基于BP神经网络的气液两相流分相流量测量

引言

气液两相流流经槽式孔板时所产生差压信号的特征参数能够反映气液流量的变化，但目前无法得到这些特征参数与气液流量之间的理论关系。本文采用压力、温度和差压均值的平方根、标准差和(0,2)Hz频段功率等参数经主成分分析后作为三层BP网络的输入，气液标准体积流量为网络输出，确定了最优的网络结构。训练后的网络能够在实验范围内，使气液相流量预报平均相对误差低于5%，为流量计计量算法的开发提供了一条可行的途径。

01

特征向量确定和样本集形成

一、确定特征向量

考虑到压力和温度对差压信号特征与气液流量之间关系的影响，特征向量确定为孔板前压力平均值、流体温度平均值、上下游孔板两侧差压信号平均值的平方根、标准差、(0,2)Hz频段功率，共有8个参数。差压特征参数能够充分地描述差压信号稳态和波动特征，压力温度作为差压特征参数到气液流量映射关系的修正参数，与差压式流量计测量单相流体流量思路一致。

二、形成样本集

在样本集输入网络之前，先对输入量和目标输出量分别进行归一化处理，后对输入量进行主成分分析，消除不同参数间的相关性，降低输入向量的维数，精简网络的结构。为了得到合理的网络模型，需要将样本集分成三部分，1/4用于检验(检验样本)，1/4用于测试(测试样本)，其余用于训练网络(训练样本)，采用等间隔的方式从样本集中取出。

02

确定BP网络结构和参数

神经网络理论已经证明一个三层的BP网络可以完成任意的n维到m维的映照。据此，本文选用三层BP网络，隐含层激活函数采用正切Sigmoid函数，输出层采用线性函数，网络训练采用L-M训练方法。BP网络隐含层神经元的数目参考下式确定。

式中，m为输出层神经元数，n为输入层神经元数，a为（1,10）内的常数。

为了能够定量和定性评估网络的性能，所采用误差标准为平均相对误差（MRE）、平均绝对误差（MAE）和均方根误差（RMSE），以上误差标准评估预报值的总体平均精度，指标P统计预报值满足一定误差要求的比例。

特征向量经主成分分析后得到的网络输入向量维数为6，网络输出为气液标准体积流量，维数为2，按照公式（1）n=6，m=2，3n，分别对网络进行反复训练测试，选择误差指标与最优值之间差别最小时的n1。综合考虑，隐含层神经元个数n1取为6。从而获得预报气液分相流量的三层BP网络模型。

03

网络训练测试结果

上文确定了具有最简结构和最优性能的网络模型，然后将训练样本和测试样本分别输入网络，图1是对测试样本预报的相对误差分布情况。

由图1中的指标统计可知网络测试效果：网络对气体标准体积流量的预报MRE和RMSE分别为2%和2.%，比训练样本的MRE和RMSE稍大，93.55%的测试样本

RE

=5%，比训练样本的P较小；对液体流量的预报MRE和RMSE分别为3.%和4.%，比训练样本的MRE和RMSE大，接近训练样本MRE和RMSE的两倍，但是观察MAE的大小，相对于实际的流量范围，误差可以接受，80.65%的测试样本

RE

=5%，比训练样本的P较小。可见所建立的网络能够有效的逼近训练样本所蕴含的规律。

结论

针对低含液率的气液两相流工况进行了实验，应用测量数据建立了用于测量气液分相流量的BP网络模型，通过对网络性能的分析得到以下结论：

（1）压力、温度和差压特征参数（平均值的平方根、标准差和(0,2)Hz功率）组成的特征向量能够较好地描述气液标准体积流量的变化，为BP网络映射它们之间的关系提供了基础。

（2）经验公式确定了隐含层神经元个数的范围，利用L-M训练算法，结合提早停止训练策略，分别训练具有不同隐含层神经元个数的网络，应用多种误差标准对网络的训练测试性能进行评价，得到了具有精简结构和最优性能的网络模型6×6×2。

（3）应用所提出的方法测量气液分相流量，对气体测量平均相对误差低于3%，均方根误差低于4%；对液体分别是4%和5%。

上述方法为低含液率的凝析天然气流量计计量算法的开发提供了一条可行的途径，但为了彻底解决压力较高和气液流量较小时，气液流量的预报精度偏低的问题，还需要对气液两相流体在不同压力条件下相互作用的机理以及与流量相关信号的特征提取技术进行更深入的研究。

参考文献

[1]邢兰昌,耿艳峰.基于BP神经网络的气液两相流分相流量测量[J].电子测量与仪器学报,,21(04):-.

[2]耿艳峰,冯叔初,郑金吾,关丹庆,吕勇杰.凝析天然气计量技术[J].自动化仪表..Vol.26(8).

[3]邢兰昌,耿艳峰,石岗.槽式孔板的气液两相流测量特性[J].传感技术学报..Vol.19(3).

转载请注明：http://www.dd-wedding.com/bytt/72596.html