| 【中文题名】 | 基于电导式传感器的油水两相流相含率测量研究 |
| 【英文题名】 | Study on the Volume Fraction Measurement of Oil/Water Two-Phase Flow Based on Conductance Sensor |
| 【学科专业】 | 检测技术与自动化装置 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-5-24 |
| 【中关键词】 | 油水两相流,符号化序列分析,相含率测量,软测量方法,, |
| 【英关键词】 | Water/Oil Two-Phase Flow,Symbolic Time Series Analysis,Volume Fraction Measurement,Soft Measurement Method, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>数据处理、数据处理系统>集中检测与巡回检测系统 |
| 【论文摘要】 | 论文中首先采用符号时间序列分析表征了垂直上升管中油水两相流流型的变化。与先前分形维、混沌吸引子关联维及Kolmogorov熵得到的结果相比,时间不可逆转性T_(fb)及χ~2统计量对水包油流型变化不敏感,而对过渡流型变化呈现不规则突变,显示出在区分水包油与过渡流型时,符号时间序列分析方法更具有独特特点,是辨识油水两相流流型的有用辅助诊断工具。
相含率是油水两相流测量的一个重要参数,本文对国内外两相流相含率测量方法进行了总结,建立了油水两相流纵向多极电导式阵列传感器测量系统,实现了数据采集与分析,并利用数据采集卡采集传感器信号,利用LabVIEW编程同步采集三路信号,在实验室条件下对油水两相流测量系统做了初步试验,验证了该测量系统的适用性。
将软测量技术应用于油水两相流的相含率预测中,分别从时域及频域提取特征量,并作为神经网络的输入。油水两相流波动信号的时域特征采用一些传统的统计量,频域特征借助语音信号处理中的线性预测方法展开,此外将纵向多极电导式传感器上下游测量数据计算的渡越时间作为神经网络的输入。应用人工神经网络技术取得了具有较高精度的相含率预测结果。 |
| 【论文题纲】 |
|
第一章 绪论 |
7-12 |
|
1.1 油水两相流研究背景及意义 |
7 |
|
1.2 油水两相流主要参数及其定义 |
7-9 |
|
1.2.1 油水两相流流型 |
7-8 |
|
1.2.2 油水两相流速度场参数 |
8 |
|
1.2.3 油水两相流浓度场参数 |
8-9 |
|
1.3 两相流相含率测量技术现状 |
9-10 |
|
1.4 本课题的主要内容 |
10-12 |
|
第二章 符号化时间序列分析方法及其油水流型辨识 |
12-28 |
|
2.1 油水两相流流型的研究现状 |
12-14 |
|
2.1.1 基于非线性时间序列分析的流型辨识方法 |
13-14 |
|
2.1.2 目前流型辨识的特点 |
14 |
|
2.2 实验数据采集 |
14-16 |
|
2.3 符号化时间序列分析方法及其油水流型辨识 |
16-28 |
|
2.3.1 符号化时间序列分析方法的研究意义及优点 |
16-17 |
|
2.3.2 符号化时间序列分析方法的起源及应用 |
17 |
|
2.3.3 符号化时间序列分析方法原理描述 |
17-18 |
|
2.3.4 描述符号序列的统计量 |
18-19 |
|
2.3.5 符号序列参数选择 |
19-21 |
|
2.3.6 符号序列之间的时间延迟 |
21-22 |
|
2.3.7 程序验证 |
22-23 |
|
2.3.8 流型表征结果分析 |
23-26 |
|
2.3.9 符号化时间序列流型表征结果与流型图对比 |
26-28 |
|
第三章 油水两相流相含率测量系统的建立 |
28-40 |
|
3.1 相含率测量方法综述 |
28-31 |
|
3.1.1 快速起闭阀门法 |
28 |
|
3.1.2 射线吸收法 |
28 |
|
3.1.3 射线散射法 |
28-29 |
|
3.1.4 光纤探针法 |
29 |
|
3.1.5 热学法 |
29 |
|
3.1.6 核磁共振法 |
29-30 |
|
3.1.7 微波法 |
30 |
|
3.1.8 模糊综合评判法 |
30 |
|
3.1.9 电导法 |
30-31 |
|
3.2 纵向环形多电极法的相含率测量原理 |
31-33 |
|
3.3 油水两相流测量系统 |
33-40 |
|
3.3.1 系统的构成 |
33-34 |
|
3.3.2 LabVIEW 软件编写数据采集程序 |
34-37 |
|
3.3.3 实验结果 |
37-40 |
|
第四章 基于软测量方法的油水两相流相含率测量 |
40-60 |
|
4.1 人工神经网络基本理论 |
40-42 |
|
4.1.1 人工神经网络的发展及应用 |
40-41 |
|
4.1.2 人工神经网络的基本原理 |
41-42 |
|
4.2 BP 神经网络的原理及算法 |
42-49 |
|
4.2.1 BP 网络的前馈计算 |
43 |
|
4.2.2 BP 网络调整权值的规则 |
43-45 |
|
4.2.3 BP 学习算法与应用 |
45 |
|
4.2.4 传统BP 算法的不足及其改进 |
45-46 |
|
4.2.5 基于Levenbery-Marquardt 优化法的BP 算法模型 |
46-48 |
|
4.2.6 神经网络的参数调节 |
48-49 |
|
4.3 人工神经网络在油水两相流相含率预测中的应用 |
49-60 |
|
4.3.1 神经网络的输入与输出变量 |
49-53 |
|
4.3.2 神经网络的输入输出特征量处理 |
53-55 |
|
4.3.3 人工神经网络的网络结构确定 |
55-57 |
|
4.3.4 油水两相流相含率预测结果及分析 |
57-60 |
|
第五章 结束语 |
60-61 |
|
参考文献 |
61-66 |
|
发表论文和科研情况说明 |
66-67 |
|
致谢 |
67 |
|
| 【DOI】 | LunWen.ID:2.2008.378321 |
