Complex network analysis in inclined oil-water two-phase flow

Complex networks have established themselves in recent years as being particularly suitable and flexible for representing and modelling many complex natural and artificial systems. Oil-water two-phase flow is one of the most complex systems. In this paper, we use complex networks to study the inclined oil water two-phase flow. Two different complex network construction methods are proposed to build two types of networks, i.e. the flow pattern complex network （FPCN） and fluid dynamic complex network （FDCN）. Through detecting the community structure of FPCN by the community-detection algorithm based on K-means clustering, useful and interesting results are found which can be used for identifying three inclined oil-water flow patterns. To investigate the dynamic characteristics of the inclined oil-water two-phase flow, we construct 48 FDCNs under different flow conditions, and find that the power-law exponent and the network information entropy, which are sensitive to the flow pattern transition, can both characterize the nonlinear dynamics of the inclined oil-water two-phase flow. In this paper, from a new perspective, we not only introduce a complex network theory into the study of the oil-water two-phase flow but also indicate that the complex network may be a powerful tool for exploring nonlinear time series in practice.

Markov transition probability-based network from time series for characterizing experimental two-phase flow

We generate a directed weighted complex network by a method based on Markov transition probability to represent an experimental two-phase flow. We first systematically carry out gas-liquid two-phase flow experiments for measuring the time series of flow signals. Then we construct directed weighted complex networks from various time series in terms of a network generation method based on Markov transition probability. We find that the generated network inherits the main features of the time series in the network structure. In particular, the networks from time series with different dynamics exhibit distinct topological properties. Finally, we construct two-phase flow directed weighted networks from experimental signals and associate the dynamic behavior of gas-liquid two-phase flow with the topological statistics of the generated networks. The results suggest that the topological statistics of two-phase flow networks allow quantitative characterization of the dynamic flow behavior in the transitions among different gas-liquid flow patterns.

Classification of Oil-Gas-Water Three-Phase Flow in a Pipeline Based on BP Neural Network Analysis

The flow pattern in a pipeline is a very important topic in petroleum exploitation. This paper is to classify the flow pattern of oil-gas-water flow in a pipeline by using BP neural network. The effects of different parameter combinations are investigated to find the most important ones. It is shown that BP neural network can be used in the analysis of the flow pattern of three-phase flow in pipelines. In most cases, the mean square error is large for the horizontal pipes. The optimized neuron number of the middle layer changes with conditions. So, we must changes the neuron number of the middle layer in simulation for any conditions to seek the best results. These conclusions can be taken as references for further study of the flow pattern of oil-gas-water in a pipeline.

基于GA的RBF神经网络气液两相流持液率预测模型优化

为了提高气液两相流持液率预测精度,针对传统径向基函数(RBF)神经网络预测气液两相流持液率网络拓扑结构困难和收敛速度慢等问题,提出一种基于遗传算法(GA)优化径向基函数神经网络的气液两相流持液率预测模型。通过系统聚类算法和灰色关联度分析(GRA)对收集的实验数据进行处理,优选出最优模型特征,同时结合遗传算法确定了RBF神经网络结构参数。基于室内实验数据进行训练,并与常用于持液率预测的反向传播(BP)神经网络、GA-BP神经网络及RBF神经网络进行对比,评估了模型的准确性及可行性。结果表明:GA-RBF神经网络模型均方误差为0.0017,均方根误差为0.0416,平均绝对误差为0.0281,拟合度为0.9483。相较于其他神经网络模型,该预测模型表现出更高的计算精度和更强的泛化能力。

基于时频分析与复杂网络的气液两相流流动特性分析

提出一种基于时频变换与复杂网络相结合的垂直管道气液两相流流动特性分析方法。该方法基于数字化电阻层析成像系统采集的测量数据,通过Choi-Williams分布(CWD)、自适应最优核(AOK)以及平滑伪Wigner-Ville分布(SPWVD)三种方法对预处理后的一维时间序列进行时频分析,进而从时频平面中提取能量序列。分别对原始时间序列和三类能量序列使用有限穿越可视图方法构建复杂网络。最终使用平均集聚系数、平均度以及全局效率3个网络指标来表征从泡状流到段塞流的演变。结果表明,由原始序列构建的复杂网络,3个网络指标规律性较差;AOK与SPWVD所对应的平均集聚系数与全局效率仅在部分工况下具有规律性;而CWD所对应的3个网络指标均呈现较好的规律,能够更有效地揭示气液两相流复杂的流动行为。

基于幅度和相位融合的微波两相流测量系统设计

针对油井开采过程中需要对各相含量进行精确预测以调整开采策略的实际问题,设计了一种基于微波法的油水两相流检测系统。该系统利用微波在不同介质中透射能力的差异,构建了一套包含微波信号源、功率放大器、功率分配器、检波器和STM32F103ZET6核心板的硬件电路系统,通过编写AD采集和串口通信的软件代码,来接收检波器端幅度和相位数据。在数据处理方面,分别对幅度数据、相位数据和幅度-相位融合数据采用BP神经网络的方法预测含水率。实验表明:在使用融合数据时,预测准确度可以提高至96.33%,取得了较理想的效果。

基于IPSO-Elman的气液两相流含气率测量方法

为安全且非侵入式地测量气液两相流含气率,提出一种电阻层析成像(ERT)陈列电阻与Elman神经网络相结合的含气率测量方法。首先,为加快模型训练速度并避免数据冗余,使用主成分分析(PCA)算法对120维的阵列电阻特征降维。然后,在粒子群(PSO)算法中引入自适应惯性权重和非线性学习因子,并加入遗传算法(GA)的交叉和变异行为以加快算法收敛速度。最后,通过改进的粒子群(IPSO)算法优化Elman神经网络初始权值和阈值,并建立含气率测量模型。经对比实验发现,PCA-IPSO-Elman含气率测量模型的平均绝对百分比误差为2.92%,且训练时间较IPSO-Elman模型减少68.8%。说明所提方法可以达到预期的测量效果。

基于多尺度密集连接网络的电容层析成像图像重建

为求解电容层析成像中的非线性病态反问题,提出了一种多尺度密集连接网络(MD-Net)模型。该模型由多尺度特征融合模块和密集连接块组成,以通过融合多尺度特征进一步提高图像的重建精度。通过MATLAB仿真实验平台构建了流型数据集,利用密集连接网络的非线性映射能力,完成训练集的学习与训练,并利用测试集进行训练效果评价。在此基础上进行了静态实验。仿真与静态实验结果均表明:与LBP、Landweber迭代算法和其他深度学习方法相比,该方法的重建精度最高、抗噪能力强,并具有良好的泛化能力。

基于可解释性神经网络的界面面积浓度预测

界面面积浓度(Interfacial Area Concentration,IAC)是两相流动的封闭两流体模型中界面传递项的关键参数,用于表征气液界面传输能力的强弱。对界面面积浓度的建模预测通常有经验关联式和界面面积输运方程等方法,但这些方法都有较大的数据依赖性。而对神经网络模型增添可解释性可以为模型修正提供方向,严谨提升预测精度。为更好地预测两相流动的IAC,基于神经网络建立了IAC的预测模型,结合不同气泡行为、物理关系及统计分布并利用事后可解释性方法,对比分析了不同输入特征组合的神经网络模型预测能力;并通过神经网络每层的结构参数大小,分析输出比重挑选合适的数据预处理方法。通过事后可解释性分析得到空泡份额是IAC预测的重要因素,而对训练数据进行对数变换预处理能够显著提高模型对真实数据的预测能力。

深层页岩气井气水两相缝网参数反演方法

深层页岩气藏的开发离不开大规模的体积压裂技术,而缝网参数反演方法是压裂效果评价、产能动态分析的一种重要手段。现有的缝网参数反演方法忽略了支撑剂不均匀分布和气水两相渗流对深层页岩气藏开发的影响,导致参数反演误差较大,且难以区分“近井支撑裂缝”和“远井未支撑裂缝”对产能的贡献。针对这一问题,基于动态分析方法,建立了考虑多重非线性流动机理和未完全支撑裂缝的深层页岩储层气水两相缝网参数反演方法。反演方法建立过程中基于线性流模型假设,将压后的复杂裂缝网络等效为支撑裂缝区、压裂改造内区、未支撑裂缝区和压裂改造外区4个区域,采用变量替换、摄动变换、逐次替换等手段处理气体高压物性参数、超临界吸附、应力敏感、非达西渗流和气水两相渗流引起的非线性。利用数值模拟模型验证了本文方法的可靠性,并选取四川盆地4口深层页岩气井进行了应用分析。结果表明,建立的深层页岩气水两相缝网参数反演方法考虑了气液同产对产能预测和参数反演的影响,实现了支撑与未支撑裂缝半长和渗透率等参数的定量区分,为准确计算深层页岩气产量、评价压裂效果提供了理论指导。

基于A-RAFT模型的垂直管道输送测速方法

流速作为流动特性的重要参数之一,在垂直管道提升效率研究中有着重要地位.以管道固液两相流为研究对象,研究管道测速的方法.结合深度学习技术,提出了基于注意力机制的光流全场递归匹配模型(A-RAFT),提高了网络对速度场突变区域的估计能力;构建了一个虚实结合的数据集,用于训练神经网络模型.对新提出的模型与数据集进行评估,结果显示:该模型在合成的图像上实现了高精度的速度场计算,与现有其他模型相比,估计误差减小了15.6%;开展了垂直管道固体颗粒输送的模拟实验,本模型在实验中所采集的真实流场数据上同样展现了准确的估计性能,该模型对颗粒速度的测量平均相对误差低于5%.上述实验结果充分证明了该方法在速度场中有较高的估计精度,模型有较强的泛化能力.这一研究能够为能源开采、隧道掘进、污水处理以及长距离管道运输等领域中的固液两相流特性分析提供新思路.

基于深度神经网络模拟复杂多孔介质中两相驱替过程

为了预测复杂孔隙结构中毛管压力主导下两相流排驱过程中的流体分布,从仿真多孔介质和岩石CT图像中抽取子样本,并采用孔隙形态模拟器(PMS)生成流体分布,以创建多样化的数据集,将距离图及像素大小、界面张力、接触角、压力作为输入参数,通过改造、训练、评估卷积神经网络(CNN)、递归神经网络(RNN)和视觉转换器(ViT),优选用于预测流体分布的模型。模拟分析表明,常用的卷积和递归神经网络在捕捉流体连通性方面存在不足。基于ViT构建了一个高维视觉转换器(HD-ViT),该转换器先忽略孔隙的空间位置仅根据其大小进行排驱,再在后处理步骤中追加流体连通要求,这种方法允许在任何坐标方向预设出入口,并使用不同尺寸和不同分辨率的图像进行渗流状态推断。通过在砂岩和碳酸盐岩大图像上验证,并与微流控驱替测试的实验结果比较,证实了HD-ViT模型的有效性、精确性和速度优势,且在捕捉孔隙尺度三维流动方面存在较大的潜力。

IDENTIFICATION OF GAS LIQUID FLOW REGIMES IN A HORIZONTAL FLOW USING NEURAL NETWORK

The knowledge of flow regimes is very important in the study of a two phase flow system. A new flow regime identification method based on a Probability Density Function (PDF) and a neural network is proposed in this paper. The instantaneous differential pressure signals of a horizontal flow were acquired with a differential pressure sensor. The characters of differential pressure signals for different flow regimes are analyzed with the PDF. Then, four characteristic parameters of the PDF curves are defined, the peak number (K 1 ), the maximum peak value (K 2 ), the peak position (K 3 ) and the PDF variance (K 4 ). The characteristic vectors which consist of the four characteristic parameters as the input vectors train the neural network to classify the flow regimes. Experimental results show that this novel method for identifying air water two phase flow regimes has the advantages with a high accuracy and a fast response. The results clearly demonstrate that this new method could provide an accurate identification of flow regimes.

基于SSA-CNN-CBAM的超声气固两相流浓度信息识别

气力运输在某些工业生产流程中一直是重要的一环,对于金属管道内的气固两相流流量的精确实时检测随着工业环境对检测技术要求的不断提高一直是一大挑战。针对该问题提出了一种结合麻雀优化算法(SSA)、卷积神经网络(CNN)、注意力模块(CBAM)的混合模型,用于识别气固两相流浓度。利用SSA对CNN-CBAM模型的参数完成寻优,构建SSA-CNN-CBAM混合模型进行超声后向散射波形识别,得到对浓度的分类结果。通过反复实验,将混合模型实验结果与SSA-CNN模型、CNN-CBAM模型、CNN模型的实验结果进行对比,结果表明此模型对气固两相流浓度的分类识别结果更加理想。试验结果表明该方法可以实现对气固两相流输送的实时浓度检测,通过该试验为工业上的气固两相流输送检测提供参考,为相关技术的发展和应用提供新的思路和方法。

汽-液两相流体管网网络仿真计算

单相流动特性、汽液两相流压降及空泡率变化的模型不能直接给出复杂管网的特性。应用流体网络理论及数学仿真技术对两相流管网进行综合模拟和仿真计算。从仿真结果可以看出，两相流管网中的流阻分布是非线形的。

气液两相流的网络模型探讨

运用网络理论 ,针对气液两相管网流动进行了机理上的探讨。并基于均相流模型 ,推导出无损管路和平均摩擦管路条件下气液两相流的网络参数———阻抗和导纳的表达式。对于不适于均相流模型的流型的模型给出了一些建议。

RBF神经网络在油水两相流含率超声测量中的应用

介绍了一种油水两相流含率测量新方法——超声散射法.该方法利用超声波散射效应测量流体中的分相含率,通过非集流方式,在基本不改变流体流动状态的情况下实现油水两相含水率的测量.动态实验结果表明,该方法在油水两相条件下,可以实现分相的测量.但由于受流型、油泡直径及吸收系数等因素的非线性影响,使得测量模型难于建立.文章通过构建RBF神经网络,对含水率进行预测,提高了含水率测量精度.

汽(气)液两相流流型在线识别的研究进展

综述了根据参数波动过程实现气液两相流流型在线识别的最新研究成果，内容包括两相流参数波动的产生机理，小波分析的应用，两相流参数波动过程的特征提取和特征分析，流型在线识别的特点及各种实现方法等．重点介绍了两相流参数波动过程的统计和非线性特征分析及其与流型之间的关系．深入讨论了流型神经网络识别方法及其存在的问题．从波动参数的选择、数理解释、流型识别方法等不同方面对研究进展进行了讨论．

基于岩土介质三维孔隙结构的两相流模型

地下储层中岩土介质一般具有较低的孔隙连通性,宏观流动模拟一般忽略微观尺度的孔隙连通性,通过渗透率、弯曲度等参数反映储层的整体特性。但岩土介质的多孔性及孔隙间复杂的连通性,使得宏观描述流体在岩土介质中流动不能反映其内在流动特征。孔隙结构模型的建立可以反映岩土介质中孔隙的几何形态及空间连通性,为解释流体在复杂多孔介质中的流动特性提供有效手段。通过考虑岩土介质孔隙尺寸分布、孔隙孔喉空间相关性、孔隙连通性等特征参数,建立了反映不同岩土介质连通性、各向异性特征的等效孔隙网络模型。等效孔隙网络模型通过水力特征参数等效的方式反映岩土介质三维微观孔隙结构,通过渗透率计算验证了模型的有效性。此外,基于建立的孔隙结构模型,开发了孔隙尺度动态两相流计算模型,模型可以反映孔隙内弯液面的动态运动过程,直观反映多孔介质中的优势渗流,可以为不同孔隙尺度岩土介质提供表观渗透率、击穿曲线、相对渗透率曲线等宏观计算参数。将孔隙尺度两相流模型应用于页岩气开采中水力阻滞特性研究,结果表明:页岩基质的残余饱和度约为30%,随着平均配位数的增加,残余饱和度显著降低。

基于小波和Elman神经网络的气液两相流流型识别方法

传统的流型识别方法仅可作为一种定性的流型识别方法。为了克服传统流型方法的不足,采用小波分析和El-man神经网络技术来实现气液两相流流型的智能识别,测量了水平管内气液两相流的压差波动信号,应用小波分析对流型的动态压差波动信号进行分析、提取特征,然后将小波能量作为Elman神经网络的输入,从而实现对流型的智能识别。实验结果证明,该方法能够很准确地识别出4种流型,并且具有很好的识别效果,从而为流型的在线识别提供了一种定量的流型识别方法。