CN109322655A - 一种基于神经网络与双频差分模型的微波含水率检测装置及方法 - Google Patents
一种基于神经网络与双频差分模型的微波含水率检测装置及方法 Download PDFInfo
- Publication number
- CN109322655A CN109322655A CN201811030835.6A CN201811030835A CN109322655A CN 109322655 A CN109322655 A CN 109322655A CN 201811030835 A CN201811030835 A CN 201811030835A CN 109322655 A CN109322655 A CN 109322655A
- Authority
- CN
- China
- Prior art keywords
- neural network
- moisture content
- signal data
- model
- data
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 18
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 17
- 239000002184 metal Substances 0.000 claims description 12
- 229910052751 metal Inorganic materials 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 6
- 238000003012 network analysis Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 150000002739 metals Chemical class 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 16
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 210000004218 nerve net Anatomy 0.000 abstract description 2
- 230000001537 neural effect Effects 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000003129 oil well Substances 0.000 description 5
- 239000003921 oil Substances 0.000 description 4
- 239000000523 sample Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geology (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提出了一种基于神经网络与双频差分模型的微波含水率检测方法及装置。本发明的微波含水率检测装置，其独特的传输线结构设计具有良好的测量稳定性。本发明的检测方法提出了双频的测量思想，利用不同频率的差异性来获取更多较为丰富的数据信息，提高装置的测量精度。且引入了神经网络中卷积层的概念到原始的数据序列中，区别于常规平均值法中对有用信息的大量浪费，该方法可以最大限度的采集原始时间序列信号中携带的信息，实现各种复杂条件的辨别。本发明引的检测方法还实现了神经网网络的全连接层优良的非线性拟合能力，对提取的到的特征数据进行神经网络训练，进而得到一个准确性高且泛化能力强的模型。
Description
技术领域
本发明涉及油井的含水率检测领域，尤其涉及一种基于神经网络与双频差分模型的微波含水率检测方法及装置。
背景技术
在石油行业的采油过程中，如何掌握油井的含水率以及其变化情况，是影响油井效益的关键环节。多年以来，国内外都采用的是人工取样化验的方式，虽然很多研究机构都致力于利用现代测量技术来解决油井三相流含水率检测的问题，但收效甚微。现有的原油含水率检测原理，包括电容法，电导法，射频衰减和微波谐振等都不能很好地解决0-100％全量程的含水率检测，虽然基于传输线反射/传输原理的结构能够用于0-100％全量程的含水率检测，比如开口同轴探头结构，然而其仅在静态环境中比较实用，且测量范围小，在动态环境中易受干扰，且需要经过多种介质的标定，在复杂环境中难以应用。
此外，传统的含水率数学模型存在大量理想条件的假设近似，而在实际应用中，含水率的测量受到流型、流速，气泡等诸多因素的影响，传统的含水率数学模型不能适用于复杂的工业环境变化，因此，基于当前含水率计算误差大的问题引入了神经网络与双频差分组合的含水率计算模型，具有结果准确，抗干扰能力强，泛化能力好的优点。
再者，传统原始实验数据信号的特征提取采用对时间序列取平均值。直接采取时间序列的平均值会丢失原始信号携带的大量有用信息并且容易受到各种流型流速的影响。
发明内容
综上针对现有不足，本发明提出了一种基于神经网络与双频差分模型的微波含水率检测方法及装置。
本发明的微波含水率检测装置，其独特的传输线结构设计具有良好的测量稳定性。
本发明的检测方法提出了双频的测量思想，利用不同频率的差异性来获取更多较为丰富的数据信息，提高装置的测量精度。
本发明的检测方法引入了神经网络中卷积层的概念到原始的数据序列中，区别于常规平均值法中对有用信息的大量浪费，该方法可以最大限度的采集原始时间序列信号中携带的信息，实现各种复杂条件的辨别。
本发明引的检测方法引入了神经网网络的全连接层优良的非线性拟合能力，对提取的到的特征数据进行神经网络训练，进而得到一个准确性高且泛化能力强的模型。
本发明的一种微波含水率检测装置，
包括上盖和下盖；
一条导电铜线，所述导电铜线贯穿所述上盖和下盖，所述导电铜线的两端分别连接第一SMA接头和第二SMA接头；
所述上盖和下盖之间，在围绕所述导电铜线的圆周上均匀排列若干金属棒，若干金属棒形成屏蔽层；
所述导电铜线和金属棒中间的空气形成电介质；
第一SMA接头和第二SMA接头分别连接网格分析仪的信号输入端和信号输出端；
基于网格分析仪发出的不同频率信号在不同介质中的信号相位和信号幅值的变化，确定介质中水的含量。
优选地，所述上盖和下盖是圆柱形。
本发明的基于神经网络与双频差分模型的微波含水率检测方法，使用前述的含水率检测装置对不同流型、矿化度和/或流量影响因素下的不同频率信号的幅值、相位信息进行采集作为原始信号数据；
利用所述原始信号数据对初始神经网络框架进行训练得到神经网络模型；
使用权利要求1或2所述的含水率检测装置对待测物进行不同频率信号的幅值、相位信息进行采集作为实际信号数据，并将所述实际信号数据送入所述神经网络模型计算所述实际信号数据的含水率。
优选地，所述利用所述原始信号数据对神经网络框架进行训练得到神经网络模型具体包括：
对原始信号数据进行数据整理以及对时间序列长度进行统一进而构成一个有效的预处理好的训练集；
得到预处理好的训练集后，将所述训练集输入初始神经网络框架；
将所述初始神经网络框架的训练集进行训练，包括网络的前向传播来预测含水率以及网络的误差反向传播来更新神经网络框架的参数。
当训练网络的误差减少到设置阈值或者循环迭代次数达到设定值后停止训练，并且保存已经训练好的神经网络参数。
优选地，将所述实际信号数据送入神经网络模型计算所述实际信号数据的含水率具体包括：实际信号数据的特征提取和含水率的回归预测。
优选地，所述实际信号数据的特征提取是对实验信号数据的时间序列数据进行卷积操作，采用卷积层进行特征提取；随后对得到的大量特征数据进行再次的采样提取进而降采样。
优选地，含水率的回归预测是是利用了神经网络的全连接层，利用神经网络天然拟和复杂非线性的优势，对提取到的特征向量进行非线性关系预测，进而得到一种特征向量到含水率预测的非线性模型，实现含水率的准确预测。
优选地，利用测试集，基于所述训练好的神经网络参数对含水率进行预测来判断该神经网络参数对应的神经网络模型是否具有良好的泛化能力。
附图说明
图1本发明微波含水率检测装置的结构示意图；其中(a)3D图,(b)侧视图,(c)俯视图；
图2本发明微波含水率检测装置检测框图；
图3本发明神经网络框架训练流程图；
图4本发明神经网络模型计算含水率的整体流程该框架图；
图5测试集的绝对误差；
图6不同频率下相位原始信号与含水率的关系；
图7不同频率下幅度原始信号与含水率的关系；
具体实施方式
下面结合附图对本发明所提供的一种基于神经网络与双频差分模型的微波含水率检测装置及方法，做出进一步详尽的阐释。
本发明首先提出了一种适用于含水率测量的新型检测装置，其结构如图1所示，包括上盖1和下盖2；一条导电铜线3，所述导电铜线3贯穿所述上盖1和下盖2，所述导电铜线3的两端分别连接第一SMA接头和第二SMA接头；所述上盖1和下盖2之间，在围绕所述导电铜线3的圆周上均匀排列若干金属棒4，若干金属棒形成屏蔽层；所述导电铜线和金属棒中间的空气形成电介质；第一SMA接头和第二SMA接头分别连接网格分析仪的信号输入端和信号输出端；基于网格分析仪发出的不同频率信号在不同介质中的信号相位和信号幅值的变化，确定介质中水的含量。
所述上盖和下盖是圆柱形。
本发明的检测装置是一个圆柱形状，最中间是一条导电铜线，外层圆周一圈是排列均匀的若干根金属棒，在导电铜线和金属棒中间是空气，作为电介质，这些金属棒相当于屏蔽层，在同轴线的两端接上SMA接头形成含水率检测装置。
含水率检测装置的工作原理是：经过检测装置的射频信号在不同油水介质(包括其他混合介质)中的传输特性不同，射频信号的相位、幅值会发生改变，通过对不同频率的射频信号的相位、幅值的变化进行分析对比，再经过信号转换放大处理，最后通过本发明的基于神经网络与双频差分模型的微波含水率检测方法进行处理，即可测得介质中水的含量。含水率检测装置的结构，保证了测量不受流体形态和状态影响，无论是“油包水”还是“水包油”甚至完全分离或混合状态都不影响测量精度。适应流量范围宽，测量精度受矿化度、积蜡等因素影响小。此种含水率检测结构对土壤、粮食等固态颗粒含水率检测同样有效。
采用网络分析仪来获取含水率检测装置的信号数据，如图2所示为检测装置检测框图；网络分析仪能够输出连续扫频信号，实时连续的记录不同频率信号的相位和幅值变化情况。网络分析仪上有两个端口1和2，通过两根同轴电缆分别连接含水率检测装置的两端，端口1用于发射信号，端口2接收通过检测装置的信号，然后将获取的原始信号值存储到PC端，通过本发明的基于神经网络与双频差分模型的微波含水率检测方法进行处理，得出含水率。
下面阐述本发明的基于神经网络与双频差分模型的微波含水率检测方法，用于含水率的计算。
机器学习的基本原理是通过分析大量数据来进行学习，神经网络作为机器学习的一种，具有天然的处理数据之间非线性的能力。网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于求解内部机制复杂的问题。
采用双频差分测量的优势在于不同频率的信号在同一个含水率情况下表现不同，通过对比分析不同频率的信号，可以获取更多能够表征含水率的数据，提高数据维度，综合考虑实际应用中流型、流速、矿化度等一系列的影响，进行神经网络架构的训练，最终可以得到一个适用于外界复杂环境且准确率较高的神经网络模型。整体的神经网络框架训练流程如图3所示。
在整个流程中，第一步便是获取原始信号数据，利用含水率检测装置对不同流型、矿化度、流量等各种影响因素下的原始信号数据进行采集，由于采用了双频差分思想，相比于采用单频测量的含水率检测装置而言，本发明采集到不同频率的幅值、相位信号，从而使得原始信号数据携带更多有用的信息来表征此时油井的含水率。
随后对原始信号数据进行数据整理以及对时间序列长度进行统一进而构成一个有效的预处理好的训练集。
得到预处理好的训练集后，将所述训练集输入设计好的神经网络框架。
初始化所有网络层节点的权重和偏置项为一个向量。
初始化总的迭代次数和代数。
将所述输入了设计好的神经网络框架的训练集进行训练。这其中包括网络的前向传播来预测含水率以及网络的误差反向传播来更新神经网络框架的参数，以更好的收敛到实际的神经网络模型。
当训练网络的误差减少到设置阈值或者循环迭代次数达到设定值后便停止训练，并且保存已经训练好的神经网络参数。
可选地，利用测试集，基于所述训练好的神经网络参数对含水率进行预测来判断该神经网络参数对应的神经网络模型是否具有良好的泛化能力。
所述神经网络参数确定完成后，便可以嵌入到实际系统的神经网络模型中。在油田的实际应用中，可以使用前述微波含水率检测装置对实际信号数据进行采集，实际信号数据是对待测油田进行不同频率信号的幅值、相位信息进行采集得到。将得到的实际信号数据送入神经网络模型自动计算此时的含水率。本发明神经网络模型计算含水率的整体流程该框架图如图4所示。在该框架中主要分为两大部分：实际信号数据的特征提取和含水率的回归预测。
对于实验信号数据的特征提取，得到特征向量。具体为首先对实际信号数据的时间序列数据进行卷积操作，采用卷积层进行特征提取可以根据浮动变化推测出如今的流型状况以及流量流速情况进而得到一些独立于流型、流速、矿化度等对测量结果有影响的特征数据。卷积层可以提取到幅值相位之间的关系，以及不同时间段实际信号数据的浮动变化情况，进而能够更好的表征原始信号数据波形的表现情况，从而得到实际信号数据携带的大量特征数据。随后对得到的大量特征数据进行再次的采样提取进而降采样，得到使用复杂度较低的特征向量,降采样操作能够更好的防止神经网络模型的过拟合。由于大量的特征数据能够非常好的表征当前特征数据的分布曲线，但是大量的特征数据会造成严重的过拟合，此时进行降采样可以更好的避免过拟合。其中所述使用复杂度较低的特征向量的复杂度由本领域技术人员根据训练集的误差需求衡量，具体的衡量方法是：在此种特征数据下，不仅训练集的误差很小，预测新的验证集的误差同样很小，在实际的算法迭代中是寻找到训练误差和验证误差都很小的点，举例来说对于工业实际应用的需求是训练集和验证集的平均误差不能超过4％，实现特征良好的泛化能力，可以适用于今后更加丰富的变化场景中。
对含水率的回归预测部分则是利用了神经网络的全连接层，利用神经网络天然拟和复杂非线性的优势，对提取到的特征向量进行非线性关系预测，进而得到一种特征向量到含水率预测的非线性模型，实现含水率的准确预测。
基于已有的数据进行训练得到训练集和验证集的误差表如表1-1所示。
表1-1误差表
其中RMSE表示均方误差，MAE表示平均绝对误差，MRE表示平均相对误差。表示对第i个样本的含水率预测值，表示对第i个样本的含水率真实值。将训练得到的模型对大量的测试集测试所得测试误差如图5所示。
从测试集的误差情况可得，大部分的测试集的误差被控制在2.5％以内，具有良好的稳定性。综上所述可得该神经网络框架对于复杂的含水率测量问题具有良好的表现能力，能够规避外界较为复杂的工业环境从而实现较好的预测结果。
图6为不同频率下相位原始信号与含水率的关系，图7为不同频率下幅值原始信号与含水率的关系，从图中可以看出在不同频率下，同一含水率对应的幅值和相位值也有较大差异，因此，通过双频差分思想能够提取更多与含水率有关的特征信息。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种微波含水率检测装置，其特征在于：
包括上盖和下盖；
一条导电铜线，所述导电铜线贯穿所述上盖和下盖，所述导电铜线的两端分别连接第一SMA接头和第二SMA接头；
所述上盖和下盖之间，在围绕所述导电铜线的圆周上均匀排列若干金属棒，若干金属棒形成屏蔽层；
所述导电铜线和金属棒中间的空气形成电介质；
第一SMA接头和第二SMA接头分别连接网格分析仪的信号输入端和信号输出端；
基于网格分析仪发出的不同频率信号在不同介质中的信号相位和信号幅值的变化，确定介质中水的含量。
2.如权利要求1所述的装置，所述上盖和下盖是圆柱形。
3.一种基于神经网络与双频差分模型的微波含水率检测方法，其特征在于：
使用权利要求1或2所述的含水率检测装置对不同流型、矿化度和/或流量影响因素下的不同频率信号的幅值、相位信息进行采集作为原始信号数据；
利用所述原始信号数据对初始神经网络框架进行训练得到神经网络模型；
使用权利要求1或2所述的含水率检测装置对待测物进行不同频率信号的幅值、相位信息进行采集作为实际信号数据，并将所述实际信号数据送入所述神经网络模型计算所述实际信号数据的含水率。
4.如权利要求3所述的方法，其特征在于所述利用所述原始信号数据对神经网络框架进行训练得到神经网络模型具体包括：
对原始信号数据进行数据整理以及对时间序列长度进行统一进而构成一个有效的预处理好的训练集；
得到预处理好的训练集后，将所述训练集输入初始神经网络框架；
将所述初始神经网络框架的训练集进行训练，包括网络的前向传播来预测含水率以及网络的误差反向传播来更新神经网络框架的参数。
当训练网络的误差减少到设置阈值或者循环迭代次数达到设定值后停止训练，并且保存已经训练好的神经网络参数。
5.如权利要求3所述的方法，其特征在于将所述实际信号数据送入神经网络模型计算所述实际信号数据的含水率具体包括：实际信号数据的特征提取和含水率的回归预测。
6.如权利要求5所述的方法，其特征在于所述实际信号数据的特征提取是对实验信号数据的时间序列数据进行卷积操作，采用卷积层进行特征提取；随后对得到的大量特征数据进行再次的采样提取进而降采样。
7.如权利要求5所述的方法，其特征在于含水率的回归预测是是利用了神经网络的全连接层，利用神经网络天然拟和复杂非线性的优势，对提取到的特征向量进行非线性关系预测，进而得到一种特征向量到含水率预测的非线性模型，实现含水率的准确预测。
8.如权利要求4至7任一项所述的方法，其特征在于利用测试集，基于所述训练好的神经网络参数对含水率进行预测来判断该神经网络参数对应的神经网络模型是否具有良好的泛化能力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811030835.6A CN109322655B (zh) | 2018-09-05 | 2018-09-05 | 一种基于神经网络与双频差分模型的微波含水率检测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811030835.6A CN109322655B (zh) | 2018-09-05 | 2018-09-05 | 一种基于神经网络与双频差分模型的微波含水率检测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109322655A true CN109322655A (zh) | 2019-02-12 |
| CN109322655B CN109322655B (zh) | 2024-04-09 |
Family
ID=65264484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811030835.6A Active CN109322655B (zh) | 2018-09-05 | 2018-09-05 | 一种基于神经网络与双频差分模型的微波含水率检测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109322655B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110630244A (zh) * | 2019-07-09 | 2019-12-31 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 |
| CN111157584A (zh) * | 2020-01-07 | 2020-05-15 | 广东博智林机器人有限公司 | 酒精含量检测方法、装置及检测设备 |
| CN112464848A (zh) * | 2020-12-07 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160334343A1 (en) * | 2014-01-22 | 2016-11-17 | Schlumberger Technology Corporaton | Microwave measurement of water fraction |
| CN206420791U (zh) * | 2017-01-11 | 2017-08-18 | 江苏麦赫物联网科技有限公司 | 一种多频微波含水率检测装置 |
| CN107288627A (zh) * | 2017-05-22 | 2017-10-24 | 天津大学 | 双平行线微波谐振腔传感器油水两相流高含水率测量方法 |
| CN209742875U (zh) * | 2018-09-05 | 2019-12-06 | 深圳市联恒星科技有限公司 | 一种微波含水率新型检测装置 |
-
2018
- 2018-09-05 CN CN201811030835.6A patent/CN109322655B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160334343A1 (en) * | 2014-01-22 | 2016-11-17 | Schlumberger Technology Corporaton | Microwave measurement of water fraction |
| CN206420791U (zh) * | 2017-01-11 | 2017-08-18 | 江苏麦赫物联网科技有限公司 | 一种多频微波含水率检测装置 |
| CN107288627A (zh) * | 2017-05-22 | 2017-10-24 | 天津大学 | 双平行线微波谐振腔传感器油水两相流高含水率测量方法 |
| CN209742875U (zh) * | 2018-09-05 | 2019-12-06 | 深圳市联恒星科技有限公司 | 一种微波含水率新型检测装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110630244A (zh) * | 2019-07-09 | 2019-12-31 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 |
| CN110630244B (zh) * | 2019-07-09 | 2022-12-02 | 东营智图数据科技有限公司 | 一种基于多传感器测量及长短时记忆网络的高产气油井含水率预测系统及方法 |
| CN111157584A (zh) * | 2020-01-07 | 2020-05-15 | 广东博智林机器人有限公司 | 酒精含量检测方法、装置及检测设备 |
| CN112464848A (zh) * | 2020-12-07 | 2021-03-09 | 国网四川省电力公司电力科学研究院 | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109322655B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Blonquist Jr et al. | Standardizing characterization of electromagnetic water content sensors: Part 2. Evaluation of seven sensing systems | |
| Heimovaara et al. | Frequency‐dependent dielectric permittivity from 0 to 1 GHz: Time domain reflectometry measurements compared with frequency domain network analyzer measurements | |
| Blonquist Jr et al. | A time domain transmission sensor with TDR performance characteristics | |
| Huisman et al. | Soil water content measurements at different scales: accuracy of time domain reflectometry and ground-penetrating radar | |
| US8947102B1 (en) | Soil water and conductivity sensing system | |
| CN109322655A (zh) | 一种基于神经网络与双频差分模型的微波含水率检测装置及方法 | |
| CN107288627B (zh) | 双平行线微波谐振腔传感器油水两相流高含水率测量方法 | |
| Heimovaara et al. | Obtaining the spatial distribution of water content along a TDR probe using the SCEM‐UA Bayesian inverse modeling scheme | |
| CN110095773B (zh) | 探地雷达多尺度全波形双参数反演方法 | |
| CN104483598B (zh) | 一种电缆故障检测分析方法 | |
| Minet et al. | A generalized frequency domain reflectometry modeling technique for soil electrical properties determination | |
| Kelleners et al. | Improved interpretation of water content reflectometer measurements in soils | |
| CN105137199A (zh) | 基于网络分析仪的介质介电常数测量方法 | |
| CN107505358B (zh) | 一种基于电特性参数的红茶发酵品质指标的检测方法 | |
| CN105891761A (zh) | 基于散射参量的局放特高频检测系统现场校核方法 | |
| JP7381142B2 (ja) | マイクロ波スイープデータの二次周波数選択方法及び装置 | |
| Johnston et al. | Evaluation of calibration methods for interpreting soil salinity from electromagnetic induction measurements | |
| Casanova et al. | Design of access-tube TDR sensor for soil water content: Testing | |
| CN209742875U (zh) | 一种微波含水率新型检测装置 | |
| Inoue et al. | Comparison of three dielectric moisture sensors for measurement of water in saline sandy soil | |
| Tian et al. | Measuring soil freezing characteristic curve with thermo‐time domain reflectometry | |
| CN113743682B (zh) | 一种基于有监督深度神经网络的nmr弛豫时间反演方法 | |
| Wang et al. | A comparison of second‐order derivative based models for time domain reflectometry waveform analysis | |
| CN115219795A (zh) | 一种适用于微波反演土壤水分的介电常数模型构建方法 | |
| Zhang et al. | Measurement of the moisture content in woodchips through capacitive sensing and data driven modelling |
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 |