11.4.2　压差法检测智能计算

Wang X等提出了一种新的方法来测量流量，该方法使用了基于文丘里管的智能计算近似技术。测量系统如图11-9所示，开发了反向传播ANN（BP-ANN）模型和SVM模型，以通过压差的静态和动态特征估算气体流量和液体流量。在天然气和水的两相流中采用2英寸进行了试验测试。气体流量为0.0139～0.0444m3/s，液体流量为0.000～0.0015m3/s。发现在信号特征和两相流量之间的复杂关系的近似中，ANN和SVM模型都是有效的。使用BP神经网络时，燃气流量的平均预测误差和标准偏差分别为3.14%和4.22%，而水流量的平均预测误差和标准偏差分别为4.77%和6.33%。通过支持向量机计算模型，相对预测误差的平均值和标准偏差分别为气体流量的2.86%和4.39%，而水流量的平均值和标准偏差分别为4.25%和6.09%。与ANN模型相比，SVM模型显然具有优势，因为气体和水流量的相对预测误差分别提高了8.9%和10.9%。

图11-9　基于ANN/SVM的文丘里管多相流测量系统

Shaban和Tavoularis提出了一种使用压差（DP）信号测量垂直向上的管道中的气体和液体流速的方法。如图11-10所示，通过主成分分析（PCA）和独立成分分析（ICA）获得并处理了归一化DP信号的概率密度函数和功率谱密度。首先通过在DP信号的概率密度函数上，应用弹性映射方法来确定两相流态；然后，针对每种流态（段塞、搅动和环形），开发以提取的特征作为输入的多层BP-ANN，以产生相流量。在直径32.5mm的垂直管中进行空气—水试验，空气表观速度为0.014～22m/s，液体速度为0.04～0.4m/s。试验结果表明，段塞、搅动和环形流态的液体流量的平均相对误差分别为-0.3%、-0.1%和-0.4%，气体流量的平均相对误差分别为5.5%、0.5%和0.6%。

图11-10　基于PCA-ICA和ANN的差压法气液流量测量系统