一种基于序数复杂网络特征融合的油泡流含水率预测方法

本发明属于油水两相流含水率测量，尤其是一种基于序数复杂网络特征融合的油泡流含水率预测方法。

背景技术：

1、随着科技的不断发展，化工、石油等诸多行业对油水两相流含水率的测量精度等要求越来越高。仅从信号的统计特征来反映油水两相流的含水率的方式会丢失测量信号中的流动瞬态演化信息，导致油水两相流含水率预测困难。

2、当前，大多数的油水两相流含水率的计量方法存在实时性差，计量精度低的问题，所以对油水两相流含水率进行准确且快速的测量是目前存在的技术难题。现有的两相流测量手段如超声法、光学法、射线法等难以实现油水两相流含水率的实时性准确测量。

3、软测量模型近年来在多相流领域也得到了快速发展，尤其是深度学习方法及人工智能技术的应用更是拓宽了多相流软测量模型的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式或有监督方式逐层提取被测对象的特征，其特征客观性强，且能够精准、详实的反映被测对象的本质。通过软测量手段可对传感器测量到的多元数据进行融合，采用智能及深度学习方法可精确、高效的提取多相流的特征信息。因此，如何采用深度学习模型对油泡流含水率进行有效预测是十分重要的。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提出一种基于序数复杂网络特征融合的油泡流含水率预测方法，能够捕获油水两相流含水率变化的基本特征与规律。

2、本发明解决其技术问题是采取以下技术方案实现的：

3、一种基于序数复杂网络特征融合的油泡流含水率预测方法，包括以下步骤：

4、步骤1、采集两相流的动态图像作为样本数据；

5、步骤2、获取样本数据中图像的灰度均值，构建时间序列，得到最终数据集；

6、步骤3、根据时间序列序构建序数复杂网络，并对序数复杂网络的指标进行融合得到多元化网络指标；

7、步骤4、将多元化网络指标作为输入，构建基于gru网络的含水率预测模型；

8、步骤5、对构建的含水率预测模型进行训练，优化结构并且调整参数，得到最终模型并通过最终模型进行含水率预测。

9、而且，所述步骤1的具体实现方法为：将高速摄像机固定在垂直上升测试管道前，拍摄不同工况下的动态图像，保存采集到的动态图像作为样本数据，并记录标定含水率作为预测标签。

10、而且，所述步骤2包括以下步骤：

11、步骤2.1、将动态图像分割为若干图片，计算每张图片的灰度均值，并将其组成一个时间序列；

12、步骤2.2、将时间序列作为数据集，并将数据集随机划分为训练集、验证集和测试集。

13、而且，所述步骤2.1的具体实现方法为：将动态图像分割为若干图片，计算每张图片的平均灰度g，并构建基于灰度值的两相流时间序列：

14、

15、其中，s为图像所有可能的灰度值，zk为灰度级数，p(zk)为灰度zk在图像中出现的概率，k＝0,1,2,...,s-1。

16、而且，所述步骤2.2的具体实现方法为：将得到的灰度值时间序列作为最终数据集，随机划分为训练集、验证集和测试集，其中训练集、验证集和测试集的比例为6：2：2。

17、而且，所述步骤3包括以下步骤：

18、步骤3.1、根据时间序列构建序数复杂网络；

19、步骤3.2、计算序数复杂网络中包括平均度、平均最短路径长度、网络密度、聚类系数、节点熵、素数环、缺失序数模式概率和拉伸指数的指标，构建多元化网络指标。

20、而且，所述步骤3.1的具体实现方法为：设定嵌入维数d和延迟时间τ，对得到的长度为n的时间序列{xt}进行相空间重构，得到相空间点矢量yt＝[xt,xt+τ,xt+2τ,...,xt+(n-1)τ]，然后对相空间点矢量中的元素按照其振幅大小进行排序，得到一个序数模式πi，对于t＝1,...,n-(d-1)τ，生成序数模式的合集{πi}，每个序数模式对应于网络的节点，同时而随着时间t的推移，对应于序数模式πi向下一时刻序数模式πj的转移，建立一条πi到πj的有向连边，节点和有向连边构成序数复杂网络。

21、而且，所述步骤3.2中平均度的计算方法为：序数复杂网络中所有节点的度的平均值<k>：

22、

23、其中，n为节点个数，a＝(ai,j)n×n为邻接矩阵；

24、网络密度的计算方法为：网络中实际存在的边数m与最大可能的边数之比ρ：

25、

26、平均最短路径长度的计算方法为：任意两个节点之间的距离的平均值l：

27、

28、其中，di,j为连接节点i和节点j的最短路径上的边的数目；

29、聚类系数的计算方法为：一个节点的邻接点之间相互连接的程度ci：

30、

31、其中，ki为节点i的度，ei为节点i的邻节点之间实际存在的边数；

32、节点熵hgn的计算方法为：

33、

34、

35、

36、其中，p′i为从邻域节点到达节点i的概率之和，为节点的局部熵；

37、素数环的计算方法为：网络链路中每个节点只经过一次的循环路径；

38、缺失序数模式概率：时间序列中未出现的序数模式与序数模式总量的比值p(mop)：

39、

40、其中，d为嵌入维数，op为出现的序数模式个数；

41、拉伸指数的计算方法为：对于给定长度为n的时间序列，使用长度为ω的非重叠窗口进行截取，获得个时间序列片段，并计算每个片段的mop数量；改变ω值，计算不同ω下时间序列mop数量的平均值；最后通过最小二乘法对拉伸指数模型进行拟合，得到特征衰减率以及拉伸指数<mop>；每个ω对应一个<mop>，这些点构成的衰减曲线，利用最小二乘法，通过关于的ω拉伸指数模型进行拟合，得到特征衰减率b以及拉伸指数γ：

42、<mop>＝c·e-bωγ

43、其中，c为常数，b为特征衰减率，γ为拉伸指数，最后，根据序数复杂网络指标构建多元化网络指标。

44、而且，所述步骤4的具体实现方法为：

45、

46、其中，为当前候选集，ht-1为上一时刻的输出，xt为当前时刻的输入，rt为将ht-1和xt通过重置门计算遗忘或保留的信息，zt为将ht-1和xt过更新门计算需要保存和更新的信息，ht为模型输出，w为权重，b为偏置量，将第一时刻t1的多元化网络指标首先输入到gru网络，得到第一个时间点t1的输出，并作为输入参与第二个时间点t2的运算，重复运算，输出最后一个时间点的运算结果并输入到全连接网络中；全连接层的每一个节点都与前层的节点全部互连，整合前层网络提取的特征，并把这些特征映射到样本标记空间；全连接层对前层输出的特征进行加权求和，并把结果输入到激活函数，完成含水率的预测yw,b(x)：

47、

48、其中，wi为全连接层中的权重系数，xi为上一层第i个神经元的值，bi为全连接层的偏置量。

49、而且，所述步骤5包括以下步骤：

50、步骤5.1、设置基于多元参数融合的gru网络模型中超参数，使用网格化搜索算法对训练超参数进行优化；

51、步骤5.2、使用均方根误差和平均相对误差对模型的预测效果进行评估；

52、其中，均方根误差rmse为：

53、

54、平均相对误差are为：

55、

56、其中，yreal,i表示真实数据，ytest,i表示测试集数据，n为测量次数；

57、步骤5.3、根据评估结果得到最终模型，并使用最终模型进行含水率预测。

58、本发明的优点和积极效果是：

59、本发明通过采集到的动态图像作为样本数据；根据样本数据获取其的灰度均值，进而构建时间序列，得到最终数据集；然后通过序数复杂网络方法构建时间序列的网络拓扑图，并计算网络的特征指标，对其进行融合得到多元化网络指标；最终构建基于gru网络的含水率预测模型；对构建的网络模型进行训练，得到最优模型并以此模型进行含水率预测。本发明采用的深度神经网络在预测含水率中具有客观性，排除了化验中存在的不确定性和人为操作的主观性，gru网络和全连接网络经过大量数据与迭代次数的训练后，并且对该类数据有较强的预测性能与客观性。