CN113124949A - 一种多相流流量检测方法及系统 - Google Patents
一种多相流流量检测方法及系统 Download PDFInfo
- Publication number
- CN113124949A CN113124949A CN202110367036.3A CN202110367036A CN113124949A CN 113124949 A CN113124949 A CN 113124949A CN 202110367036 A CN202110367036 A CN 202110367036A CN 113124949 A CN113124949 A CN 113124949A
- Authority
- CN
- China
- Prior art keywords
- flow
- oil
- gas
- multiphase flow
- signals
- 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 20
- 238000003325 tomography Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 35
- 238000013135 deep learning Methods 0.000 abstract description 4
- 239000012530 fluid Substances 0.000 abstract description 4
- 239000011800 void material Substances 0.000 abstract description 3
- 239000012071 phase Substances 0.000 description 86
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000000926 separation method Methods 0.000 description 4
- 235000004257 Cordia myxa Nutrition 0.000 description 3
- 244000157795 Cordia myxa Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000011888 foil Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F7/00—Volume-flow measuring devices with two or more measuring ranges; Compound meters
- G01F7/005—Volume-flow measuring devices with two or more measuring ranges; Compound meters by measuring pressure or differential pressure, created by the use of flow constriction
-
- 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
-
- 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
- G06N3/08—Learning methods
Abstract
本申请属于流量测量技术领域,特别是涉及一种多相流流量检测方法及系统。文丘里管测量高含气率的油气多相流的准确度相对有限,需要其它的传感器进行辅助测量。电容层析成像能测量油气多相流的流型和截面含气率,然而其只能提供流体截面的信息,很难为文丘里管的传统半经验测量模型提供实时可用的信息。本申请提供了一种多相流流量检测方法,所述方法包括如下步骤:1)采集多相流的流动信号;2)获取大量的多相流数据样本训练深度学习模型;3)将所述流动信号输入所述深度学习模型得到多相流中各相流量。基于文丘里管和ECT结合深度学习的方法可以在线测量油气多相流中的油相流量和气相流量,提高其测量准确度。
Description
技术领域
本申请属于流量测量技术领域,特别是涉及一种多相流流量检测方法及系统。
背景技术
在石油化工行业,广泛存在着油气多相流这种现象。油气多相流是一个具有多参数多变量的复杂随机过程,想要准确地测量油气多相流的流量存在着诸多难点,主要体现在流量不稳定、特征参数多、复杂的流型特征且可能随时发生变化和混合流体的物理性质变化复杂等等。
在测量油田多相流的流量中,大部分使用的方法是传统的分离方法。先让气液相混合物经过长时间沉淀分离成单相流,然后采用单相流量计来直接进行计量。这种分离方法存在需要计量的时间周期长而导致无法实时获取油田的数据信息、分离过程流程复杂和分离罐占用空间大等弊端。
关于实时在线测量油气多相流,差压法已被广泛使用。文丘里管通过收集其收缩段和扩张段的差压信号来测量单相流量,然而文丘里管能采集到的油气多相流的流动信号有限,进而导致其测量高含气率的油气多相流的准确度相对有限,需要其它的传感器进行辅助测量。其中电容层析成像(Electrical Capacitance Tomography,ECT)能测量油气多相流的流型和截面含气率,然而其只能提供流体截面的信息,很难为文丘里管的传统半经验测量模型提供实时可用的信息。
发明内容
1.要解决的技术问题
基于实时在线测量油气多相流,差压法已被广泛使用。文丘里管通过收集其收缩段和扩张段的差压信号来测量单相流量,然而文丘里管能采集到的油气多相流的流动信号有限,进而导致其测量高含气率的油气多相流的准确度相对有限,需要其它的传感器进行辅助测量。其中电容层析成像(Electrical Capacitance Tomography,ECT)能测量油气多相流的流型和截面含气率,然而其只能提供流体截面的信息,很难为文丘里管的传统半经验测量模型提供实时可用的信息。针对上述问题,本申请提供了一种多相流流量检测方法及系统。
2.技术方案
为了达到上述的目的,本申请提供了一种多相流流量检测方法,所述方法包括如下步骤:1)采集多相流的流动信号;2)获取大量的多相流数据样本训练深度学习模型;3)将所述流动信号输入所述深度学习模型得到多相流中各相流量。
本申请提供的另一种实施方式为:所述流动信号包括油相流动信号和气相流动信号,所述流动信号采用文丘里管和电容层析成像传感器进行采集,所述文丘里管采集管道压力时间序列信号、第一压差ΔP1时间序列信号和第二压差ΔP2时间序列信号,所述电容层析成像传感器采集电容值的时间序列信号。
本申请提供的另一种实施方式为:所述深度学习模型包括一维卷积神经网络、双卷积神经网络和卷积神经网络-长短时记忆网络。
本申请提供的另一种实施方式为:将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号和所述第二压差ΔP2时间序列信号输入所述一维卷积神经网络在线测量油气多相流中的油相流量和气相流量。
本申请提供的另一种实施方式为:将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号、所述第二压差ΔP2时间序列信号和电容值的时间序列信号输入端到端的双卷积神经网络在线测量油气多相流中的油相流量和气相流量。
本申请提供的另一种实施方式为:将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号、所述第二压差ΔP2时间序列信号和电容值的时间序列信号输入端到端的卷积神经网络-长短时记忆网络在线测量油气多相流中的油相流量和气相流量。
本申请提供的另一种实施方式为:所述一维卷积神经网络依次包括一维卷积层、一维池化层和全连接层,所述双卷积神经网络依次包括一维卷积层,一维池化层、拼接层和全连接层,所述卷积神经网络-长短时记忆网络依次包括一维卷积层,一维池化层、高维矩阵转置、长短时记忆网络层和全连接层。
本申请提供的另一种实施方式为:所述时间序列信号长度为5分钟。
本申请还提供一种多相流流量检测系统,包括依次设置于管道上的电容层析成像传感器和文丘里管,所述电容层析成像传感器中设置有现场可编程门阵列数据采集处理器,所述文丘里管中设置有现场可编程门阵列数据采集处理器,所述电容层析成像传感器与深度学习模型通信连接,所述文丘里管与所述深度学习模型通信连接。
本申请提供的另一种实施方式为:所述文丘里管采样频率为8Hz,所述电容层析成像传感器采样频率为8Hz,所述文丘里管和所述电容层析成像传感器以同时采集油气多相流的流动信号,按相同的时间戳对齐采集的信号。
3.有益效果
与现有技术相比,本申请提供的多相流流量检测方法及系统的有益效果在于:
本申请提供的多相流流量检测方法,为一种基于深度学习在线测量油气多相流流量的检测方法。
本申请提供的多相流流量检测方法,为一种基于ECT和文丘里管采集的时间序列信号结合端到端的CNN-LSTM(卷积神经网络,Convolutional Neural Network;长短时记忆网络,Long Short Term Memory Network)在线测量油气多相流中的油相流量和气相流量的检测方法。
本申请提供的多相流流量检测方法,基于文丘里管和ECT结合深度学习的方法可以在线测量油气多相流中的油相流量和气相流量,提高其测量准确度,其中油相流量的平均相对误差是1.42%,气相流量的平均相对误差是0.91%,达到了工业使用的标准。
附图说明
图1为本申请的多相流流量检测系统原理示意图;
图2为本申请的文丘里管结构示意图;
图3为本申请的电容层析成像传感器结构示意图;
图4为本申请的电容层析成像传感器采集信号示意图一;
图5为本申请的电容层析成像传感器采集信号示意图二;
图6为本申请的文丘里管采集信号示意图一;
图7为本申请的文丘里管采集信号示意图二;
图8为本申请的一维卷积神经网络测量模型示意图;
图9为本申请的双卷积神经网络测量模型示意图;
图10为本申请的卷积神经网络-长短时记忆网络测量模型示意图;
图11为本申请的三种测量模型结果对比示意图一;
图12为本申请的三种测量模型结果对比示意图二。
具体实施方式
在下文中,将参考附图对本申请的具体实施例进行详细地描述,依照这些详细的描述,所属领域技术人员能够清楚地理解本申请,并能够实施本申请。在不违背本申请原理的情况下,各个不同的实施例中的特征可以进行组合以获得新的实施方式,或者替代某些实施例中的某些特征,获得其它优选的实施方式。
参见图1~12,本申请提供一种多相流流量检测方法,所述方法包括如下步骤:1)采集多相流的流动信号;2)获取大量的多相流数据样本训练深度学习模型;3)将所述流动信号输入所述深度学习模型得到多相流中各相流量。
这里的多相流数据样本通过多相流动态实验来获取。设置气相管路和油相管路的电动阀门开度随机自动调节(时间间隔随机选取2分钟、3分钟、4分钟或5分钟的其中一个),使气相在50到260Nm3/h之间自动改变流量,油相在0到6m3/h之间自动改变流量。其中每一个油相和气相的流量标签是采用每5分钟时间的累积平均流量,这样每一个样本相对应的文丘里管和ECT的每一维特征信号都是时间序列为5分钟的长度。
本申请提出的在线测量油气多相流中的油相流量和气相流量的信号采集装置包括电容层析成像(Electrical Capacitance Tomography,ECT)和文丘里管,且巧妙地设计了ECT和文丘里管的组件连接方式。本申请提出的具体方法是基于ECT和文丘里管采集的时间序列信号结合端到端的CNN-LSTM(卷积神经网络,Convolutional Neural Network;长短时记忆网络,Long Short TermMemory Network)在线测量油气多相流中的油相流量和气相流量。
进一步地,所述流动信号包括油相流动信号和气相流动信号,所述流动信号采用文丘里管和电容层析成像传感器进行采集,所述文丘里管采集管道压力时间序列信号、第一压差ΔP1时间序列信号和第二压差ΔP2时间序列信号,所述电容层析成像传感器采集28对电容值的时间序列信号。
如图2所示,文丘里管按照ISO标准制造,管径为52毫米,喉道直径为26毫米。图6为本申请的文丘里管采集的第一压差ΔP1和第二压差ΔP2时间序列信号示例图;图7为本申请的文丘里管采集的管道压力时间序列信号示例图。
如图3所示,电容层析成像传感器电极片数为8片;图4为本申请的ECT传感器采集的1号和2号电极板间的电容值时间序列信号示例图;图5为本申请的ECT传感器采集的1号和3号电极板间的电容值时间序列信号示例图。
进一步地,所述深度学习模型包括一维卷积神经网络、双卷积神经网络和卷积神经网络-长短时记忆网络。
进一步地,将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号和所述第二压差ΔP2时间序列信号输入所述一维卷积神经网络在线测量油气多相流中的油相流量和气相流量。
图8为本申请使用文丘里管采集的第一压差ΔP1、第二压差ΔP2和管道压力的时间序列信号结合一维卷积神经网络在线测量油气多相流中的油相流量和气相流量的测量模型图。
使用一维卷积神经网络、一维池化层、SeLU激活函数和全连接层来拟合下面两个式子计算使用文丘里管采集的第一压差ΔP1、第二压差ΔP2和管道压力的时间序列信号结合一维卷积神经网络在线测量油气多相流中的油相流量和气相流量的高维非线性函数:
进一步地,将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号、所述第二压差ΔP2时间序列信号和电容值的时间序列信号输入端到端的双卷积神经网络在线测量油气多相流中的油相流量和气相流量。
图9为本申请基于ECT和文丘里管采集的时间序列信号结合端到端的双卷积神经网络在线测量油气多相流中的油相流量和气相流量的测量模型图。
使用一维卷积神经网络、一维池化层、SeLU激活函数和全连接层来拟合下面两个式子计算使用基于ECT和文丘里管采集的时间序列信号结合端到端的双卷积神经网络在线测量油气多相流中的油相流量和气相流量的高维非线性函数:
其中是电极对(i,j)的电容值,i=1,2,…,7;j=i+1,…,8,是文丘里管收敛段的差压时间序列信号,是文丘里管扩张段的差压时间序列信号,是管道压力,foil是多相流中油相的体积流量,fgas是多相流中气相的体积流量。
进一步地,将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号、所述第二压差ΔP2时间序列信号和电容值的时间序列信号输入端到端的卷积神经网络-长短时记忆网络在线测量油气多相流中的油相流量和气相流量。
图10为本申请基于ECT和文丘里管采集的时间序列信号结合端到端的CNN-LSTM在线测量油气多相流中的油相流量和气相流量的测量模型图。
图11和图12为本申请的三种测量模型检测油气多相流中的油相流量测试样本集的结果对比图。
使用一维卷积神经网络、LSTM、一维池化层、SeLU激活函数和全连接层来拟合下面两个式子计算使用基于ECT和文丘里管采集的时间序列信号结合端到端的CNN-LSTM在线测量油气多相流中的油相流量和气相流量的高维非线性函数:
进一步地,所述一维卷积神经网络依次包括一维卷积层、一维池化层和全连接层,所述双卷积神经网络依次包括一维卷积层,一维池化层、拼接层和全连接层,所述卷积神经网络-长短时记忆网络依次包括一维卷积层,一维池化层、高维矩阵转置、长短时记忆网络层和全连接层。
进一步地,所述时间序列信号长度为5分钟。
本申请还提供一种多相流流量检测系统,包括依次设置于管道上的电容层析成像传感器和文丘里管,所述电容层析成像传感器中设置有现场可编程门阵列数据采集处理器,所述文丘里管中设置有现场可编程门阵列数据采集处理器,所述电容层析成像传感器与深度学习模型通信连接,所述文丘里管与所述深度学习模型通信连接。使用文丘里管和ECT来采集多相流的流动信号,将ECT放在前半段,文丘里管放在后半段,且将两者沿着管道紧靠在一起安装,结合FGPA数据采集处理器采集多相流的流动信号来在线测量油气多相流中的油相流量和气相流量。
进一步地,所述文丘里管采样频率为8Hz,所述电容层析成像传感器采样频率为8Hz,所述文丘里管和所述电容层析成像传感器以同时采集油气多相流的流动信号,按相同的时间戳对齐采集的信号。
实施例
首先使用文丘里管和ECT传感器来采集油气多相流的流动信号,具体的实验设备如图1至图3的所示。对于油相流量来说,通过离心泵将油从三相分离罐中抽出,通过电动阀门控制油相流量大小,通过单相流量计测量油相的体积流量。对于气相流量来说,通过空气压缩机将空气压缩,通过电动阀门空气气相流量大小,通过单相流量计测量气相的体积流量。
油相和气相流量通过两个独立的油相管道和气相管道汇合后形成油气多相流,然后依次通过ECT传感器和文丘里管,这两个传感器通过法兰连接在一起,可以同时采集油气多相流的流动信号,包括温度、压力、第一压差ΔP1、第二压差ΔP2和ECT传感器信号,按相同的时间戳来对齐采集到的信号。
设置气相管路和油相管路的电动阀门开度随机自动调节(时间间隔随机选取2分钟、3分钟、4分钟或5分钟的其中一个),使气相在50到260Nm3/h之间自动改变流量,油相在0到6m3/h之间自动改变流量。可以结合图6和图7来看,当气相管路和油相管路的电动阀门开度发生变化后,文丘里管采集的差压信号值就会有发生变化,如图中的波形发生骤降所示,通过这种动态实验,就可以采集大量不同的训练样本,为训练后面的深度学习测量模型做准备。因为本实验中的油气多相流流经标准的单相流量计到ECT传感器和文丘里管会通过一定长度的管路,需要采用累积平均流量的方式来做,可以使用1分钟、2分钟、3分钟、4分钟和5分钟等不同的累积平均流量作为一个样本,这样的时间间隔也能满足油气多相流在线测量的时间要求。在本技术方案中采用的是5分钟的时间长度为一个样本,其中文丘里管和电容层析成像传感器的采样频率均设置为相同的8Hz,所以一个样本的一维时间序列长度就是2400,采集的信时间序列信号如图4至图7所示。
使用文丘里管采集的第一压差ΔP1、第二压差ΔP2和管道压力的时间序列信号结合一维卷积神经网络在线测量油气多相流中的油相流量和气相流量,其测量模型如图8所示,模型结构依次包括一维卷积层,一维池化层和全连接层等,具体的连接方式和结构设计如图8所示。首先,由于3种信号是具有不同的量纲,这样会对深度学习模型的训练造成收敛困难,所以第一步需要对其进行标准化,然后再输入测量模型,测量得到油相流量或气相流量。
使用基于ECT传感器和文丘里管采集的时间序列信号结合端到端的双卷积神经网络在线测量油气多相流中的油相流量和气相流量,其测量模型如图9所示,模型结构依次包括一维卷积层,一维池化层、拼接层和全连接层等,具体的连接方式和结构设计如图9所示。因为单纯地采用文丘里管采集的信号来测量油气多相流的精度不高,所以把ECT采集的信号也一同引入进来,然后二者的信号如何联合使用是一个难点,本申请提出了采用基于深度学习的方法来做。另外,也需要对采集的信号进行标准化。如图11和图12的测试结果所示,本申请提出的这种方法可以显著提高油气多相流的在线测量。
使用基于ECT传感器和文丘里管采集的时间序列信号结合端到端的CNN-LSTM在线测量油气多相流中的油相流量和气相流量,其测量模型如图10所示,模型结构依次包括一维卷积层,一维池化层、高维矩阵转置、LSTM层和全连接层等,具体的连接方式和结构设计如图10所示,这也是本申请的重点。因为本技术方案采用的是累积平均流量的方法来做,采集的信号都是时间序列似的,CNN只能提取特征短距离间的融合信息,而LSTM能在CNN提取的特征短距离间的关联信息后,进一步地提取特征长距离间的关联信息,因此本申请提出了基于ECT和文丘里管采集的时间序列信号结合端到端的CNN-LSTM在线测量油气多相流。如图11和图12的测试结果所示,这种方法比前两种方法的效果更好。
尽管在上文中参考特定的实施例对本申请进行了描述,但是所属领域技术人员应当理解,在本申请公开的原理和范围内,可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定,并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种多相流流量检测方法,其特征在于:所述方法包括如下步骤:
1)采集多相流的流动信号;
2)获取大量的多相流数据样本训练深度学习模型;
3)将所述流动信号输入所述深度学习模型得到多相流中各相流量。
2.如权利要求1所述的方法,其特征在于:所述流动信号包括油相流动信号和气相流动信号,所述流动信号采用文丘里管和电容层析成像传感器进行采集,所述文丘里管采集管道压力时间序列信号、第一压差ΔP1时间序列信号和第二压差ΔP2时间序列信号,所述电容层析成像传感器采集电容值的时间序列信号。
3.如权利要求2所述的方法,其特征在于:所述深度学习模型包括一维卷积神经网络、双卷积神经网络和卷积神经网络-长短时记忆网络。
4.如权利要求3所述的方法,其特征在于:将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号和所述第二压差ΔP2时间序列信号输入所述一维卷积神经网络在线测量油气多相流中的油相流量和气相流量。
5.如权利要求3所述的方法,其特征在于:将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号、所述第二压差ΔP2时间序列信号和电容值的时间序列信号输入端到端的双卷积神经网络在线测量油气多相流中的油相流量和气相流量。
6.如权利要求3所述的方法,其特征在于:将所述管道压力时间序列信号、所述第一压差ΔP1时间序列信号、所述第二压差ΔP2时间序列信号和电容值的时间序列信号输入端到端的卷积神经网络-长短时记忆网络在线测量油气多相流中的油相流量和气相流量。
7.如权利要求6所述的方法,其特征在于:所述一维卷积神经网络依次包括一维卷积层、一维池化层和全连接层,所述双卷积神经网络依次包括一维卷积层,一维池化层、拼接层和全连接层,所述卷积神经网络-长短时记忆网络依次包括一维卷积层,一维池化层、高维矩阵转置、长短时记忆网络层和全连接层。
8.如权利要求2~7中任一项所述的方法,其特征在于:所述时间序列信号长度为5分钟。
9.一种多相流流量检测系统,其特征在于:包括依次设置于管道上的电容层析成像传感器和文丘里管,所述电容层析成像传感器中设置有现场可编程门阵列数据采集处理器,所述文丘里管中设置有现场可编程门阵列数据采集处理器,所述电容层析成像传感器与深度学习模型通信连接,所述文丘里管与所述深度学习模型通信连接。
10.如权利要求9所述的系统,其特征在于:所述文丘里管采样频率为8赫兹,所述电容层析成像传感器采样频率为8赫兹,所述文丘里管和所述电容层析成像传感器以同时采集油气多相流的流动信号,按相同的时间戳对齐采集的信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367036.3A CN113124949A (zh) | 2021-04-06 | 2021-04-06 | 一种多相流流量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367036.3A CN113124949A (zh) | 2021-04-06 | 2021-04-06 | 一种多相流流量检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113124949A true CN113124949A (zh) | 2021-07-16 |
Family
ID=76774989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367036.3A Pending CN113124949A (zh) | 2021-04-06 | 2021-04-06 | 一种多相流流量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113124949A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794975A (zh) * | 2022-12-20 | 2023-09-22 | 维都利阀门有限公司 | 电动蝶阀的智能控制方法及其系统 |
CN117759608B (zh) * | 2024-02-22 | 2024-05-17 | 青岛哈尔滨工程大学创新发展中心 | 一种潜器液压故障监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119481A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度学习的网络流量分类方法、系统及电子设备 |
CN111460625A (zh) * | 2020-03-11 | 2020-07-28 | 清华大学深圳国际研究生院 | 一种多相流量在线实时计量人工智能模型构建方法 |
CN111537032A (zh) * | 2020-03-26 | 2020-08-14 | 清华大学深圳国际研究生院 | 一种油气两相流参数测定装置及方法 |
CN111707579A (zh) * | 2020-06-03 | 2020-09-25 | 清华大学深圳国际研究生院 | 一种油气两相流流型热力图可视化方法及参数测量方法 |
CN112392460A (zh) * | 2020-11-24 | 2021-02-23 | 深圳市联恒星科技有限公司 | 一种针对小流量的油-气-水多相流检测方法及系统 |
-
2021
- 2021-04-06 CN CN202110367036.3A patent/CN113124949A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119481A1 (zh) * | 2018-12-11 | 2020-06-18 | 深圳先进技术研究院 | 一种基于深度学习的网络流量分类方法、系统及电子设备 |
CN111460625A (zh) * | 2020-03-11 | 2020-07-28 | 清华大学深圳国际研究生院 | 一种多相流量在线实时计量人工智能模型构建方法 |
CN111537032A (zh) * | 2020-03-26 | 2020-08-14 | 清华大学深圳国际研究生院 | 一种油气两相流参数测定装置及方法 |
CN111707579A (zh) * | 2020-06-03 | 2020-09-25 | 清华大学深圳国际研究生院 | 一种油气两相流流型热力图可视化方法及参数测量方法 |
CN112392460A (zh) * | 2020-11-24 | 2021-02-23 | 深圳市联恒星科技有限公司 | 一种针对小流量的油-气-水多相流检测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794975A (zh) * | 2022-12-20 | 2023-09-22 | 维都利阀门有限公司 | 电动蝶阀的智能控制方法及其系统 |
CN116794975B (zh) * | 2022-12-20 | 2024-02-02 | 维都利阀门有限公司 | 电动蝶阀的智能控制方法及其系统 |
CN117759608B (zh) * | 2024-02-22 | 2024-05-17 | 青岛哈尔滨工程大学创新发展中心 | 一种潜器液压故障监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bourdet et al. | Use of pressure derivative in well-test interpretation | |
CN102768229B (zh) | 双阵列式电容传感器及其气固两相流检测方法 | |
CN102305645B (zh) | 一种气液两相流测量装置 | |
CN106814018A (zh) | 一种致密岩石气相相对渗透率测量装置及方法 | |
CN206410978U (zh) | 一种致密岩石气相相对渗透率测量装置 | |
CN110514257B (zh) | 一种基于文丘里的低含液率湿气两相流量测量装置及方法 | |
CN102116755B (zh) | 基于多截面阻抗式长腰内锥及相关测速的多相流测量方法 | |
CN104535316B (zh) | 一种动压式油气分离器进出口两相比率检测装置 | |
CN102116754A (zh) | 基于双截面阻抗式长腰内锥传感器的多相流测量方法 | |
CN105486358B (zh) | 基于文丘里管双差压的气液两相流参数测量方法 | |
CN104266702A (zh) | 多相湿气流流量与相含率在线测量方法及装置 | |
CN107153086A (zh) | 两相流过程参数的声电双模态融合测量方法 | |
CN104405374A (zh) | 一种致密气藏储层应力敏感性的测量方法 | |
CN109506729A (zh) | 一种气液两相流参数在线检测方法及装置 | |
CN104049001B (zh) | 基于频率复杂网络的垂直油水相含率测量及验证方法 | |
CN102147381A (zh) | 双截面阻抗式长腰内锥传感器及多相流测量装置 | |
CN101666770A (zh) | 低含气率原油测量装置及方法 | |
CN113124949A (zh) | 一种多相流流量检测方法及系统 | |
CN206945063U (zh) | 一种用于两相流检测的长喉颈文丘里管及检测装置 | |
CN110411521B (zh) | 一种基于双喷嘴的油井多相流分相含率在线计量方法 | |
CN102147383A (zh) | 多截面阻抗式长腰内锥传感器及多相流测量装置 | |
CN110186521A (zh) | 基于小波脊特征提取的涡街湿气过读补偿与流量测量方法 | |
CN114577967B (zh) | 基于人工神经网络和差谱的中药复方样品色谱分析方法 | |
CN103924961A (zh) | 油井油气水三相自动计量系统 | |
CN102147382B (zh) | 基于多截面阻抗式双差压长腰内锥的多相流测量方法 |
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 |