩阵式分布的传感探极间距为h,均匀分布N个传感器,测量装置底部与油罐底部间距为L。根据被测介质相关物理量变化,感应获得不同强弱或高低的信号,经过量化处理和转变,可以得到类似表1所示的油水界面数据。从数据中可以得知,宏观上处于不同层面的介质,其数据的表征基本相近,有利于辨别原油储罐中不同介质。
油水界面传统分类统计计算方法是一种一次阈值分类统计的算法。计算过程分为三步:第一步,需要在油水界面各层介质数据中人工选取四个典型值,并通过典型值计算各层分类阈值;第二步,根据各层分类阈值统计满足范围的各层数据个数;第三步,计算各层介质高度、体积等相关信息,从而获得油水界面位置。
经典K-means聚类计算方法是一种多次阈值分类统计的算法。计算过程分为:第一步:需要在油水界面各层介质数据中人工选取四个初始聚类中心(质心);第二步,计算每个质心到每个油水界面数据的欧式距离,并将最接近质心的数据不断重新归类,直到算法收敛,找到最终质心,即聚类中心为止;第三步,按照最终确定不变的质心统计油水界面各层数据个数,计算各层介质高度,确定油水界面。
上述两种油水界面计算方法的共同特点是:均需要在人工选取阈值或初始质心合适的前提下,才能准确找到油水界面位置并计算液位高度,反之,测量结果存在很大误差。油水界面传统分类统计计算方法和经典K-means聚类方法不能有效解决人工选取阈值或初始质心带来的计算结果误差问题。
本发明的一种油水界面自适应阈值聚类计算方法,增加算法的智能性,改进油水界面计算过程,保证油水界面计算结果更加准确。本发明采用如下技术方案:
自适应阈值聚类计算方法首先采用自适应阈值查找算法查找一组适合做初始阈值的油水界面典型值,其次采用多次阈值聚类算法对油水界面数据进行合理分类,并最终计算油水界面及液位高度。
自适应阈值查找算法以自动获取最优初始阈值为目的,是一种通过对油水界面数据拐点位置分析,推算最优典型值位置的算法。算法具体描述如下:
第一步,获取界面数据xi(i=1,2,3,…,N)后,对其进行排序处理,由小到大排序,排序算法选择快速排序算法。对照表1油水界面数据,可获得类似图2的数据。
第二步,对排序后的数据进行相邻数减法计算,用序列中后一个数据减去前一个数据,所得结果赋值给后一个数据,并设置第一个数据为零,组成一组序列。如公式(1)所示。对照表1油水界面数据,可获得类似图3的数据。
xi=xi-xi-1 (1)
第三步,建模并遍历排序后的油水界面数据。建立模板,模板长度2m+1,m取自然数,如图4所示。模板内数据满足xi-1到xi-m不大于xi,且xi+1到xi+m均小于xi,或xi-1到xi-m均小于xi,且xi+1到xi+m不大于xi,使得xi为模板中数据的最大值;用模板遍历数据时,如果遇到与模板规定匹配的数据,则记录下xi的位置及大小,并将模板中其它数据清零;反之,将模板内数据全部清零。遍历完上述第二步所得所有数据后,可以得到一组由若干峰值组成的序列。对照表1油水界面数据,可获得类似图5的数据。
第四步,查找上述第三步所得数据序列中峰值所在位置,并计算各峰值大小与其所在位置前后油水界面数据均值的比例Ti,最终获取比例最大的三个峰值所在位置,即油水界面数据的三个拐点位置。Ti计算方法如公式(2)所示。对照表1油水界面数据,可获得类似图5的数据。
第五步,将上述第一步所得数据,用数据序列第一个位置、最后一个位置和上述第四所得的三个位置划分成四段区域,分别获取四段区域中间位置对应油水界面数据,即查找出四个最优典型值Dj,分别以D1代表气层典型值、D2代表油层典型值、D3代表乳化层典型值、D4代表水层典型值。
获取四个最优典型值后,接下来采用多次阈值聚类算法对油水界面数据进行合理化聚类划分和计算。多次阈值聚类算法一方面具备传统分类统计算法阈值分类统计的设计思想,另一方面具备经典K-means聚类算法多次更新质心获取最优分类的设计思想。算法具体描述如下:
第一步,按照上述自适应阈值查找算法获取的四个最优典型值Dj,通过公式(3)计算用于划分油水界面数据的三个初始阈值Yj,分别以Y1代表油层阈值,Y2代表乳化层阈值,Y3代表水层阈值。
第二步,根据初始阈值或最新阈值划分油水界面各层数据集合Sj,满足数据集合S1的属于气层,满足数据集合S2的属于油层,满足数据集合S3的属于乳化层,满足数据集合S4的属于水层。参照公式(4)统计Sj。
第三步,将油水界面数据集合Sj按照公式(5)计算最新阈值Yj’。
第四步,计算完最新阈值后,重复进入第二步和第三步,不断划分聚类集合数据Sj,并更新最新阈值Yj’,递归直至算法收敛,即最新阈值Yj’前后不发生变化,公式(6)中误差平方和准则函数值E最小,这时的Yj’为最终阈值Yj”。
第五步,根据最终阈值Yj”统计当前各聚类集合Sj的数据个数,并按照公式(7)计算各层液位高度Hj,分别以H1、H2、H3、H4表示气层、油层、乳化层、水层的介质高度。
一般来讲,油水界面测量装置不可能安装至原油储罐底部,因此在计算H4时,还需要加上测量装置底部距离油罐底部的高度,用L表示这部分高度,用h表示矩阵式分布的相邻传感探极之间的距离,计算方法如公式(7)所示。
下面对本发明的实施过程作进一步描述:
以被测原油储罐高度12米,直径12米,油水界面测量仪上分布了100个传感器,传感器间距0.1米,测量仪距离罐底2米为例,参见图1。利用一定空间内介质的变化会引起很多物理量的变化原理,设计开发油水界面测量仪,进而开发油水界面实时监控和盘库系统。油水界面监控和盘库系统由监控中心、通信网络和硬件测量三部分组成。油水界面测量仪安装在原油储罐中,油罐内包含气层、油层、乳化层和水层四种介质。根据被测介质相关物理量变化,感应获得不同强弱或高低的信号,经过量化处理和转变,可以得到表1所示的油水界面数据。从数据中可以得知,宏观上处于不同层面的介质,其数据的表征基本相近,有利于辨别原油储罐中不同介质。
表1油水界面数据表
本发明适用于计算原油储罐油水界面及液位高度,特别是沉降罐、分离罐、污水罐、储存罐等油罐的油水界面及液位高度,为联合站的油水界面实时监控和盘库系统提供准确的数据保障。本发明提出一种油水界面自适应阈值聚类计算方法,增加算法的智能性,改进油水界面计算过程,保证油水界面计算结果更加准确。本发明具体计算方法描述如下:
自适应阈值聚类计算方法首先采用自适应阈值查找算法查找一组适合做初始阈值的油水界面典型值,其次采用多次阈值聚类算法对油水界面数据进行合理分类,并最终计算油水界面及液位高度。
自适应阈值查找算法以自动获取最优初始阈值为目的,是一种通过对油水界面数据拐点位置分析,推算最优典型值位置的算法。算法具体描述如下:
第一步,获取界面数据xi(i=1,2,3,…,N)后,对其进行排序处理,由小到大排序,排序算法选择快速排序算法。对照表1油水界面数据,可获得图2的数据。
第二步,对排序后的数据进行相邻数减法计算,用序列中后一个数据减去前一个数据,所得结果赋值给后一个数据,并设置第一个数据为零,组成一组序列。如公式(1)所示。对照表1油水界面数据,可获得图3的数据。
xi=xi-xi-1 (1)
第三步,建模并遍历排序后的油水界面数据。建立模板,2m+1应小于相邻的不同类数据临界处的数据个数。由于油水界面介质间临界处数据个数一般不大于6个,因此本算法取m值为2,模板长度为5,模板内数据满足xi-1到xi-m不大于xi,且xi+1到xi+m均小于xi,或xi-1到xi-m均小于xi,且xi+1到xi+m不大于xi,使得xi为模板中数据的最大值;用模板遍历数据时,如果遇到与模板规定匹配的数据,则记录下xi的位置及大小,并将模板中其它数据清零;反之,将模板内数据全部清零。遍历完上述第二步所得所有数据后,可以得到一组由若干峰值组成的序列。对照表1油水界面数据,可获得图5的数据。
第四步,查找上述第三步所得数据序列中峰值所在位置,并计算各峰值大小与其所在位置前后油水界面数据均值的比例Ti,最终获取比例最大的三个峰值所在位置,即油水界面数据的三个拐点位置。Ti计算方法如公式(2)所示。对照表1油水界面数据,可获得图6的数据,三个最优拐点位置分别为37号、73号和79号数据所在位置。
第五步,将上述第一步所得数据,用数据序列第一个位置、最后一个位置和上述第四所得的三个位置划分成四段区域,分别获取四段区域中间位置对应油水界面数据,即查找出四个最优典型值Dj,分别以D1代表气层典型值、D2代表油层典型值、D3代表乳化层典型值、D4代表水层典型值。结合1号数据、100号数据和37号、73号、79号数据五个位置,在排序后油水界面数据中划分四个区域,并查找各区域中间值,最终选取最优典型值的位置分别为气层19号数据、油层55号数据、乳化层76号数据、水层90号数据。
获取四个最优典型值后,接下来采用多次阈值聚类算法对油水界面数据进行合理化聚类划分和计算。多次阈值聚类算法一方面具备传统分类统计算法阈值分类统计的设计思想,另一方面具备经典K-means聚类算法多次更新质心获取最优分类的设计思想。算法具体描述如下:
第一步,按照上述自适应阈值查找算法获取最优典型值D1=89、D2=553、D3=1079、D4=3996,通过公式(3)计算用于划分油水界面数据的三个初始阈值Yj,分别以Y1代表油层阈值,Y2代表乳化层阈值,Y3代表水层阈值。经计算,分别为Y1=321、Y2=816、Y3=2537。
第二步,根据初始阈值或最新阈值划分油水界面各层数据集合Sj,满足数据集合S1的属于气层,满足数据集合S2的属于油层,满足数据集合S3的属于乳化层,满足数据集合S4的属于水层。参照公式(4)统计Sj。
第三步,将油水界面数据集合Sj按照公式(5)计算最新阈值Yj’。
第四步,计算完最新阈值后,重复进入第二步和第三步,不断划分聚类集合数据Sj,并更新最新阈值Yj’,递归直至算法收敛,即最新阈值Yj’前后不发生变化,公式(6)中误差平方和准则函数值E最小,这时的Yj’为最终阈值Yj”。经过多次更新最新阈值,确定最终阈值为Y1”=314、Y2”=821、Y3”=2598。
第五步,根据最终阈值Yj”统计当前各聚类集合Sj的数据个数,并按照公式(7)计算各层液位高度Hj,分别以H1、H2、H3、H4表示气层、油层、乳化层、水层的介质高度。计算得到H1=3.6米、H2=3.6米、H3=0.6米、H4=4.2米。
一般来讲,油水界面测量装置不可能安装至原油储罐底部,因此在计算H4时,还需要加上测量装置底部距离油罐底部的高度,用L表示这部分高度,用h表示矩阵式分布的相邻传感探极之间的距离,计算方法如公式(7)所示。
由此可知,本发明提出的自适应阈值聚类算法计算结果与油水界面传统分类统计算法和经典K-means聚类算法得到油水界面结果一致,与原油储罐内液位实际高度一致,多次阈值聚类算法结果正确性得到验证。因此,自适应阈值聚类算法可以有效的自动寻找油水液位拐点位置,选取最优典型值,并通过多次阈值聚类统计计算准确的油水界面及液位高度。自适应阈值聚类算法比传统分类统计算法和经典K-means聚类算法有更高的准确率,比经典K-means聚类算法有较小的迭代次数和较快的程序运行时间,是一种运行智能、准确、高效的油水界面算法。
Claims (1)
1.一种采用原油储罐油水界面测量装置的测量方法,所述原油储罐油水界面测量装置包括竖直设置在原油储罐(3)中的油水界面测量仪(4),所述油水界面测量仪(4)通过通信网络(2)连接至监控中心(1),所述油水界面测量仪(4)包括若干呈矩阵式分布的传感探极;
其特征在于,包括以下步骤:
步骤1:采用自适应阈值查找算法查找一组适合做初始阈值的油水界面典型值;
具体包括:
步骤1.1:获取界面数据xi后,i=1,2,3,…,N,对其进行由小到大排序处理;
步骤1.2:对排序后的数据进行相邻数减法计算,用序列中后一个数据减去前一个数据,所得结果赋值给后一个数据,并设置第一个数据为零,组成一组序列,如公式(1)所示:
xi=xi-xi-1 (1)
步骤1.3:建模并遍历排序后的油水界面数据,其中模板长度2m+1,m取自然数,模板内数据满足xi-1到xi-m不大于xi,且xi+1到xi+m均小于xi,或xi-1到xi-m均小于xi,且xi+1到xi+m不大于xi,使得xi为模板中数据的最大值;用模板遍历数据时,如果遇到与模板规定匹配的数据,则记录下xi的位置及大小,并将模板中其它数据清零;反之,将模板内数据全部清零,遍历完步骤1.2所得所有数据后,得到一组由若干峰值组成的序列;
步骤1.4:查找上述步骤1.3所得数据序列中峰值所在位置,并计算各峰值大小与其所在位置前后油水界面数据均值的比例Ti,最终获取比例最大的三个峰值所在位置,即油水界面数据的三个拐点位置,Ti计算方法如公式(2)所示:
步骤1.5:将步骤1.1所得数据,用数据序列第一个位置、最后一个位置和步骤1.4所得的三个拐点位置划分成四段区域,分别获取四段区域中间位置对应油水界面数据,即查找出四个最优典型值Dj,分别以D1代表气层典型值、D2代表油层典型值、D3代表乳化层典型值、D4代表水层典型值;
步骤2:根据油水界面典型值,采用多次阈值聚类算法对油水界面数据进行分类;
步骤2具体包括:
步骤2.1:按照上述自适应阈值查找算法获取的四个最优典型值Dj,通过公式(3)计算用于划分油水界面数据的三个初始阈值Yj,分别以Y1代表油层阈值,Y2代表乳化层阈值,Y3代表水层阈值;
步骤2.2:根据初始阈值划分油水界面各层数据集合Sj,满足数据集合S1的属于气层,满足数据集合S2的属于油层,满足数据集合S3的属于乳化层,满足数据集合S4的属于水层,参照公式(4)统计Sj;
步骤2.3:将油水界面数据集合Sj按照公式(5)计算最新阈值Yj’;
步骤2.4:重复进行步骤2.3和步骤2.3,不断划分聚类集合数据Sj,并更新最新阈值Yj’,递归直至算法收敛,即最新阈值Yj’前后不发生变化,公式(6)中误差平方和准则函数值E最小,这时的Yj’为最终阈值Yj”;
步骤2.5:根据最终阈值Yj”统计当前各聚类集合Sj的数据个数,并按照公式(7)计算各层液位高度Hj,分别以H1、H2、H3、H4表示气层、油层、乳化层、水层的介质高度;
其中,h表示矩阵式分布的相邻两个传感探极之间的距离,L表示油水界面测量仪的底部距原油储罐底部之间的距离;
步骤3:根据分类结果计算油水界面及液位高度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711397776.1A CN108154173B (zh) | 2017-12-21 | 2017-12-21 | 一种原油储罐油水界面测量装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711397776.1A CN108154173B (zh) | 2017-12-21 | 2017-12-21 | 一种原油储罐油水界面测量装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154173A CN108154173A (zh) | 2018-06-12 |
CN108154173B true CN108154173B (zh) | 2021-08-24 |
Family
ID=62463995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711397776.1A Active CN108154173B (zh) | 2017-12-21 | 2017-12-21 | 一种原油储罐油水界面测量装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154173B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110589931B (zh) * | 2019-09-30 | 2024-05-24 | 北京沃太斯环保科技发展有限公司 | 一种浮油收集系统 |
CN113688922B (zh) * | 2021-08-31 | 2023-07-25 | 西南石油大学 | 一种凝聚聚类无监督算法的流体类型识别方法 |
CN114838785B (zh) * | 2022-04-12 | 2023-11-17 | 七腾机器人有限公司 | 一种辅助检测装置、油罐内部分层位置检测方法及系统 |
CN116625457B (zh) * | 2023-04-14 | 2024-06-11 | 华能(广东)能源开发有限公司汕头电厂 | 一种两用型液位传感器及其液位测量方法 |
CN118583730A (zh) * | 2024-07-30 | 2024-09-03 | 北京航空航天大学 | 基于液滴撞击的气固界面局部适应系数测量方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204402461U (zh) * | 2015-01-06 | 2015-06-17 | 武汉职业技术学院 | 一种智能油井探测装置 |
CN104731916A (zh) * | 2015-03-24 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 数据挖掘中基于密度优化初始中心的k均值聚类方法 |
CN105809203A (zh) * | 2016-03-15 | 2016-07-27 | 浙江大学 | 一种基于层次聚类的系统稳态检测算法 |
CN106840312A (zh) * | 2017-01-10 | 2017-06-13 | 陕西科技大学 | 一种原油储罐油水液位测量装置及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ITMI20122197A1 (it) * | 2012-12-20 | 2014-06-21 | Eni Spa | Metodo e sistema di monitoraggio continuo da remoto dell'integrita' di condotte in pressione e delle proprieta' dei fluidi trasportati |
US20160356665A1 (en) * | 2015-06-02 | 2016-12-08 | Umm Al-Qura University | Pipeline monitoring systems and methods |
-
2017
- 2017-12-21 CN CN201711397776.1A patent/CN108154173B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204402461U (zh) * | 2015-01-06 | 2015-06-17 | 武汉职业技术学院 | 一种智能油井探测装置 |
CN104731916A (zh) * | 2015-03-24 | 2015-06-24 | 无锡中科泛在信息技术研发中心有限公司 | 数据挖掘中基于密度优化初始中心的k均值聚类方法 |
CN105809203A (zh) * | 2016-03-15 | 2016-07-27 | 浙江大学 | 一种基于层次聚类的系统稳态检测算法 |
CN106840312A (zh) * | 2017-01-10 | 2017-06-13 | 陕西科技大学 | 一种原油储罐油水液位测量装置及方法 |
Non-Patent Citations (4)
Title |
---|
on-line monitoring of oil in water using transmitted-scattered lights and clustering-based hierarchical TSK fuzzy systems;Gyeongdong baek等;《international conference on fuzzy systems》;20100923;1-8页 * |
原油储罐油水界面监测与分析系统的开发及应用;任喜伟等;《计算机测量与控制》;20121015;第20卷(第10期);2640-2641+2672页 * |
数字式油水分界面高度测量传感器设计;王洪滨等;《山西建筑》;20160910;第42卷(第26期);213-214页 * |
电磁波油水液位监测系统研究;任喜伟等;《仪表技术与传感器》;20171115(第11期);64-67+71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108154173A (zh) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154173B (zh) | 一种原油储罐油水界面测量装置及方法 | |
CN110929939B (zh) | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 | |
CN109597968A (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN109784383B (zh) | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 | |
CN101738998B (zh) | 一种基于局部判别分析的工业过程监测系统及方法 | |
CN104807589B (zh) | 一种集输-立管系统内气液两相流流型的在线识别方法 | |
CN106257498A (zh) | 基于异构纹理特征的锌浮选工况状态划分方法 | |
CN104820724B (zh) | 文本类教育资源知识点预测模型获得方法及模型应用方法 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN102841131A (zh) | 钢丝绳芯输送带缺陷智能识别方法及系统 | |
CN108254038B (zh) | 一种原油储罐油水界面数据去伪及液位测量的计算方法 | |
CN105005822A (zh) | 基于最优步长与模型动态选择的特高拱坝响应预测方法 | |
CN104992178A (zh) | 基于支持向量机模拟交会图的致密砂岩流体类型识别方法 | |
CN105574265B (zh) | 面向模型检索的装配体模型定量描述方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN106935038B (zh) | 一种停车检测系统及检测方法 | |
CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
CN103235894A (zh) | 基于自适应优选模糊核聚类的石脑油属性聚类方法 | |
CN109490776B (zh) | 一种基于机器学习的手机振动马达良次品检测方法 | |
CN104166806A (zh) | 一种井间示踪曲线聚类分析方法及装置 | |
CN106406257A (zh) | 一种基于案例推理的铁矿浮选精矿品位软测量方法及系统 | |
CN110907015B (zh) | 室内环境下的基于rfid的液位监测方法 | |
CN111985782A (zh) | 基于环境感知的自动驾驶有轨电车运行风险评估方法 | |
CN109739840A (zh) | 数据空值处理方法、装置及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |