[发明专利]一种基于深度学习的石油工业多相流流型识别方法

说明书

本发明特别涉及一种基于深度学习的石油工业多相流流型识别方法。该基于深度学习的石油工业多相流流型识别方法，使用高速照相机或高速摄影机，透过透明管段或透明窗口拍摄流体流动状态，获取流体图像；对获取的流体图像人工标记流型种类；对流体图像进行数据增强；搭建深度卷积神经网络模型并对其进行训练；读取训练好的深度卷积神经网络模型文件，将未标记的流型图像输入深度卷积神经网络模型即可得到流型种类。该基于深度学习的石油工业多相流流型识别方法，用深度学习算法对流型种类进行初步筛选，然后确定流型种类，极大地提高了流型识别的效率和准确度，能够快速精确的识别流型的种类。

技术领域

本发明涉及深度学习技术领域，特别涉及一种基于深度学习的石油工业多相流流型识别方法。

背景技术

流型划分的研究是多相流学科、传热特性研究的基础课题，广泛应用于石油工业的油气井压力控制、工况分析、渗流理论、集输设计等。流型并没有定量的描述，但却是决定不同机理下传热与流动的计算依据。

比起单相流动，多相流的流动特性更加复杂，存在界面效应和相对速度。水平管道中的流动由于重力的影响，流型复杂，有泡状流、分层流、段塞流、环状流等。垂直管中则存在泡状流、块状流、段塞流和环状流。石油工业中，对于油水两相流，流型可分为分离流型和分散流型；对于更为普遍的油气水三相流，流型多达16种。界面相份额、传热传质率、结构传播速度、界面的稳定性、气液多相流的压降等都和流型关系紧密，不同流型对流动参数的测量影响很大。因此，多相流研究需要以流型识别为基础。

确定流型的方法主要有两种测量方法：

(1)直接测量法：根据流动形式直接确定流型，包括目测法与高速摄影法。直接测量法较简便，但受观测者主观判断影响。

(2)间接测量法：根据不同流型下局部流动参数波动规律确定流型。缺点在于某些工况的误判可能性大。

流型识别方法可分为三类：

(1)传统的识别方法，包括实验法作流型图以及利用现场的流动参数，受主观因素和流型多样性限制。

(2)利用概率密度函数和功率谱密度函数识别流型。

(3)利用分形理论识别流型。

上述方法分别存在各自的局限性。近年来，随着深度学习的发展，基于深度学习方法的识别技术在各行各业得到广泛应用。将深度学习与识别技术结合可以大大提升识别的准确率并减少人的作业量。

Hinton等人于2006年提出深度学习以及模型训练方法的改进，此概念源于人工神经网络的研究，是机器学习中一个新的领域。

多层人工神经网络模型有很强的特征学习能力，深度学习模型学习得到的特征数据极好地表征了原始数据，因此适用于分类和可视化问题。对于深度神经网络很难训练达到最优的问题，可以采用逐层训练方法解决，把上层训练好的结果作为下层训练过程中的初始化参数。

深度学习可以通过学习一种深层非线性网络结构，从少数样本集中学习数据集本质特征，表征输入数据，实现复杂函数逼近。CNN模型是卷积神经网络，属于深度学习的一种，常用于图像识别。

基于上述情况，本发明提出了一种基于深度学习的石油工业多相流流型识别方法。

发明内容

本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于深度学习的石油工业多相流流型识别方法。

本发明是通过如下技术方案实现的：

一种基于深度学习的石油工业多相流流型识别方法，其特征在于，包括以下步骤：

步骤一：通过设置流体控制系统，控制气液、油水两相流和油气水三相流获取7种典型流型，使用高速照相机或高速摄影机，透过透明管段或透明窗口拍摄流体流动状态，获取流体图像；