CN111310900A - 一种多相流检测方法、装置、设备、介质 - Google Patents
一种多相流检测方法、装置、设备、介质 Download PDFInfo
- Publication number
- CN111310900A CN111310900A CN202010112317.XA CN202010112317A CN111310900A CN 111310900 A CN111310900 A CN 111310900A CN 202010112317 A CN202010112317 A CN 202010112317A CN 111310900 A CN111310900 A CN 111310900A
- Authority
- CN
- China
- Prior art keywords
- multiphase flow
- target data
- detected
- neural network
- network model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 71
- 239000007788 liquid Substances 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003556 assay Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000002035 prolonged effect Effects 0.000 abstract description 6
- 238000003325 tomography Methods 0.000 description 14
- 238000003062 neural network model Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 6
- 239000003921 oil Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012067 mathematical method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
本申请公开了一种多相流检测方法、装置、设备、介质，该方法包括：获取待检测多相流的第一目标数据；将第一目标数据处理成高维矩阵，得到第二目标数据；将第二目标数据输入预先得到的训练后卷积神经网络模型，得到待测多相流中各液体的含量。由此可见，本申请先获取待检测多相流的第一目标数据，并处理成高维矩阵，以得到第二目标数据，再将其输入训练后卷积神经网络模型，得到待检测多相流中各液体的含量。这样能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，通过预先得到的训练后卷积神经网络模型后便可得到待检测多相流中各液体的含量，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。
Description
技术领域
本申请涉及检测技术领域，特别涉及一种多相流检测方法、装置、设备、介质。
背景技术
在石油工业中，开采出的原产品往往不是单一的油，而是由水、天然气以及油组合成的混合液体。石油行业，通常需要在开采过程中对开采出的原产品进行检测，以便对原产品的成本和利润进行预测。目前，工厂需要等混合液体开采出地面之后，才能对产品进行准确的检测，且在开采过程中对原产品中的油含量进行检测时，通常采用层析成像，包括基于微波的层析成像、基于电阻的层析成像、基于电容的层析成像以及基于电容/电阻双模态的层析成像。层析成像主要是先对管内液体环境进行测量，再通过例如逆傅里叶等复杂的数学方法对测量数据进行逆推，实现对管内液体环境的还原和成像。层析成像的成像分辨率不稳定，尤其是在混合液体中的含水量高时，成像误差太大，且所采用的多种数学方法计算复杂，时延高，测量装置结构复杂，设备成本高，部分设备需要进行侵入式测量，会使设备直接接触油污从而导致传感器被污染而无法正常工作，造成资源浪费。
发明内容
有鉴于此，本申请的目的在于提供一种多相流检测方法、装置、设备、介质，能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。其具体方案如下：
第一方面，本申请公开了一种多相流检测方法，包括：
获取待检测多相流的第一目标数据；
将所述第一目标数据处理成高维矩阵，得到第二目标数据；
将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
可选的，所述获取待检测多相流的第一目标数据，包括：
利用二端口微波网络获取待检测多相流的第一目标数据。
可选的，所述利用二端口微波网络获取待检测多相流的第一目标数据，包括：
利用一对天线作为传感器以及矢量网络分析仪作为数据接收和导出装置获取待检测多相流的第一目标数据。
可选的，所述获取待检测多相流的第一目标数据，包括：
利用压力测量装置获取待检测多相流的第一目标数据；
和/或，利用声波测量装置获取待检测多相流的第一目标数据。
可选的，所述将所述第一目标数据处理成高维矩阵，得到第二目标数据，包括：
利用数学工具将所述第一目标数据处理成高维矩阵，得到第二目标数据。
可选的，所述多相流检测方法，还包括：
利用不同液体含量的多相流的测量数据训练卷积神经网络模型，以得到所述训练后卷积神经网络模型。
可选的，所述利用不同液体含量的多相流的测量数据训练卷积神经网络模型，以得到所述训练后卷积神经网络模型，包括：
利用不同液体含量的多相流的测量数据训练卷积神经网络模型，得到目标卷积神经网络模型；
对所述目标卷积神经网络模型进行验证，确定所述目标卷积神经网络模型输出结果的误差；
判断所述误差是否小于预设误差阈值；
如果所述误差小于预设误差阈值，则将所述目标卷积神经网络模型作为所述训练后卷积神经网络模型。
第二方面，本申请公开了一种多相流检测装置，包括：
数据获取模块，用于获取待检测多相流的第一目标数据；
数据处理模块，用于将所述第一目标数据处理成高维矩阵，得到第二目标数据；
液体含量检测模块，用于将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
第三方面，本申请公开了一种多相流检测设备，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现前述公开的多相流检测方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述公开的多相流检测方法。
可见，本申请先获取待检测多相流的第一目标数据，然后将所述第一目标数据处理成高维矩阵，得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。由此可见，本申请先获取待检测多相流的第一目标数据，并将所述第一目标数据处理成高维矩阵，以得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，便可得到所述待检测多相流中各液体的含量。这样能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，通过预先得到的训练后卷积神经网络模型后便可得到待检测多相流中各液体的含量，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种多相流检测方法流程图；
图2为本申请公开的一种具体的多相流检测方法流程图；
图3为本申请公开的一种多相流检测装置结构示意图；
图4为本申请公开的一种多相流检测设备结构图；
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，对多相流液体的含量检测主要是通过层析成像技术进行，包括基于微波的层析成像、基于电阻的层析成像、基于电容的层析成像以及基于电容/电阻双模态的层析成像。层析成像主要是先对管内液体环境进行测量，再通过如逆傅里叶等复杂的数学方法对测量数据进行逆推，实现对管内液体环境的还原和成像。层析成像的成像分辨率不稳定，尤其是在混合液体中的含水量高时，成像误差太大，且所采用的多种数学方法计算复杂，时延高，测量装置结构复杂，设备成本高，部分设备需要进行侵入式测量，会使设备直接接触油污从而导致传感器被污染而无法正常工作，造成资源浪费。有鉴于此，本申请提出了一种多相流检测方法，能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。
参见图1所示，本申请实施例公开了一种多相流检测方法，该方法包括：
步骤S11：获取待检测多相流的第一目标数据。
本实施例中，所述多相流为两种或两种以上互不相容的液体组成的混合液体。可以理解的是，在检测待测多相流中各液体的含量时，需要先获取待检测多相流的第一目标数据。所述获取待检测多相流的第一目标数据，包括：利用二端口微波网络获取待检测多相流的第一目标数据，和/或利用压力测量装置获取待检测多相流的第一目标数据，和/或利用声波测量装置获取待检测多相流的第一目标数据。
步骤S12：将所述第一目标数据处理成高维矩阵，得到第二目标数据。
可以理解的是，在获取到所述第一目标数据后，还需要将所述第一目标数据处理成高维矩阵，得到第二目标数据。所述高维矩阵为维数达到预设维数的矩阵，且所述预设维数大于或等于3。将所述第一目标数据处理成高维矩阵以便于导入到训练后卷积神经网络模型，也可以最大程度保存所述第一目标数据中的原数据，以保证检测结果的准确性。
步骤S13：将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
在具体的实施过程中，在将所述第一目标数据处理成所述第二目标数据之后，还需要将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待检测多相流中各液体的含量。其中，所述训练后卷积神经网络模型为利用不同液体含量的多相流的测量数据训练卷积神经网络模型得到。
可见，本申请先获取待检测多相流的第一目标数据，然后将所述第一目标数据处理成高维矩阵，得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。由此可见，本申请先获取待检测多相流的第一目标数据，并将所述第一目标数据处理成高维矩阵，以得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，便可得到所述待检测多相流中各液体的含量。这样能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，通过预先得到的训练后卷积神经网络模型后便可得到待检测多相流中各液体的含量，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。
参见图2所示，本申请实施例公开了一种具体的多相流检测方法，该方法包括：
步骤S21：利用不同液体含量的多相流的测量数据训练卷积神经网络模型，得到目标卷积神经网络模型。
在具体的实施过程中，首先需要利用不同液体含量的多相流的测量数据训练卷积神经网络模型，得到训练后卷积神经网络模型。具体的，需要先利用不同液体含量的多相流的测量数据训练卷积神经网络模型，得到目标卷积神经网络模型，也即利用不同液体含量的多相流的测量数据训练卷积神经网络模型，确定卷积神经网络模型中的相关参数，得到目标卷积神经网络模型。
步骤S22：对所述目标卷积神经网络模型进行验证，确定所述目标卷积神经网络模型输出结果的误差。
可以理解的是，得到所述目标卷积神经网络模型之后，还需要对所述目标卷积神经网络模型进行验证，以确定所述目标卷积神经网络模型是否可靠，也即，对所述目标卷积神经网络模型进行验证，确定所述目标卷积神经网络模型输出结果的误差。
步骤S23：判断所述误差是否小于预设误差阈值。
可以理解的是，在确定出所述目标卷积神经网络模型输出结果的误差后，还需要判断所述误差是否小于预设误差阈值，以便判断所述目标卷积神经网络模型是否符合预设要求。
步骤S24：如果所述误差小于预设误差阈值，则将所述目标卷积神经网络模型作为训练后卷积神经网络模型。
在判断所述误差是否小于预设误差阈值时，如果所述误差小于预设误差阈值，则将所述目标卷积神经网络模型作为训练后卷积神经网络模型；如果所述误差大于或等于预设误差阈值，则表示所述目标卷积神经网络模型不符合预设要求，需要重新训练卷积神经网络模型。
步骤S25：利用二端口微波网络获取待检测多相流的第一目标数据。
在需要对待检测多相流中的各液体的含量进行检测时，可以先利用二端口微波网络获取待检测多相流的第一目标数据。具体的，所述利用二端口微波网络获取待检测多相流的第一目标数据，包括：利用一对天线作为传感器以及矢量网络分析仪(Victor NetworkAnalyzer，VNA)作为数据接收和导出装置获取待检测多相流的第一目标数据。此外，在获取待检测多相流的第一目标数据时所使用的微波网络可以是二端口的，也可以是更多端口的，例如四端口等。其中，所述二端口微波网络的工作频段可以是8-10GHz。
步骤S26：利用数学工具将所述第一目标数据处理成高维矩阵，得到第二目标数据。
在获取到所述第一目标数据之后，还需要将所述第一目标数据处理成高维矩阵，得到第二目标数据。具体的，可以利用数学工具将所述第一目标数据处理成高维矩阵，得到第二目标数据，此外还可以利用其它的处理工具将所述第一目标数据处理成高维矩阵，其中，所述数学工具包括但不限于MATLAB。
步骤S27：将所述第二目标数据输入所述训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
参见图3所示，本申请实施例公开了一种多相流检测装置，包括：
数据获取模块11，用于获取待检测多相流的第一目标数据；
数据处理模块12，用于将所述第一目标数据处理成高维矩阵，得到第二目标数据；
液体含量检测模块13，用于将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
可见，本申请先获取待检测多相流的第一目标数据，然后将所述第一目标数据处理成高维矩阵，得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。由此可见，本申请先获取待检测多相流的第一目标数据，并将所述第一目标数据处理成高维矩阵，以得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，便可得到所述待检测多相流中各液体的含量。这样能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，通过预先得到的训练后卷积神经网络模型后便可得到待检测多相流中各液体的含量，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。
进一步的，参见图4所示，本申请实施例还公开了一种多相流检测设备，包括：处理器21和存储器22。
其中，所述存储器22，用于存储计算机程序；所述处理器21，用于执行所述计算机程序，以实现前述实施例中公开的多相流检测方法。
其中，关于上述多相流检测方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步的，如图5为本申请实施例提供的一种电子设备20的结构示意图，该电子设备20能够实现前述实施例中公开的多相流检测方法步骤。
通常，本实施例中的电子设备20包括：处理器21和存储器22。
其中，处理器21可以包括一个或多个处理核心，比如四核心处理器、八核心处理器等。处理器21可以采用DSP(digital signal processing,数字信号处理)、FPGA(field-programmable gate array,现场可编程们阵列)、PLA(programmable logic array,可编程逻辑阵列)中的至少一种硬件来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(central processing unit,中应处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以集成有GPU(graphics processing unit,图像处理器)，GPU用于负责显示屏所需要显示的图像的渲染和绘制。一些实施例中，处理器21可以包括AI(artificialintelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
存储器22可以包括一个或多个计算机可读存储介质，计算机可读存储介质可以是非暂态的。存储器22还可以包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。本实施例中，存储器22至少用于存储以下计算机程序221，其中，该计算机程序被处理器21加载并执行之后，能够实现前述任一实施例中公开的多相流检测方法步骤。另外，存储器22所存储的资源还可以包括操作系统222和数据223等，存储方式可以是短暂存储也可以是永久存储。其中，操作系统222可以是Windows、Unix、Linux等。数据223可以包括各种各样的数据。
在一些实施例中，电子设备20还可包括有显示屏23、输入输出接口24、通信接口25、传感器26、电源27以及通信总线28。
本技术领域人员可以理解，图5中示出的结构并不构成对电子设备20的限定，可以包括比图示更多或更少的组件。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现以下步骤：
获取待检测多相流的第一目标数据；将所述第一目标数据处理成高维矩阵，得到第二目标数据；将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
可见，本申请先获取待检测多相流的第一目标数据，然后将所述第一目标数据处理成高维矩阵，得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。由此可见，本申请先获取待检测多相流的第一目标数据，并将所述第一目标数据处理成高维矩阵，以得到第二目标数据，再将所述第二目标数据输入预先得到的训练后卷积神经网络模型，便可得到所述待检测多相流中各液体的含量。这样能够检测出多相流中各液体的含量，检测误差小，无需进行复杂的计算，通过预先得到的训练后卷积神经网络模型后便可得到待检测多相流中各液体的含量，时延短，且测量设备简单，成本低，不需要进行侵入式测量，可以延长设备使用时间。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用二端口微波网络获取待检测多相流的第一目标数据。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用一对天线作为传感器以及矢量网络分析仪作为数据接收和导出装置获取待检测多相流的第一目标数据。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用压力测量装置获取待检测多相流的第一目标数据；和/或，利用声波测量装置获取待检测多相流的第一目标数据。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用数学工具将所述第一目标数据处理成高维矩阵，得到第二目标数据。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用不同液体含量的多相流的测量数据训练卷积神经网络模型，以得到所述训练后卷积神经网络模型。
本实施例中，所述计算机可读存储介质中保存的计算机子程序被处理器执行时，可以具体实现以下步骤：利用不同液体含量的多相流的测量数据训练卷积神经网络模型，得到目标卷积神经网络模型；对所述目标卷积神经网络模型进行验证，确定所述目标卷积神经网络模型输出结果的误差；判断所述误差是否小于预设误差阈值；如果所述误差小于预设误差阈值，则将所述目标卷积神经网络模型作为所述训练后卷积神经网络模型。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得一系列包含其他要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种多相流检测方法、装置、设备、介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种多相流检测方法，其特征在于，包括：
获取待检测多相流的第一目标数据；
将所述第一目标数据处理成高维矩阵，得到第二目标数据；
将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
2.根据权利要求1所述的多相流检测方法，其特征在于，所述获取待检测多相流的第一目标数据，包括：
利用二端口微波网络获取待检测多相流的第一目标数据。
3.根据权利要求2所述的多相流检测方法，其特征在于，所述利用二端口微波网络获取待检测多相流的第一目标数据，包括：
利用一对天线作为传感器以及矢量网络分析仪作为数据接收和导出装置获取待检测多相流的第一目标数据。
4.根据权利要求1所述的多相流检测方法，其特征在于，所述获取待检测多相流的第一目标数据，包括：
利用压力测量装置获取待检测多相流的第一目标数据；
和/或，利用声波测量装置获取待检测多相流的第一目标数据。
5.根据权利要求1所述的多相流检测方法，其特征在于，所述将所述第一目标数据处理成高维矩阵，得到第二目标数据，包括：
利用数学工具将所述第一目标数据处理成高维矩阵，得到第二目标数据。
6.根据权利要求1至5任一项所述的多相流检测方法，其特征在于，还包括：
利用不同液体含量的多相流的测量数据训练卷积神经网络模型，以得到所述训练后卷积神经网络模型。
7.根据权利要求6所述的多相流检测方法，其特征在于，所述利用不同液体含量的多相流的测量数据训练卷积神经网络模型，以得到所述训练后卷积神经网络模型，包括：
利用不同液体含量的多相流的测量数据训练卷积神经网络模型，得到目标卷积神经网络模型；
对所述目标卷积神经网络模型进行验证，确定所述目标卷积神经网络模型输出结果的误差；
判断所述误差是否小于预设误差阈值；
如果所述误差小于预设误差阈值，则将所述目标卷积神经网络模型作为所述训练后卷积神经网络模型。
8.一种多相流检测装置，其特征在于，包括：
数据获取模块，用于获取待检测多相流的第一目标数据；
数据处理模块，用于将所述第一目标数据处理成高维矩阵，得到第二目标数据；
液体含量检测模块，用于将所述第二目标数据输入预先得到的训练后卷积神经网络模型，得到所述待测多相流中各液体的含量。
9.一种多相流检测设备，其特征在于，包括：
存储器和处理器；
其中，所述存储器，用于存储计算机程序；
所述处理器，用于执行所述计算机程序，以实现权利要求1至7任一项所述的多相流检测方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的多相流检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010112317.XA CN111310900A (zh) | 2020-02-24 | 2020-02-24 | 一种多相流检测方法、装置、设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010112317.XA CN111310900A (zh) | 2020-02-24 | 2020-02-24 | 一种多相流检测方法、装置、设备、介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111310900A true CN111310900A (zh) | 2020-06-19 |
Family
ID=71147717
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010112317.XA Pending CN111310900A (zh) | 2020-02-24 | 2020-02-24 | 一种多相流检测方法、装置、设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310900A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150377667A1 (en) * | 2014-06-30 | 2015-12-31 | Saudi Arabian Oil Company | Virtual multiphase flow metering and sand detection |
| CN106485325A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 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 |
| CN110243885A (zh) * | 2019-07-09 | 2019-09-17 | 东营智图数据科技有限公司 | 一种基于时频特征的低产气油井井口含水率预测方法 |
| CN110276415A (zh) * | 2019-07-01 | 2019-09-24 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的石油工业多相流流型识别方法 |
| CN110273681A (zh) * | 2019-07-02 | 2019-09-24 | 燕山大学 | 石油生产测井中油气水多相流体分相含率测量系统及方法 |
| CN110632132A (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深度卷积神经网络的高产气油井井口产液含水率预测方法 |
-
2020
- 2020-02-24 CN CN202010112317.XA patent/CN111310900A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150377667A1 (en) * | 2014-06-30 | 2015-12-31 | Saudi Arabian Oil Company | Virtual multiphase flow metering and sand detection |
| CN106485325A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 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 |
| CN110276415A (zh) * | 2019-07-01 | 2019-09-24 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的石油工业多相流流型识别方法 |
| CN110273681A (zh) * | 2019-07-02 | 2019-09-24 | 燕山大学 | 石油生产测井中油气水多相流体分相含率测量系统及方法 |
| CN110243885A (zh) * | 2019-07-09 | 2019-09-17 | 东营智图数据科技有限公司 | 一种基于时频特征的低产气油井井口含水率预测方法 |
| CN110632132A (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深度卷积神经网络的高产气油井井口产液含水率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 翁润滢等: "基于自适应最优核和卷积神经网络的气液两相流流型识别方法" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
| CN107620868B (zh) | 管道泄漏检测方法及装置 | |
| Tinungki | Orthogonal iteration process of determining K value on estimator of Jackknife ridge regression parameter | |
| Haanchumpol et al. | Modern multivariate control chart using spatial signed rank for non-normal process | |
| CN113569432A (zh) | 一种液气密元件的模拟检测方法及系统 | |
| CN111310900A (zh) | 一种多相流检测方法、装置、设备、介质 | |
| CN110529746B (zh) | 管道泄漏的检测方法、装置和设备 | |
| US20170140080A1 (en) | Performing And Communicating Sheet Metal Simulations Employing A Combination Of Factors | |
| CN111693821A (zh) | 电缆-架空混合线路行波故障测距装置的测试方法及装置 | |
| CN113217826B (zh) | 一种管道供水管网泄漏报警控制方法、装置及介质 | |
| CN114087542A (zh) | 基于scada系统的管道泄漏检测方法、装置及介质 | |
| CN103902420B (zh) | 电子设备性能测试方法及装置 | |
| CN114675143A (zh) | 一种局部放电测量方法及装置 | |
| CN110131591B (zh) | 管道泄漏的定位方法、装置和设备 | |
| CN111275135A (zh) | 一种故障诊断方法、装置、设备、介质 | |
| CN113127858A (zh) | 异常检测模型训练方法、异常检测方法及装置 | |
| CN101470157A (zh) | 用于评估反相器的单位延迟时间的建模方法及其装置 | |
| US7076747B2 (en) | Analytical simulator and analytical simulation method and program | |
| CN112816915B (zh) | 电缆破损的检测方法、装置、计算机设备和存储介质 | |
| CN105389475B (zh) | 一种基于小波包分解的电厂设备故障检测方法 | |
| US7861432B1 (en) | Method and apparatus for hole measurement | |
| JP6882357B2 (ja) | 非接触物質検査のシステム、装置、方法 | |
| CN109379166B (zh) | 一种干扰检测方法、装置、服务器及存储介质 | |
| US20240019282A1 (en) | Method and computing device for detecting anomalous sensor data | |
| JP6647638B1 (ja) | 波形判断装置、波形判断方法、および、波形判断プログラム |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
| RJ01 | Rejection of invention patent application after publication |