0 引言
近年来，一些新型节流元件被应用于气液两相流计量技术研究，并取得了一些积极的研究成果。但由于各种压降修正模型如Murdock、Steven[1-2]等，都是基于一定的理论假设以及特定的实验条件获得的。因而在应用中受到现场条件的限制，难以获得满意的计量精度[3]。目前，神经网络技术已被较多地应用于多相流流型识别、持液率测量文丘里管的湿气流量计量研究等[4-6]。本文以槽式孔板为节流元件[7]，并应用神经网络技术对测量信号进行处理，实现了湿气的气液两相流量计量。
1 槽式孔板与湿气流量计样机
槽式孔板是一种新型节流差压传感器，其流通面由均匀分布于管道截面的槽孔构成。这种结构能够使气液两相流体均匀通过孔板，避免了标准孔板在气液 两相流动条件下形成的上游液相累积与差压的剧烈波动，保证了测量信号的平稳性和准确性。文献[7]对槽式孔板的特性进行了仿真和实测研究。
湿气流量计样机结构如图1所示。
图1 湿气流量计样机结构示意图
样机采用双节流元件组合测量方式，上下游孔板具有不同的孔径比。计量过程中，通过分析孔板的差压信号可得到气液相流量，同时辅以流体的压力、温度对计量结果进行修正。详细的实验过程与实验方法参见文献[8]。运用各种信号分析方法对差压信号进行处理，可获得多个表征不同流动形态与流量大小的特征量。
2 信号特征向量的选择
为了能够充分体现不同工况流动特点的特征向量，在研究中应用F比值以及相关分析方法对特征量进行了分析[9]。
定义
(1）
式中：为特征量x在第i个工况的第α个信号段中的取值；íýi为统计量在不同工况下取值的均值；为统计量在同一工况下的不同信号段取值的均值；在不同工况下取值的均值；
由定义式可知，F比值的分子部分计算了不同流量工况之间特征量取值的差异程度，分母部分计算了工况内不同信号段之间特征量取值的差异程度。若两者的比值较大，说明在同一流量工况下，特征量的取值较为接近，而不同流量工况的特征量取值相差较大。此时，特征量的取值与流量工况之间存在明显的对应关系，即特征量表征流动特点的能力较强；反之，特征量表征流动特点的能力较弱。
选择气相流量为600m3/h，液相流量分别为0.7m3/h、1.4m3/h、2.0m3/h、3.4m3/h和4.3m3/h的流量工况进行分析。信号长度为200s，并按20s的长度截取信号段，每个工况下可得到10个信号段。不同信号段的标准差和峰度如图2所示。
图2 标准差和峰度
由图2可知，相同工况下的标准差值波动较小，不同工况下的标准差值存在明显差异；而峰度在相同工况下的取值波动较大，在不同工况下的取值分布区间存在较多的重叠区域。显然在上述工况范围内，峰度与标准差相比，其对气液两相流动信息的表征能力较差。将特征量的值代入式（1）可分别求得标准差的F比值为71.2，峰度的F比值为7.5。标准差的F比值较大，这与上文的分析是一致的。
选择多个特征量构成特征向量，可以全面地体现流动特征。但由不同分析方法得到的特征量可能存在较强的相关性，所以提供的信息存在一定程度的冗余，会影响各分量间的信息互补性能。因此，在研究中不仅比较了单个特征量的性能，还通过计算不同特征量间的相关系数对输入向量的整体性能进行了分析。最终选择了具有较强信息表征能力且互补性强的一组特征向量。
3 神经网络技术的应用
3.1 二级神经网络系统的设计
在气液两相流的不同流型下，流体与管壁、流体与节流元件以及流体中气液两相间的作用机理各不相同，使得在不同流型下的测量信号呈现出不同的动态特征，且测量信号特征与气液两相流量之间的映射关系也各不相同。因此，设计了如图3所示的二级神经网络系统。
图3 二级神经网络系统
系统第一级网络由单一网络构成，用于流型识别，其输入为测量信号特征向量，输出为流型类别；第二级网络由多个网络构成，分别对应不同的流型。在流量计量过程中，根据第一级网络输出选择相应的第二级网络，计算该流型下的气液相流量，其输入为测量信号特征向量，输出为气液相流量。由于每一个流量计算网络仅需实现一种流型下输入输出之间的映射关系，因而有利于提高网络的计算精度及泛化能力。二级网络均采用BP网络模型。
3.2 网络集成技术的应用
网络集成的输出由各网络个体的输出共同决定，设网络集成中有n个网络个体，各网络个体的输出为yi（i=1，2，…，n），网络集成的输出为ye，则有：
（2）
式中：f为各网络个体输出的合成方式。网络个体的预测误差具有随机性，通过选择适当的合成方式，可以使各网络个体预测误差的随机成分相互抵消，从而使集成的输出更加准确、稳定。
1995年，Krogh给出了网络集成泛化误差的计算方法[10]，根据这一方法可得出结论，即若集成的输出为各网络个体输出的加权平均，则通过降低网络个体的泛化误差以及增强个体间的差异度，可以提高网络集成的泛化能力。
将网络集成技术应用于二级神经网络系统，主要包含以下两方面内容。
① 网络个体的生成。目前，主要有boosting和bagging两种技术方法用于生成集成中的网络个体[11-12]，在样本数量较小时，bagging方法更能充分利用样本信息。因此，在研究中应用bagging方法生成网络个体。训练样本集按80%的比例对全部训练样本以均匀分布进行随机抽取得到。为了进一步增强网络个体的差异度，不同的网络个体采用了不同的隐层层数和隐层节点数。通过分析各网络的仿真误差最终可得到一组具有较小仿真误差且差异度较大的神经网络构成网络集成。
② 多个网络输出的合成。对于第一级网络，采用相对多数投票法实现网络个体输出的合成，即某种流型为最终的流型识别结果当且仅当集成中识别结果为该流型的网络个体数最多。对于第二级网络，采用简单平均法实现网络个体输出的结合，即流量计算结果为各网络个体计算结果的均值。
4 现场测试
在湿气流量计样机硬件基础上，应用Matlab及LabVIEW软件编写程序实现信号采集、特征提取、神经网络系统的训练、仿真以及网络集成等算法，构成了湿气流量计量系统。该计量系统已在大港油田某计量站进行了现场实验，分别对压力范围为0.3~0.5MPa、气相流量范围为100~450m3/h、液相流量范围为0.4~1.4m3/h的各工况点进行流量计量，得到如表1所示的误差统计结果。
在上述测试条件下对变化的流量进行连续计量，并比较气液相的累积量可得气相计量误差为3%，液相计量误差为6%。
5 结束语
槽式孔板的特殊结构使其更加适合于气液两相流量的计量。通过对单个特征量及特征向量的性能分析及筛选可以优化神经网络的输入。采用二级神经网络系统，并结合神经网络集成技术可以提高神经网络的计算精度与泛化能力。应用基于槽式孔板与神经网络的湿气流量计对实际气井进行流量计量，气相累积流量计量误差为3%，液相累积流量计量误差为6%，可以满足现场计量的精度要求。
参考文献
[1]StevenRN.Wetgasmeteringwithahorizontallymountedventurimeter[J].FlowMeasurement&Instrumentation，2002（12）：361-372.
[2]DavidGS，GregorB，DavidH.Wetgasventurimetering[C]%SPEAnnualTechNIcalConference，Texas，2002.
[3]Ne.lTheevaluationofwetgasmeteringtechnologiesforoffshoreapplicationR].DifferentialPressureMetersFlowMeasurementGuidanceNote，2003.
[4]孙斌，王强，周云龙.基于多尺度信息熵特征和RBF神经网络的气液两相流流型识别方法[J].仪器仪表学报，2006，27（7）726-729.
[5]MackES，StuartLS.Aneuralnetworkmodelforpredictionofliquidholdupintwophasehorizontalflo[J].SPEProduction&Facilities，2004，19（2）：67-76.
[6]方立德，张涛，罗翼.基于神经网络的水平文丘里湿气测量模型[J].化工学报，2007，58（4）：957-962.
[7]GengYanfeng，ZhengJinwu，ShiTianming.Studyonthemeteringcharacteristicsofaslottedorificeforwetgasflo[J].FlowMeasurementandInstrumentation，2006，17（2）：123-128.
[8]耿艳峰.槽式孔板的低含液率气液两相流测量特性[J].化工学报，2007，58（7）：1719-1725.
[9]DarwichTD，HalukT，ArcherJS，eta.lAsoftwaretechniqueforflowratemeasurementinhorizontaltwophaseflo[J].SPEProductionEngineering，1991，6（3）：265-270.
[10]KroghA，VedelsbyJ.Neuralnetworkensembles，crossvalidation，andactivelearning[C]%AdvancesinNeuralInformationProcessingSystems，1995：231-238.
[11]SchapireRE.Thestrengthofweaklearnability[J].MachineLearning，1990，5（2）：197-227.
[12]BremianL.Baggingpredictors[J].MachineLearning，1996，24（2）：123-140.
