[发明专利]一种油气两相流流型热力图可视化方法及参数测量方法

说明书

本申请提出了一种油气两相流流型热力图可视化方法及参数测量方法。通过文丘里管上游和下游两个8电极电容层析成像(ECT)传感器获得52种工况下的电容数据，并通过图像重建算法得到52种工况下的流型图。通过CNN模型获取流型图特征向量，使用Grad‑CAM模型得到基于CNN模型的流型热力图；通过热力图热点位置分布得到CNN模型流型识别的重点识别流型区域。设计了ECT注意力反向映射算法(EARM)，根据流型热力图的热点分布规律与ECT图像重建原理之间的关系,得到基于流型热力图热点区域的有效电容数据。根据有效电容数据预测油气两相流参数。通过对照组实验证明了EARM算法提取出的有效电容值是正确且有效的。

技术领域

本申请属于流量测量技术领域，特别是涉及一种油气两相流流型热力图可视化方法及参数测量方法。

背景技术

油气两相流在石油工业中广泛存在，近年来，油气两相流的各项参数被广泛研究，油气两相流参数的正确测量对石油的合理安全开采有着重要的意义。流型是油气两相流的一项重要参数，它不仅影响两相流的流动形态、传热和传质性能，并且对油气两相流其他参数的准确测量有着深远的影响。当前的油气两相流测量方法仅仅是使用神经网络模型进行流型识别和流量预测，并没有探究神经网络与电容层析成像(ECT)图像重建算法相关物理含义之间的联系，缺乏神经网络流型识别的可解释性。

在图像分类、目标检测、语义分割等各个领域，卷积神经网络及其它深度神经网络已经突显了其优越的性能。提高神经网络的可解释性一直被广泛关注并成为当前的研究热点。可视化方法是基于数据的可解释性分析中应用最广泛的方法。可视化方法主要通过可视化工具将数据中的重要部分进行标注，将神经网络学习过程与原始的测量数据相结合，从而使我们更加清晰地理解深度学习的学习过程。热力图是一种常用的可视化方法，其使得人们对神经网络的内在机理有了更加直接的理解。

当前在油气两相流研究中，缺少对神经网络在油气两相流应用中可解释性的探究，同时通过神经网络预测油气两相流参数的准确度较低。

发明内容

1.要解决的技术问题

基于当前在油气两相流研究中，缺少对神经网络在油气两相流应用中可解释性的探究，同时通过神经网络预测油气两相流参数的准确度较低的问题。针对上述问题，本申请提供了一种油气两相流流型热力图可视化方法及参数测量方法。

2.技术方案

为了达到上述的目的，本申请提供了一种油气两相流流型热力图可视化方法，所述方法包括如下步骤：

1)设计实验方案，设定不同的实验工况，使用文丘里管上游和下游电容层析成像传感器采集每种工况下固定时长的第一电容数据和第二电容数据，并用油相流量计和气体流量计测量油气两相流的各相流量；

2)对所述第一电容数据和第二电容数据进行归一化处理，然后进行图像重建；

3)建立卷积神经网络模型，分别对文丘里管上游和下游的油气两相流流型图进行特征提取；

4)通过加权梯度类激活映射模型得到卷积神经网络流型识别的热力图，确定卷积神经网络流型识别的主要识别区域。

本申请提供的另一种实施方式为：所述步骤2)中采用线性投影算法进行图像重建。

本申请提供的另一种实施方式为：所述步骤3)中所述卷积神经网络模型为inception-v3模型，模型的输入为流型图，在模型中间层提取特征向量，作为加权梯度类激活映射模型的输入。

本申请提供的另一种实施方式为：所述步骤3)中所述卷积神经网络模型中采用MSE回归作为损失函数。

本申请提供的另一种实施方式为：所述步骤4)中将所述热力图缩放到流型图尺寸大小。

本申请还提供一种油气两相流流型热力图参数测量方法，所述方法包括如下步骤：