虚拟多相流计量和砂检测 |
|||||||
| 申请号 | CN201580036015.6 | 申请日 | 2015-06-30 | 公开(公告)号 | CN106537136A | 公开(公告)日 | 2017-03-22 |
| 申请人 | 沙特阿拉伯石油公司; | 发明人 | 塔尔哈·贾迈勒·艾哈迈德; 迈克尔·约翰·布莱克; 穆罕默德·纳比尔·努依-梅希蒂; | ||||
| 摘要 | 执行虚拟和非侵入性多相计量,用以识别 碳 氢化合物和其它 流体 的 多相流 态、流率、砂存在和其它多相流参数。无源声学检测器系统以声发射 信号 的形式接收声学流信息，并且 数据处理 器处理和分类声学模式。使用了统计 信号处理 方法。使用包括隐 马 尔可夫模型和 人工神经网络 的 人工智能 方法以及自动学习过程来为各种流态和流模式提供 声学模型 。该计量可以用于井下、顶侧和地面应用。 | ||||||
| 权利要求 | 1.一种用于确定流管道中的流体的多相流的流参数的设备，包括： |
||||||
| 说明书全文 | 虚拟多相流计量和砂检测技术领域背景技术[0002] 两相或更多相的同时流动被称为多相流。多相流的流动行为比单相流的流动行为复杂得多，并且多相流中的流态或流型取决于许多因素，包括：一种流体与另一种流体的相对密度比、流体之间的粘度差以及每种流体的速度(滑移)。术语“流体流动”可以包括油、水、气体和固体(砂)。为优化生产并确定井眼中是否产生了砂，对碳氢化合物流态中的多相流参数和流体中砂的存在的测量是非常重要的。 [0003] 已经提出了用于非侵入性地测量多相流参数的许多方法。这些参数包括流态、流率、固体成分的存在、各个相的体积比和质量比。已经通过在流体中发送声学/超声频率并分析接收到的声学响应的有源系统实现了一种这样的方法，比如，美国专利No.6,672,131和美国专利No.7,775,125。 [0004] 美国专利No.5,415,048实现了非侵入性振动响应和流动耦合压力测量的组合以确定流。此外，美国专利No.5,415,048结合压差测量使用了管的特征声频和振幅变化，以获得总质量流率和每个相的质量流率。美国专利No.6,575,043通过在管道的壁中产生声波来描述流动的特性。测量并分析完全在壁内传播的各种声波模式的衰减以确定流中的相的分布。美国专利No.6,412,352使用附接到承载多相流体的管的加速度计。分析由加速度计产生的信号以实现多相流的质量流率的非侵入式测量。 [0005] 美国专利No.7,562,584涉及一种基于对1Hz至15KHz的频率范围内的多相流的声学特征的机械放大和分析的非侵入性和无源的流体流动测量系统。此外，可以确定定量流动数据和定性数据(比如，警报和状态的变化)，并将其无线地传输至远程位置。美国专利No.5,353,627还利用完全无源的声学检测器装置来确定封闭管线系统中的流态。检测到的声学模式被放大并与已知模式进行比较，以根据其声学指纹来识别流态。分析的频率范围是小于25KHz。 [0006] 利用声发射来识别各种流态和固体成分的存在的非侵入性方法使用了来自流声学数据的各种参数(比如，信号中的信号振幅、rms值、能量和基频成分)，并且使用了阈值和/或模板匹配技术。这种方法所面临的挑战之一是系统中存在连续和随机的背景声电噪声以及声发射信号的非常低的信噪比(SNR)和随机性。因此，这些方法中的大多数不能在实际情况中，特别是在许多相关因素可以以复杂的方式影响多相流的声学特性的井下环境中，提供对碳氢化合物流态的精确的测量。这些方法也不考虑声发射信号的声学可变性和非稳态性。其它缺陷包括入侵性、高功耗、使用放射源、高成本、高复杂性和对于井下应用的大的物理尺寸。 发明内容[0007] 简要地，本发明提供了一种用于确定流管道中的流体的多相流的流参数的新的且改进的设备。该设备包括从流管道中的多相流感测声发射的换能器，以及将所感测的声发射转换成数字声发射信号的转换器。该设备还包括具有存储流管道中的流态数据的声学模型的数据库的数据存储器的计算机。该计算机还包括处理器，所述处理器形成来自数字声发射信号和流态数据的声学模型的流参数的测量值，以确定多相流的流参数的声学模型。该处理器执行计算机实现的以下步骤：将所感测的声发射信号分割成数字声发射段序列； 确定数字声发射段序列的数字声发射段的特征向量，并且处理特征向量以确定多相流的流参数的模型。 [0008] 本发明还提供了一种新的且改进的计算机实现的方法，其利用所述计算机的处理器基于来自多相流的声发射和存储在计算机的数据库中的管道中的流态数据的声学模型来确定流管道中的流体的多相流的流参数。该计算机实现的方法通过将声发射信号分割成数字声发射段序列并确定数字声发射段序列中的每一个的特征向量来完成。随后，处理特征向量以确定多相流的流参数的模型。 [0009] 本发明还提供了一种新的且改进的数据处理系统，其基于来自多相流的声发射来确定流管道中的流体的多相流的流参数。数据处理系统包括存储流管道中的流态数据的声学模型的数据库的数据存储器。该数据处理系统还包括将声发射信号分割成数字声发射段序列的处理器。该处理器还确定数字声发射段序列中的每一个的特征向量，并且处理特征向量以确定多相流的流参数的模型。 [0010] 本发明还提供了一种新的且改进的数据存储装置，其具有存储在非暂时性计算机可读介质中的计算机可操作指令，该计算机可操作指令用于使数据处理系统在计算机的处理器中基于来自多相流的声发射和流管道中的流态数据的声学模型来确定流管道中的流体的多相流的流参数。存储在数据存储装置中的指令使得数据处理系统中的处理器将声发射信号分割成数字声发射段序列，并且确定数字声发射段序列中的每一个的特征向量。该指令还使得处理器根据特征向量确定多相流的流参数的模型。附图说明 [0011] 图1是根据本发明的用于多相流计量和砂检测的设备的示意图。 [0012] 图2是根据本发明的多相计量模块的示意图。 [0014] 图4是根据本发明的利用隐马尔可夫建模来构建声发射模型的方法的功能框图。 [0015] 图5是根据本发明的用于基于声发射信号来构建声学模型的数据处理步骤的流程图的功能框图。 [0016] 图6是根据本发明的用于在多相流计量和砂检测期间优化参数的数据处理步骤的流程图的功能框图。 [0017] 图7是根据本发明的用于基于声发射信号的多相流计量和砂检测的数据处理步骤的流程图的功能框图。 [0019] 图9是图5的处理模块的人工神经网络架构的示意图。 [0020] 图10是根据本发明的用于基于声发射信号的利用人工神经网路的多相流计量和砂检测的数据处理步骤的流程图的功能框图。 具体实施方式[0021] 声发射 [0022] 根据本发明，多相流中的声发射被定义为在碳氢化合物油气、水和砂的混合物的流体中和/或表面上发生的声学能量的物理现象。声发射由1KHz至100MHz的宽频范围内的弹性能量的自发性释放而产生，但是大部分释放的能量在1kHz到1MHz的频率范围内。声发射可以从很多源产生，包括： [0023] (a)气泡形成、破裂和聚结； [0025] (c)多相流中的液体、气体和固体的相互作用； [0026] (d)由高流旋涡造成的宽带湍流能量；以及 [0028] 在从各种流态的作为气泡尺寸和气泡数量的函数的多相流中发射的声音或较高频弹性能量的研究中已经进行了大量的调查。已经确定，从多相流发射的声能量是多相流内的气泡形成、破裂和聚结以及各相的相互作用的直接结果。此外，声能由于不同多相流态、流率以及流体中固体成分的量而变化。本发明通过感测声能数据和处理这种数据来提供虚拟流建模。 [0029] 根据本发明，术语“虚拟计量”或“虚拟多相计量”是指如本文所述的在没有任何有源和直接的流测量方法或设备的情况下测量各种流参数的计量方法/技术。如将在下面描述的那样，根据本发明，根据一组无源测量(比如，压力、温度和声发射)来确定流参数。 [0031] 如图1中所示，根据本发明的用于多相流虚拟建模的设备M包括安装在管、管子或其它流管道22上的作为换能器的声发射传感器或扩音器，如24处所示,通过该管道会发生要被计量的碳氢化合物/水混合物的多相流。流管道22可以是例如用于所谓的井下、顶侧和地表应用的在碳氢化合物的探测、生产或运输中利用的管道。 [0032] 换能器20接收来源于多相流的具有1kHz到1MHz的频率的多相流声发射信号，以便捕获来自这种流的声发射。可以使用市售的声发射传感器/换能器(比如，来自Vallen Systems的AE1045S或来自Mistras集团有限公司的宽带型AE传感器WSA)。应当理解，如果需要的话，也可使用其它市售的换能器。可利用1KHz至2-3MHz的频率范围的传感器。 [0033] 由声发射传感器20捕获的信号是多相流声学信息和随机背景声学噪声的组合。施加耦合剂以将传感器20与流管道22耦合。通常，使用甘油基耦合剂或油基耦合剂。声发射传感器20将声学信号转换为电信号，使用前端预处理器P的前置放大器26来放大该电信号。来自前置放大器26的表示所感测的声发射的放大的信号在合适的滤波器28中被过滤，并使用高分辨率Σ-Δ模数转换器或A/D转换器30来将其转换成数字化的声发射信号。 [0034] 来自A/D转换器30的被转换的数字声发射信号由数据处理器D接收。数据处理器D可为已编程的个人计算机(或PC)，或者其可为专用的专用数字信号处理器(或DSP)。数据处理器D可为具有适合的处理和存储能力的任何常规类型的处理器，比如膝上型计算机、平板计算机或其它合适的数字数据处理设备。 [0035] 数据处理器D包括用于处理、分析和分类声学信号并提供计量结果的多相计量(MPM)软件模块32。原始数据、声学模型和测量结果可以作为数据库被存储在存储器中，用于以后的分析。如34处所示，来自模块32的处理的结果可用于在合适的显示器或绘图仪上的分析，或如将要阐述的那样，可以被传送到无线通信模块以便传送到另一计算机用以研究和分析。 [0037] 如果系统中需要任何修改的话，则设备M还可包括用户界面。示例包括用以访问数据处理器D的用户界面，以便在需要时更新多相计量软件模块32或前端模块40。用户界面还可用于访问和/或更新存储器38中的声学模型42、程序代码36或训练数据90。 [0038] 处理器D访问来自转换器28的数字化的声发射信号，以执行本发明的可以作为一系列计算机可执行指令来被执行的处理逻辑和方法。指令可以作为程序代码36包含在作为计算机可读介质的存储器38(图2)中。该指令还可以以常规硬盘驱动器、电子只读存储器、计算机磁盘或磁带、光学存储装置或其它适当的数据存储装置的形式进行存储。 [0039] 本文中的图5、图6、图7和图10中的流程图示出了根据本发明的如在计算机程序软件中实施的处理逻辑的结构。本领域技术人员应当理解，流程图示出了包括根据本发明来运行的集成电路上的逻辑电路的计算机程序代码元件的结构。因此，显而易见的是，本发明在其优选实施例中通过机器组件实现，所述机器组件以指导数字数据处理设备执行与所示的那些功能步骤相对应的功能步骤的序列的形式来呈现程序代码元件。 [0040] 如将所阐述的那样，多相计量软件模块32是可训练的。根据本发明的一个实施例，隐马尔科夫模型(HMM)用作流态的统计模型的框架。隐马尔科夫模型是输出一系列符号或量的统计模型。隐马尔科夫模型可以自动训练并且是计算可执行的。 [0041] 虽然多相声学信号是具有连续随机噪声的非线性信号，但是根据本发明，将它们视为短时稳定信号或线性信号。因此，根据本发明，在由传感器20感测的声发射信号被转换成数字格式之后，将其划分或分割成具体持续时间(通常为50ms至200ms)的小段。出于本发明的目的，假设声发射信号在每个这种时间段内是线性的。为每个稳定段计算特征向量，并且使用这些特征向量来创建和训练隐马尔科夫模型。为了解决由于存在连续随机噪声而引起的可变性，使用从实验室流动回路设置和/或现场数据收集的大量声学训练数据来创建和训练每种流型的隐马尔科夫模型。 [0042] 多相计量模块 [0043] 多相计量软件模块32(图2)以软件的形式实现，并且接收来自前端模块40的流数据用于预处理和特征计算，并且还接收存储的流态数据的来自综合模型库或数据库42的数据。模型库42中存储的数据采用从实验室和现场数据获得的各种流型的声学模型的形式，包括如在44处示意性示出的多相流态模型、如在46处示出的含砂量以及如在48处示出的流率。多相计量软件模块32被配置为辨识声学模式并识别各种参数(包括流态、流率和固体含量)的解码器。 [0044] 前端模块40提供特定流段的声学观测值。这些观测值是被视为表示流的声学特征的特征向量。出于训练和检测的目的，从声学信号中提取特征向量。在预处理阶段中，连续声发射声学信号被分割，并被分成50ms至200ms的重叠段，并且在每个段上执行开窗。执行开窗是为了减少边缘处的能量，并且减少每个段的边缘处的不连续性。出于此目的，例如可以使用汉明(Hamming)窗。还可以使用包括海宁(Hanning)窗和布莱克曼(Blackman)窗的其它窗。在预处理之后，为每个段执行特征计算。 [0045] 重要的声学特征可以包括频带中的频率分布、主频带和主能量。来自多相流的声发射是非稳定过程，因此，标准信号处理技术不适合于分析。倒谱系数也可以用作特征向量。倒谱系数是信号的对数振幅频谱的傅里叶分析的结果。如果对数振幅频谱包含许多规则间隔的谐波，则频谱的傅里叶分析显示与作为基本频率的谐波之间的间隔相对应的峰值。表示重要声学特征的其它参数(比如，小波变换)也可用于计算特征向量。 [0046] 为了使多相流虚拟建模设备M测量各种流参数和砂存在，为将要遇到的各种流型中的每一个形成声学模型。为了为每种流型建立精确的声学模型(隐马尔可夫模型)，从实验室流动回路获取训练数据，并且使用实际现场。有益且优选的是，获取和累积了大量的这种训练数据。 [0047] 隐马尔科夫模型本质上是对由一组状态s1、s2、s3、s4和s5(图3)和这些状态之间的跃迁概率a11、a12、a22、a23、a33、a34、a44、a45和a55定义的随机过程的建模，其中，每个状态描述了稳定随机过程，并且从一个状态至另一个状态的跃迁描述了该过程如何随时间改变其特征。每个状态s1、s2、s3、s4和s5具有通常由高斯概率分布函数表示的统计输出分布(如分别在b1至b5处示意性示出)，统计输出分布提供每个观测的特征向量的似然性和分布。优选使用所谓的Baum-Welch算法根据训练数据估算特定流态的隐马尔可夫模型的各种参数。 [0048] 隐马尔科夫模型被正式定义为： [0049] λ＝(A，B，π) [0050] 其中： [0051] A是跃迁阵列，其存储由一个状态至另一个状态的跃迁概率； [0052] B是观测值概率阵列，其存储从状态产生的观测值的概率；并且 [0053] π是状态的初始概率阵列。 [0054] 使用隐马尔可夫模型为每种流型构建声学模型 [0055] 图5中的流程图H中示意性的示出了根据本发明使用隐马尔可夫模型记录来为每种流型构建声学模型的方法。如步骤50处所示，记录表示特定流型的至少50个(每一个的时长为5-10秒)声发射信号的训练集。可以增加训练数据集的大小和各个声发射信号的长度以提高声学模型的精确度。声发射信号可以从实验室流动回路和/或实际现场获取。根据目标应用，也可以将从地面或井下状况获取的数据存储在存储器中并使用。 [0056] 在步骤52期间，定义了隐马尔可夫模型的架构。使用通常具有5至20个状态的从左到右型隐马尔可夫模型。如果需要的话，也可以使用其它数量的状态。状态的数量取决于单个声发射信号中的每段的长度和段的数量。也可以使用具有不同拓扑结构(比如，遍历拓扑或并联拓扑)的隐马尔可夫模型。 [0057] 针对每个训练数据，在步骤54期间使用上述过程计算特征向量。在步骤56期间，初始化各状态的概率。第一状态的初始概率是1，而将剩余状态的初始概率视为0。除了最后一个跃迁被初始化为1以外，跃迁概率中的每一个被初始化为0。 [0058] 每个状态的统计输出分布是高斯分布。作为步骤58的一部分，计算完整训练声发射训练数据集中的所有特征向量的全局均值和方差。然后在步骤58期间用这个均值和方差来初始化所有高斯概率分布函数(即，所有状态输出分布)。 [0059] 在初始化隐马尔可夫模型的所有参数之后，优选地使用如下所述的Baum-Welch算法来优化参数(A,B,λ)，并使用训练数据训练隐马尔可夫模型。 [0060] 参数优化算法 [0061] 根据本发明，优选地使用Baum-Welch算法来优化未知的隐马尔可夫模型参数(A,B,π)。Baum-Welch算法是广义期望最大化(GEM)算法的特定情况。Baum-Welch算法是基于前向-后向算法的估算方法。下面提供了该算法的简要描述，而详细的数学描述可参见“A maximization technique occurring in the statistical analysis of probabilistic functions of Markov chains”,(Baum1970)(“马尔科夫链的概率函数的统计分析中出现的最大化技术”(Baum，1970年))和“Hidden Markov Models and the Baum–Welch Algorithm”,IEEE Information Theory Society Newsletter,Dec.2003(“隐马尔科夫模型和Baum-Welch算法”(IEEE信息理论学会通信，2003年11月))。 [0062] 为了使用训练数据集Otraining(其中，Otraining包含特定流型的大量(≥50个)的声发射特征向量(观测值序列))来构建和训练隐马尔可夫模型参数λa，模型参数λa将使得观测值最接近： [0063] [0064] 在由流程图C(图6)示意性地示出的序列中执行优化。如步骤60处所示，以上述方式初始化模型参数(A,B,π)。在步骤62期间初始化状态跃迁概率，并且在步骤64期间初始化状态概率。在步骤66期间，初始化各状态的平均值和方差。随后，在步骤68期间，通过模型运行每个观测值序列Otraining(n)，以估算每个模型参数的期望值。 [0065] 在步骤70中，调整或改变模型参数，使得概率P(Otraining(n)|λa)最大化。随后，针对所有训练数据重复该过程，直到步骤72表示所有模型参数收敛到最佳值为止，并且重复训练过程直到步骤74表示处理了数据集中的所有信号为止。 [0066] 一旦由此为所有流型创建了声学模型(隐马尔可夫模型)，则该模型可以由自动解码器模块32(图2)使用，以使用统计搜索算法实时地检测和识别多相流声发射信号。 [0067] 多相流计量和砂检测 [0068] 通过流程图F(图7)示意性地示出了用于多相流计量和砂检测的方法。多相流声发射信号由传感器20感测。感测的信号在被预放大之后被过滤，并且在A/D转换器30中被转换成数字信号。如步骤80中所示，通过多相计量解码器模块32获取该数字信号。在步骤82中，软件前端40将信号分割，并且在步骤84期间计算每段的特征向量。在步骤86期间，将声发射信号的代表性特征向量的序列传递至解码器32。解码器32也可使用各种流型的声学模型(隐马尔可夫模型)训练数据的综合库90(图2)。 [0069] 在步骤92期间，使用维特比算法来寻找当前观测的声发射信号最可能归属的(多个)声学模型。在维特比处理中，给定各流型的声学模型库(λ1,λ2…)和接收到的声发射特征向量Oreceived，如下计算针对所有流型给定隐马尔可夫模型时所观测到的特征向量的似然性： [0070] P(Oreceived|λ1)，P(Oreceived|λ2)，P(Oreceived|λ3),… [0071] 维特比算法是一种动态规划算法，用于寻找导致观测到的事件序列的被称为维特比路径的最有可能的隐藏状态的序列。下面提供了维特比算法的简要描述。该算法的细节可以在G.D.Forney,Jr.,“The Viterbi Algorithm,”Proc.IEEE,vol.61,pp.268–278,March 1973(G.D.Forney,Jr..“维特比算法”《. Proc.IEEE》，1973年3月第61卷第268–278页)和L.R.Rabiner,“A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition,”Proc.IEEE,vol.77,pp.257-286,Feb.1989.(L.R.Rabiner“.隐马尔可夫模型和语音识别中的所选应用的教程”，《Proc.IEEE》，1989年2月第77卷第257-286页)中寻找到。 [0072] 给定特征向量(观测值序列)Oreceived和隐马尔可夫模型λ1，维特比算法递归地确定模型中的最佳的状态序列Q＝{q1,q2,q3…}。最佳状态序列是最好地解释数据的状态序列，并且可以计算该状态序列的概率，由此计算P(Oreceived|λ1)。该算法基于如下假设：给定观测值序列，最佳路径(或模型中的最佳状态序列)比任何其它路径都更有可能，因此，P(Oreceived|λ1)≈P(Oreceived,δ|λ1),其中δ是最佳路径。在每个步骤中，仅存储一个路径，而丢弃其余路径。通过回溯可以重建最佳状态序列。 [0073] 对于一个或一个以上声学模型而言，观测的声发射信号的可能值可以是高的。例如，弹状流和低含砂量的声学模型的高概率值可以表示砂含量低的多相流正在缓慢流动(slug)。因此，可以根据解码器输出来确定包括流态、流率范围和砂存在的重要的流参数。 [0074] 为了减少随机噪声和可变性对实际井下或地表状况下的计量的影响，需要降低训练状况和识别状况之间的失配。这可以通过使用实际现场数据作为训练数据来实现。另外，可以针对特定计量状况来优化声学模型(隐马尔可夫模型)。此外，期望噪声频谱特性比声发射的频谱特性更稳定，因此，可以通过在频谱域中应用频谱减法来补偿噪声。 [0075] 在步骤92期间以这种方式确定了最可能的声学模型之后，在步骤94期间，所确定的结果可用作为计量结果34(图1和图2)。 [0076] 使用人工神经网络的声学建模 [0077] 图8示出了根据本发明的用于多相流建模的另一个实施例，该实施例中使用人工神经网络或ANN方法来开发多相流模型。在如对于图2所述的模块P中的信号预处理和模数转换以及前端模块40中的特征计算之后，人工神经网络或ANN模块100接收数字输入信号。 [0078] 如下面将描述的那样，ANN模块100包含适当大量的简单处理神经元样处理元件(节点)、以及各元件或各节点之间的适当大量的加权连接。ANN模块100还根据人工神经网络方法获得关于连接的知识的分布式表示，该知识由模块100中的网络通过学习处理而获得。 [0080] 图9中提供了人工神经网络模块100的更详细的结构。提供了输入层中的适当数量的节点102，这种节点的数量取决于特征向量的数量和每个向量的长度。使用上述和图5中示出的过程来计算信号段的特征向量104。人工神经网络模块100中还提供了适当数量的输出节点106(图9)。输出节点的数量由流型的数量或要为多相流的模型开发的参数的数量来确定。还提供了隐藏层中的适当数量的节点108，该数量取决于输入节点102和输出节点106的数量。隐藏层节点采用非线性S型(sigmoidal)激活函数神经元的形式。 [0081] 使用存储在存储器38中的大训练数据集和反向传播算法来训练人工神经网络模块100。训练数据集应包括每种流型的50个以上的声发射信号。一旦人工神经网络模块100被训练，其可用于使用与针对隐马尔可夫模型所述的相同过程的多相流计量。 [0082] 构建人工神经网络 [0083] 通过流程图N(图10)示意性地示出了用于为多相流计量和砂检测构建人工神经网络的方法。如110处所示，记录代表特定流型的每一个为5-10秒的至少50个声发射信号的训练集。所记录的声发射信号可以从实验室流动回路和/或实际现场数据获取。可以根据目标应用来使用从地面或井下状况获取的数据。 [0084] 如步骤112处所示，将信号分割为具有合适的时间长度的段。针对每个训练信号，在步骤114中，使用如上针对步骤54所描述的过程来计算特征向量。在步骤116中，将从步骤114处得到的特征向量提供给人工神经网络模块100。 [0085] 一旦创建了人工神经网络，作为步骤118的一部分，优选地使用合适的反向传播算法来训练人工神经网络。这种用于模块100的反向传播算法的示例包含在“Parallel Distributed Processing:Explorations in the Microstructure of Cognition”(“并行分布式处理：认知微观结构的探索”)(Rumelhart和McClelland,1986)中。在步骤118期间，从训练信号计算的特征向量104还被提供为训练输入，并且其相应的流型作为输出呈现给人工神经网络(监督式学习)。利用每种流型的训练集来重复该处理。更详细的描述可在Ethem“, Introduction to Machine Learning”(2nded.).Cambridge,Mass.:MIT Press,2010( Ethem“.机器学习简介”(第二版).剑桥，马萨诸塞州：MIT出版社，2010)中找到。 [0086] 如其名称所示，在反向传播算法中，误差从输出节点反向传播至输入节点。从技术上讲，反向传播计算网络的误差关于网络的可修改权重的梯度。 [0087] 利用人工神经网络建模进行计量 [0088] 在利用人工神经网络建模进行的计量中，声发射换能器被激活，并且从管或管道22中的要被计量的碳氢化合物/水混合物的多相流中接收多相流声发射信号。如上所述，声发射信号在硬件前端模块P中被预防大、过滤并被转换成数字信号。 [0089] 随后，通过多相计量软件模块32接收或收集来自模块P的数字信号。数字信号的处理在图10中示意性地示出。如步骤112处所示，软件前端40划分或分割该信号，并且计算每段的特征向量。 [0090] 如步骤116处所示，声发射信号的代表性特征向量的序列从数据存储器或存储器作为输入被传递至人工神经网络模块100。在步骤118期间，执行人工神经网络处理并确定计量结果和流参数。如步骤120处所示，形成计量结果的输出，并可从输出节点106处获得计量结果，用以显示分析和评估。还将计量结果存储在数据存储器中以供进一步使用和分析。 [0091] 相敏检测前端 [0092] 虽然利用滤波器28进行了一定量的预滤波，不过图1所示的设备A利用了所描述的完整多相流声发射的宽带测量。在声发射频谱具有高水平的信噪比的情况下，可能需要包括高Q值测量。这可以通过以下方式之一执行： [0094] (b)每个锁定放大器被调谐到不同的频率的锁定放大器阵列，每个锁定放大器输出与滤波器的中点频率处的声音的振幅相对应的DC电压。 [0095] 在这两种情况下，来自锁定放大器前端的输出提供了时间依赖性多相流声发射的傅里叶变换的量化的近似值。这可被内插并且被直接处理为声音频谱，并且可以执行逆傅里叶变换以重建时间依赖性行为或仅仅直接进行处理。 [0096] 在训练阶段期间，锁定放大器滤波器的固定频率的选择可以被调谐到声音频谱内的相关频率，以最大化信号恢复并最小化噪声和其他机制(比如，混响)。 [0098] 应当注意，由于在用作为处理器D的PC/DSP中实现了信号处理和模式识别技术，所以基于隐马尔可夫模型或人工神经网络的计量的使用不影响系统的硬件架构。因此，根据本发明的多相流计量可以具有三种可能的配置： [0099] (a)以基于隐马尔可夫模型的声学模型为基础的多相计量系统； [0100] (b)以基于人工神经网络的声学模型为基础的多相计量系统；或者 [0101] (c)以基于隐马尔可夫模型和人工神经网络二者的声学模型为基础的多相计量系统。 [0102] 在系统的另一个实施例中，设备M可以与一个或多个传感器测量(包括差压测量)相集成，以提高数据的精确度。设备M还可以与无线通信模块相集成，用以实现以下功能： [0103] (a)在地面或井口附近应用的情况下，将数据发送至中央位置，并且实现远程操作；或者 [0104] (b)在井下应用的情况下，将数据发送至地面或井口。 [0105] 因此，可以看出本发明提供了一种多相流计量解决方案，其能够在作为顶侧离岸位置或者岸上位置的地面应用中进行安装，并且还可部署在井下作为永久或可回收系统的一部分。该系统特性允许计量系统的紧凑型封装。 [0106] 因此，本发明利用不同的方法，使用先进的信号处理技术和自动学习过程对多相流中的声学变化进行统计建模，以实现精确的多相计量。本发明以从多相流产生的声发射、在碳氢化合物油气、水和砂的混合物的流体的内部和/或表面发生的弹性能量的释放为基础。 [0107] 本发明成本低廉、非放射性、超低功耗且尺寸小。本发明是非侵入式的，因为其不需要穿透管壁，因此不阻碍流动。本发明也不需要产生声学或射频(RF)激励信号来穿过流体和/或管壁。本发明已经得到充分的描述，使得具有对该主题的普通知识的人可以再现并获得本文的发明中提及的结果。然而，本发明主题的技术领域的任何技术人员可以进行未在本文请求中描述的修改，以将这些修改应用于确定的结构或其制造过程中(其需要所附的权利要求中所要求保护的主题)；这种结构应当包括在本发明的范围内。 [0108] 应当注意和理解的是，在不脱离如所附权利要求中阐述的本发明的精神或范围的情况下，可以对上面详细描述的本发明进行改进和修改。 |
||||||
