基于递归图的深度学习模型及在油水相含率测量中的应用的制作方法

本发明涉及一种深度学习模型。特别是涉及一种针对四扇区分布式电导传感器得到的多通道数据构建的基于递归图的深度学习模型及在油水相含率测量中的应用。

背景技术：

油水两相流广泛存在于石油开采与运输产业。在油水两相流系统中，各相的分布随着时间和空间在不断变化，形成了不同的流动形态，称之为流型。两相流的流型复杂多变，局部流动信息难以准确捕捉，使得相含率等两相流流动参数的测量存在诸多难点。这对于石油开采和工艺改造造成了诸多影响。目前，对于流型的研究主要是采用观测法、小波特征分析和模糊C聚类、模糊逻辑和遗传算法、数字图像处理算法等。对于相含率的测量多采用电导法、电容法、光学法和射线法等。传统的测量采用的环形电导传感器和双螺旋电容传感器等，是单通道传感器，容易丢失微观的局部流动信息。而分布式的电导传感器和激励循环激励传感器等则可以同时采集多通道信号，捕捉到更丰富的微观流动信息，为流型和相含率的研究提拱了重要技术支持。

神经网络作为一种分类器，在过去的几十年中得到了长足发展。其主要基于对数据的特征进行学习以实现分类。但是过去的训练模型大多数是浅层的，分类效果无法达到很精确的地步。随着神经网络中梯度消失的问题被有效解决，搭建深层次的神经网络如深度置信网络成为可能。深度学习模型相比于浅层网络在特征提取和分类上的性能得到显著提升。

递归图是非线性时间序列分析中的一个重要且有效的工具，并在多领域得到广泛应用，尤其是对于不稳定的、短的时间序列，其分析效果十分显著。它可以实现对一元信号重构得到的相空间轨迹的动力学特征的可视化。利用图片从直观的角度揭示不同时间序列间的内在特性。

技术实现要素：

本发明所要解决的技术问题是，提供一种基于递归图的深度学习模型及在油水相含率测量中的应用。

本发明所采用的技术方案是：一种基于递归图的深度学习模型的建立，包括如下步骤：

1)基于四扇区分布式电导传感器数据构建递归图，包括：

(1)对于四扇区分布式电导传感器的每一通道数据视作一元时间序列u_k，对所述的一元时间序列u_k进行相空间重构，得到一个向量序列该向量序列中的任意一个向量表示为：

其中，m为嵌入维数，采用错误最近邻法确定；τ为延迟时间，采用互信息法确定；

(2)对于一元时间序列u_k得到一个向量序列对于向量序列定义递归图：

其中，R_i,j表示递归图所对应的递归矩阵中的任意一点，ε为阈值，采用15％的一元时间序列的标准偏差进行确定，表示两向量之间的距离；表示如果则其值为1，如果则其值为0；这样一来，若R_i,j的值为1，则在递归图中为黑色，若R_i,j的值为0，则在递归图中为白色；

2)深度学习模型训练，包括：

(1)将步骤1)中得到的递归图，进行一维化后，作为深度学习模型中的深度置信网络的输入；

(2)使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型参数，所述的贪婪逐层训练是采用无监督学习的训练算法，训练中由下至上，每两层构成一个受限玻尔兹曼机，用对比散度算法训练得到受限玻尔兹曼机参数，然后固定该层参数，继续对上一层构造的受限玻尔兹曼机进行训练，直到最顶层结束；

(3)以第(2)步得到的受限玻尔兹曼机参数为初始值，用来重置深度神经网络的初始权重，采用有监督的方法对整个网络参数进行全局训练，最终得到可以用于准确分类的神经网络参数。

步骤2)中所述的深度置信网络是由多层隐含随机变量构成的概率生成模型，由一定数目的受限玻尔兹曼机堆叠而成，然后从底向上进行逐层预训练；堆叠过程如下：训练一个伯努利-伯努利受限玻尔兹曼机后，将隐单元的激活概率作为下一层伯努利-伯努利受限玻尔兹曼机的输入数据；第二层伯努利-伯努利受限玻尔兹曼机的激活函数作为第三层伯努利-伯努利受限玻尔兹曼机的可见输入数据，以后各层以此类推；所述的受限玻尔兹曼机是基于逐层贪婪学习策略的理论进行构建。

步骤2)中所述的贪心逐层训练是采用无监督学习的训练算法，即训练过程不需要知道训练样本所属的类别，这样非常容易获得大量的训练样本；训练中由下至上，每两层构成一个受限玻尔兹曼机，用对比散度算法训练得到受限玻尔兹曼机参数，然后固定该层参数，继续对上一层构造的受限玻尔兹曼机进行训练，直到最顶层结束。

步骤2)的第(3)步中所述的全局训练是采用有监督学习的训练算法，用带相含率标签的训练样本进行训练，是以第(2)步得到的受限玻尔兹曼机参数作为深度神经网络初始参数，并用反向传播算法进行微调训练。

一种基于递归图的深度学习模型在油水两相流相含率测量中的应用，采用四扇区分布式电导传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验；实验包括如下步骤：

1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用四扇区分布式电导传感器采集多通道测量信号，并用高速摄像仪记录流型；一次采集结束后，改变油相和水相的流量，按上述过程继续采集，直至在固定的配比下所设计的工况都完成，再改变油相和水相的配比，重复上述过程完成不同水相和油相配比下的测量，直至设计的所有工况全部测量完成；

2)基于步骤1)的多通道测量信号，对于每一通道信号按照上述基于四扇区分布式电导传感器数据构建递归图的方法构建递归图；

3)得到所有工况的递归图后，将其中一部分的递归图作为深度置信网络的训练集，另一部分的递归图作为深度置信网络的测试集，将递归图作为深度置信网络的输入，所述深度置信网络由多层受限玻尔兹曼机组成，每一层受限玻尔兹曼机的输入为上一层的输出，通过逐层训练的机制无监督的对每一层的玻尔兹曼机的权重进行训练；

4)用训练后的每一层的受限玻尔兹曼机的权重初始化深度神经网络的权重；

5)将作为训练集的递归图输入深度神经网络，对深度神经网络的权重采用有监督的训练进行微调；

6)通过对样本的无监督学习和有监督学习，得到一个基于递归图的深度置信网络模型；通过该模型实现在油田开采中未知工况下对相含率的有效测量。

本发明的基于递归图的深度学习模型及在油水相含率测量中的应用，通过对四扇区分布式电导传感器得到的多通道传感器数据采用递归图的方法进行可视化，将递归图作为深度学习模型的输入，让模型通过对大量样本的无监督和有监督学习进行训练，得到一个基于递归图的深度学习模型，并将其用于对油水两相流流动参数如相含率的测量。

附图说明

图1是本发明基于递归图的深度学习模型示意图。

具体实施方式

下面结合实施例和附图对本发明的基于递归图的深度学习模型及在油水相含率测量中的应用做出详细说明。

本发明的基于递归图的深度学习模型及在油水相含率测量中的应用，提供一种基于递归图的深度学习模型并将其用于油水两相流相含率的测量中，通过对四扇区分布式电导传感器得到的多通道数据采用递归图的方法进行可视化，将递归图作为深度学习模型的输入，让该模型通过对大量样本的无监督和有监督学习进行训练，得到一个基于递归图的深度学习模型，并将其用于油水两相流流动参数如相含率的测量。

如图1所示，本发明的基于递归图的深度学习模型的建立，包括如下步骤：

1)基于四扇区分布式电导传感器数据构建递归图，包括：

(1)对于四扇区分布式电导传感器的每一通道数据视作一元时间序列u_k，对所述的一元时间序列u_k进行相空间重构，得到一个向量序列该向量序列中的任意一个向量可表示为：

其中，m为嵌入维数，采用错误最近邻法确定；τ为延迟时间，采用互信息法确定；

(2)对于一元时间序列u_k得到一个向量序列对于向量序列定义递归图：

其中，R_i,j表示递归图所对应的递归矩阵中的任意一点，ε为阈值，采用15％的一元时间序列的标准偏差进行确定，表示两向量之间的距离；表示如果则其值为1，如果则其值为0；这样一来，若R_i,j的值为1，则在递归图中为黑色，若R_i,j的值为0，则在递归图中为白色；

2)深度学习模型训练，包括：

(1)将步骤1)中得到的递归图，进行一维化后，作为深度学习模型中的深度置信网络的输入；

所述的深度置信网络是由多层隐含随机变量构成的概率生成模型，由一定数目的受限玻尔兹曼机(RBM)堆叠而成，然后从底向上进行逐层预训练；堆叠过程如下：训练一个伯努利-伯努利RBM后，将隐单元的激活概率作为下一层伯努利-伯努利RBM的输入数据；第二层伯努利-伯努利RBM的激活函数作为第三层伯努利-伯努利RBM的可见输入数据，以后各层以此类推；所述的受限玻尔兹曼机是基于逐层贪婪学习策略的理论进行构建。

(2)使用贪婪的逐层训练算法，对深度置信网络训练得到生成模型参数；

所述的贪婪逐层训练是采用无监督学习的训练算法，即训练过程不需要知道训练样本所属的类别，这样非常容易获得大量的训练样本；训练中由下至上，每两层构成一个RBM，用对比散度算法训练得到RBM参数，然后固定该层参数，继续对上一层构造的RBM进行训练，直到最顶层结束。

(3)以第(2)步得到的RBM参数为初始值，用来重置深度神经网络的初始权重，采用有监督的方法对整个网络参数进行全局训练，最终得到可以用于准确分类的神经网络参数；

所述的全局训练是采用有监督学习的训练算法，用带相含率标签的训练样本进行训练，是以第(2)步得到的RBM参数作为深度神经网络初始参数，并用反向传播算法进行微调训练。由于经过了第一步的贪心逐层预训练，因此在进行全局训练时，可以很好地解决传统上对深层网络训练方式容易收敛到局部最优点的问题。

本发明的基于递归图的深度学习模型在油水两相流相含率测量中的应用，采用四扇区分布式电导传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验；实验包括如下步骤：

1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用四扇区分布式电导传感器采集多通道测量信号，并用高速摄像仪记录流型；采样频率为4000Hz，采样时间为30s。一次采集结束后，改变油相和水相的流量，按上述过程继续采集，直至在固定的配比下所设计的工况都完成，再改变油相和水相的配比，重复上述过程完成不同水相和油相配比下的测量，直至设计的所有工况全部测量完成；

2)基于步骤1)的多通道测量信号，对于每一通道信号按照上述基于四扇区分布式电导传感器数据构建递归图的方法构建递归图；

3)得到所有工况的递归图后，将其中一部分的递归图作为深度置信网络的训练集，另一部分的递归图作为深度置信网络的测试集，将递归图作为深度置信网络的输入，所述深度置信网络由多层受限玻尔兹曼机组成，每一层受限玻尔兹曼机的输入为上一层的输出，通过逐层训练的机制无监督的对每一层的玻尔兹曼机的权重进行训练；

4)用训练后的每一层的受限玻尔兹曼机的权重初始化深度神经网络的权重；

5)将作为训练集的递归图输入深度神经网络，对深度神经网络的权重采用有监督的训练进行微调；

6)通过对样本的无监督学习和有监督学习，得到一个基于递归图的深度置信网络模型；通过该模型实现在油田开采中未知工况下对相含率的有效测量。

采用上述方法，可以用递归图的内在纹理结构反映非平稳的传感器电信号的内在非线性动力学特性。深度学习模型则可以通过提取递归图的特征并进行训练，实现分类辨识。将递归图作为桥梁，实现了深度学习模型对非平稳电信号的有效辨识。

针对四扇区分布式电导传感器测量得到的多通道信号构建递归图，将递归图作为深度学习模型输入，通过对大量样本的训练和学习，得到一个可实现相含率测量的深度学习模型，实现在油田开采中未知工况下对相含率的准确测量。

以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。