基于多层复杂网络的两相流多元复阻抗检测信息融合方法与流程

本发明涉及一种信息融合方法。特别是涉及一种基于多层复杂网络的两相流多元复阻抗检测信息融合方法。

背景技术：

两相流流动广泛存在于石油化工等工业领域。在两相流动过程中，相界面的形状和分布随时间和空间的改变而变化，会呈现出不同的几何形状或流动结构，而且流体整体的复阻抗信息也会不断变化。准确识别油水两相流流型并理解其内在的流动特性对于两相流工业系统优化设计及工况动态监测具有重要实际意义。

复杂性科学兴起于20世纪80年代，作为当代科学发展的前沿领域之一，其发展广泛应用于社会学、物理统计学、经济学、控制学、工程学、生物医学等多个跨学科研究领域，引发了从自然科学到人文社会科学领域的变革。复杂网络理论为非线性时间序列分析提供了全新的视角，其基本思想为通过特定的算法将时间序列映射为复杂网络,借助网络拓扑刻画来揭示时间序列内在动力学特性。近年来，复杂网络的研究焦点，从单层网络逐渐发展到多层网络，多层复杂网络为研究更为复杂的动力学系统提供了新的分析理论。通过多层网络理论对油水两相流流动过程中复阻抗测量信息进行融合分析，进而更深层次地揭示两相流流动的复杂流动结构和动力学演化特性。

技术实现要素：

本发明所要解决的技术问题是，提供一种能够实现对八电极循环激励复阻抗传感器测得的幅值和相位多元信息的有效融合的基于多层复杂网络的两相流多元复阻抗检测信息融合方法。

本发明所采用的技术方案是：一种基于多层复杂网络的两相流多元复阻抗检测信息融合方法，包括如下步骤：

1)构建多层复杂网络，包括：

(1)通过八电极循环激励复阻抗传感器获取各工况的包含两相流流动信息的s个通道的实验数据，每个通道的数据长度均为L，所述数据包含两部分，幅值序列c＝1,2,...,s，I表示幅值，以及相位序列c＝1,2,...,s，P表示相位；

(2)对每一个工况内的所有通道的幅值序列进行数据分割，得到幅值序列片段k＝1,2,...,x,...,y,...,N，其中每一个通道的数据分割为n个长度为m的幅值序列片段，数据分割以b为步长：k^c＝(c-1)×n+1,(c-1)×n+2,...,c×n，其中k＝[k¹,k²,...,k^s],N＝s×n；

(3)对每一个工况内的所有幅值序列片段进行快速离散傅里叶变换，得到对应的幅值频域序列其中，F表示频域，abs(·)表示取绝对值操作；再提取幅值频域序列有效片段m′＜m；

(4)将每一个工况内的每一个幅值频域序列有效片段等间隔分割为e段，每一段的数据长度为q，得到幅值频段序列

其中m′＝e×q；

(5)通过每一工况内幅值频段序列构建相应的幅值加权复杂网络W_I＝[(W_I)¹,(W_I)²,...,(W_I)^e]；

(6)对每一个工况内的所有通道的相位序列进行数据分割，得到相位序列片段k＝1,2,...,x,...,y,...,N,其中每一个通道的数据分割为n个长度为m的相位序列片段，数据分割以b为步长：k^c＝(c-1)×n+1,(c-1)×n+2,...,c×n，其中k＝[k¹,k²,...,k^s],N＝s×n；

(7)对每一个工况内的所有相位序列片段进行快速离散傅里叶变换，得到对应的相位频域序列其中，F表示频域，abs(·)表示取绝对值操作；再提取相位频域序列有效片段m′<m；

(8)将每一个工况内的每一个相位频域序列有效片段等间隔分割为e段，每一段的数据长度为q，得到相位频段序列

其中m′＝e×q；

(9)通过每一工况内相位频段序列构建相应的相位加权复杂网络W_P＝[(W_P)¹,(W_P)²,...,(W_P)^e]；

(10)进而得到包含幅值加权复杂网络W_I和相位加权复杂网络W_P的多层复杂网络；

2)对所述的多层复杂网络，设定幅值度分布和相位度分布以及度分布相关性其中，表示在u频段的幅值加权子网络(W_I)^u中度值为d的节点的数目，表示在u频段的相位加权子网络(W_P)^u中度值为d的节点的数目，表示在u频段的幅值加权子网络(W_I)^u中度分布序列的平均值，表示在u频段的相位加权子网络(W_P)^u中度分布序列的平均值，其中min(·)表示取最小值的操作，length(·)表示取序列长度的操作；

3)对所述的多层复杂网络，设定多层网络全局聚集系数

4)绘制在不同流速下的度分布相关性多层网络全局聚集系数与相含率测量图版；

5)根据步骤4)所绘的测量图版，分析节点度依赖性指标多层网络全局聚集系数与流型演化动力学关系，揭示两相流流型演化动力学机制。

步骤1)中第(5)步所述的构建相应的幅值加权复杂网络W_I包括如下过程：

(i)对同一工况中u频段内的任意两个幅值频段序列和求取它们之间的距离其中||·||表示取二范数值的操作，并以所述的距离为基础构建网络(W_I)^u，其中，表示u频段的幅值加权子网络(W_I)^u中节点x和y之间的连边权值，网络节点数目为N，代表u频段对应的所有N组幅值频段序列中最大值的平均值，即其中max(·)表示取最大值操作；其中为阈值，根据u频段对应的所有N组幅值频段序列之间的距离决定；其中表示如果则其值为1，如果则其值为0；

(ii)将同一工况中所有e个频段的网络(W_I)^u合并，得到W_I＝[(W_I)¹,(W_I)²,...,(W_I)^e]。

步骤1)中第(9)步所述的构建相应的相位加权复杂网络W_P包括如下过程：

(i)对同一工况中u频段内的任意两个相位频段序列和求取它们之间的距离其中||·||表示取二范数值的操作，并以所述的距离为基础构建网络(W_P)^u，其中，表示u频段的相位加权子网络(W_P)^u中节点x和y之间的连边权值，网络节点数目为N，代表u频段对应的所有N组相位频段序列中最大值的平均值，即其中max(·)表示取最大值操作；其中为阈值，根据u频段对应的所有N组相位频段序列之间的距离决定；其中表示如果则其值为1，如果则其值为0；

(ii)将同一工况中所有e个频段的网络(W_P)^u合并，得到W_P＝[(W_P)¹,(W_P)²,...,(W_P)^e]。

步骤1)中第(3)步所述幅值频域序列有效片段m′<m是指能够反映两相流流动特征的频谱片段，步骤1)中第(7)步所述相位频域序列有效片段m′<m是指能够反映两相流流动特征的频谱片段。

采用多元复阻抗测量系统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，包括如下步骤：

1)固定混合流体的含水率，选定混合流速；

2)并根据混合流体的含水率和混合流速计算油相和水相的表观流速，根据表观流速通过蠕动泵从底部向竖直管道中通入水相和油相；

3)当水相和油相充分混合并逐渐稳定后，采用八电极循环激励复阻抗传感器采集多通道信号；

4)改变混合流速，重复步骤1)至步骤3)继续实验，直至在固定的含水率下所有混合流速对应的工况都完成数据采集；

5)再改变混合流体的含水率，重复步骤1)至步骤4)完成该含水率下实验工况的数据采集；

6)重复步骤1)至步骤5)，直至设计的所有工况全部测量完成；

7)采用基于多层复杂网络的两相流多元复阻抗检测信息融合方法，对每通道的幅值和相位信号进行频域变化以及分解，然后针对有效频谱片段构建多层复杂网络，通过多层复杂网络理论从度分布相关性和全局聚集系数等角度对网络进行融合分析，揭示两相流流型演化动力学特性，并通过网络指标绘制在不同流速下的相含率测量图版。

本发明的基于多层复杂网络的两相流多元复阻抗检测信息融合方法，具有如下有益效果：

(1)能够实现对八电极循环激励复阻抗传感器测得的幅值和相位多元信息的有效融合；

(2)能够通过网络指标绘制有较小偏差的流动参数测量图版，并揭示两相流流型演化动力学特性。

附图说明

图1a是八电极循环激励复阻抗传感器结构示意图

图中E_A、E_B、E_C、E_D、E_E、E_F、E_G和E_I分别为八个电极的编号；

图1b是八电极循环激励复阻抗传感器俯视图

图中R为管道内壁的半径，θ表示电极的张角；

图1c是八电极循环激励复阻抗传感器单个电极俯视图

图中D表示电极径向延伸的长度；

图2是验证本发明方法的多元复阻抗测量系统框图；

图中

1：运算放大器 2：可编程比例放大器，1倍/5倍 3：低通滤波器

4：12位ADC模数转换器 5：片上DSP进行DFT分析 6：复阻抗数据实部寄存器

7：复阻抗数据虚部寄存器 8：I2C接口 9：ARM微处理器STM32F103VCT6

10：上位机电脑

图3是本发明方法的流程图；

图4是本发明方法的多层网络全局聚集系数随两相流混合流速变化图。

具体实施方式

下面结合实施例和附图对本发明的基于多层复杂网络的两相流多元复阻抗检测信息融合方法做出详细说明。

本发明的基于多层复杂网络的两相流多元复阻抗检测信息融合方法，是以STM32F103VCT6单片机为核心，通过控制多路开关ADG1409和复阻抗测量芯片AD5933，实现八电极循环激励复阻抗传感器工作电极的循环切换以及测量管段复阻抗信息的实时获取，从多元复阻抗信息中幅值和相位两个角度分别建网，通过多层网络对包含幅值和相位的两相流多元复阻抗信息进行融合分析，揭示两相流流型演化动力学特性，并通过网络指标绘制有较小偏差的相含率测量图版。

如图3所示，本发明的基于多层复杂网络的两相流多元复阻抗检测信息融合方法，包括如下步骤：

1)构建多层复杂网络，包括：

(1)通过如图1所示的八电极循环激励复阻抗传感器获取各工况的包含两相流流动信息的s个通道的实验数据，每个通道的数据长度均为L，所述数据包含两部分，幅值序列c＝1,2,...,s，I表示幅值，以及相位序列c＝1,2,...,s，P表示相位；

(2)对每一个工况内的所有通道的幅值序列进行数据分割，得到幅值序列片段k＝1,2,...,x,...,y,...,N,其中每一个通道的数据分割为n个长度为m的幅值序列片段，数据分割以b为步长：k^c＝(c-1)×n+1,(c-1)×n+2,...,c×n，其中k＝[k¹,k²,...,k^s],N＝s×n；

(3)对每一个工况内的所有幅值序列片段进行快速离散傅里叶变换，得到对应的幅值频域序列其中，F表示频域，abs(·)表示取绝对值操作；再提取幅值频域序列有效片段m′<m，所述幅值频域序列有效片段是指能够反映两相流流动特征的频谱片段，这是由于混合流体流动测量数据频谱范围处于低频区域，因此只需取幅值频域序列前面的一部分；

(4)将每一个工况内的每一个幅值频域序列有效片段等间隔分割为e段，每一段的数据长度为q，得到幅值频段序列

其中m′＝e×q；其中每一个幅值频段序列代表一定频率范围，同时对应于一定的流体流动结构；

(5)通过每一工况内幅值频段序列构建相应的幅值加权复杂网络W_I＝[(W_I)¹,(W_I)²,...,(W_I)^e]，所述的构建相应的幅值加权复杂网络W_I包括如下过程：

(i)对同一工况中u频段内的任意两个幅值频段序列和求取它们之间的距离其中||·||表示取二范数值的操作，并以所述的距离为基础构建网络(W_I)^u，其中，表示u频段的幅值加权子网络(W_I)^u中节点x和y之间的连边权值，网络节点数目为N，代表u频段对应的所有N组幅值频段序列中最大值的平均值，即其中max(·)表示取最大值操作；其中为阈值，根据u频段对应的所有N组幅值频段序列之间的距离决定：其中max_x,y(·)表示x和y变化时，括号中变量的最大值，h为可选择的常数；其中表示如果则其值为1，如果则其值为0；

(ii)将同一工况中所有e个频段的网络(W_I)^u合并，得到W_I＝[(W_I)¹,(W_I)²,...,(W_I)^e]；

(6)对每一个工况内的所有通道的相位序列进行数据分割，得到相位序列片段k＝1,2,...,x,...,y,...,N,其中每一个通道的数据分割为n个长度为m的相位序列片段，数据分割以b为步长：k^c＝(c-1)×n+1,(c-1)×n+2,...,c×n，其中k＝[k¹,k²,...,k^s],N＝s×n；

(7)对每一个工况内的所有相位序列片段进行快速离散傅里叶变换，得到对应的相位频域序列其中，F表示频域，abs(·)表示取绝对值操作；再提取相位频域序列有效片段m′<m，所述相位频域序列有效片段m′<m是指能够反映两相流流动特征的频谱片段，这是由于混合流体流动测量数据频谱范围处于低频区域，因此只需取相位频域序列前面的一部分；

(8)将每一个工况内的每一个相位频域序列有效片段等间隔分割为e段，每一段的数据长度为q，得到相位频段序列

其中m′＝e×q；其中每一个相位频段序列代表一定频率范围，同时对应于一定的流体流动结构；

(9)通过每一工况内相位频段序列构建相应的相位加权复杂网络W_P＝[(W_P)¹,(W_P)²,...,(W_P)^e]，所述的构建相应的相位加权复杂网络W_P包括如下过程：

(i)对同一工况中u频段内的任意两个相位频段序列和求取它们之间的距离其中||·||表示取二范数值的操作，并以所述的距离为基础构建网络(W_P)^u，其中，表示u频段的相位加权子网络(W_P)^u中节点x和y之间的连边权值，网络节点数目为N，代表u频段对应的所有N组相位频段序列中最大值的平均值，即其中max(·)表示取最大值操作；其中为阈值，根据u频段对应的所有N组相位频段序列之间的距离决定：其中max_x,y(·)表示x和y变化时，括号中变量的最大值，h为可选择的常数；其中表示如果则其值为1，如果则其值为0；

(ii)将同一工况中所有e个频段的网络(W_P)^u合并，得到W_P＝[(W_P)¹,(W_P)²,...,(W_P)^e]；

(10)进而得到包含幅值加权复杂网络W_I和相位加权复杂网络W_P的多层复杂网络；

2)对所述的多层复杂网络，设定幅值度分布和相位度分布以及度分布相关性其中，表示在u频段的幅值加权子网络(W_I)^u中度值为d的节点的数目，表示在u频段的相位加权子网络(W_P)^u中度值为d的节点的数目，表示在u频段的幅值加权子网络(W_I)^u中度分布序列的平均值，表示在u频段的相位加权子网络(W_P)^u中度分布序列的平均值，其中min(·)表示取最小值的操作，length(·)表示取序列长度的操作；

3)对所述的多层复杂网络，设定多层网络全局聚集系数

其中，表示u频段的幅值加权子网络(W_I)^u中节点i和j之间的连边权值，表示u频段的幅值加权子网络(W_I)^u中节点j和o之间的连边权值，表示u频段的幅值加权子网络(W_I)^u中节点o和i之间的连边权值，表示u频段的相位加权子网络(W_P)^u中节点i和j之间的连边权值，表示u频段的相位加权子网络(W_P)^u中节点j和o之间的连边权值，表示u频段的相位加权子网络(W_P)^u中节点o和i之间的连边权值；

4)绘制在不同流速下的度分布相关性多层网络全局聚集系数与相含率测量图版；

5)根据步骤4)所绘的测量图版，分析节点度依赖性指标多层网络全局聚集系数与流型演化动力学关系，揭示两相流流型演化动力学机制。

采用如图2所示的多元复阻抗测量系统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，包括如下步骤：

1)固定混合流体的含水率，选定混合流速；

2)并根据混合流体的含水率和混合流速计算油相和水相的表观流速，根据表观流速通过蠕动泵从底部向竖直管道中通入水相和油相；

3)当水相和油相充分混合并逐渐稳定后，采用八电极循环激励复阻抗传感器采集多通道信号；

4)改变混合流速，重复步骤1)至步骤3)继续实验，直至在固定的含水率下所有混合流速对应的工况都完成数据采集；

5)再改变混合流体的含水率，重复步骤1)至步骤4)完成该含水率下实验工况的数据采集；

6)重复步骤1)至步骤5)，直至设计的所有工况全部测量完成；

7)采用基于多层复杂网络的两相流多元复阻抗检测信息融合方法，对每通道的幅值和相位信号进行频域变化以及分解，然后针对有效频谱片段构建多层复杂网络，通过多层复杂网络理论从度分布相关性和全局聚集系数等角度对网络进行融合分析，揭示两相流流型演化动力学特性，并通过网络指标绘制有较小偏差的在不同流速下的相含率测量图版。

图4给出了在含水率为98％的工况下多层网络全局聚集系数随两相流混合流速变化曲线，如图所示，随着混合流速的增加，混合流体中油相泡径减小，多层网络全局聚集系数呈现单调递减的变化趋势，说明该指标对混合流体中油相泡径变化敏感，可用于两相流流型演化特性的揭示。

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。