水平管油氣水三相流流型識別與壓降計算研究.pdf

1、油氣水三相輸送是石油、天然氣工業(yè)開發(fā)和集輸工程中重要的工藝環(huán)節(jié)，多相混輸技術在降低管道投資、減少運行費用等方面的顯著特點使其越來越多地應用于油田集輸管網、油氣管網輸送等領域。在多相流動的研究中，流型是分析描述多相流動的重要特征參量，壓降預測計算是多相管流工藝設計的重要內容。 本文的油氣水三相流實驗在中國石油大學(華東)大型多相流環(huán)道上完成。實驗介質分別為空氣、HVIW150基礎油和軟化水。實驗中模擬獲得的流型符合Lee等人的三相

2、流型劃分方法，主要有分層波浪流、段塞流和半環(huán)狀流。在環(huán)道上安裝了壓力、差壓變送器采集不同流型的壓力、差壓波動信號。研究確定信號濾噪方法為小波變換模極大值法進行信號濾噪，其優(yōu)點是它不需要事先知道噪聲所處的頻率的范圍，從而避免了其它濾噪方法因主觀假定噪聲頻率范圍而可能將有用的信號也濾掉的特點，從而實現了對仿真信號和采集的壓力、差壓波動信號的成功濾噪。 根據濾噪后的實驗信號，提取了三種流型差壓信號的特征量，包括分形特征量、統(tǒng)計特征量等

3、。其中，分形特征量包括關聯維數、最大Lyapunov指數和Hurst指數，分別采用G-P算法、Wolf算法和R/S分析法進行計算，分析了流動特性，得到三個特征量都可以較明顯的區(qū)分三種流型；統(tǒng)計特征量包括多尺度信息熵，PSD特征的波形指標和峰值指標，PDF特征的標準偏差、偏態(tài)系數和峰態(tài)系數，此外還計算了差壓信號的均值、標準差和偏斜度。本文將上述特征量作為人工神經網絡的輸入參數，以全面地反映不同流型的波動特征。 本文采用了BP神經網

4、絡進行流型的智能識別，將提取的12個特征量輸入網絡，對網絡的層數、隱層節(jié)點數、學習速率和激勵函數進行了計算選取，經過訓練，正確識別率達到了76.7％；采用遺傳算法進行改進，尋找BP神經網絡的最佳權系數以及相應節(jié)點的閾值，BP遺傳神經網絡算法的收斂速度遠遠快于傳統(tǒng)的BP神經網絡算法，正確識別率為90％。 本文采用了擴展速度的概念，對不同油水分布情況下的擴展速度進行了推導，并應用等動量取樣裝置對液相區(qū)進行了取樣分析，發(fā)現在分層波浪流