11.5.2　智能计算技术

MLP神经网络已被广泛用于估计单个相的流量和相分数。但是，神经网络的结构参数需要在训练过程中进行调整，并且通常通过反复试验来确定。由于结构固定且参数可调性较差，因此在一些研究中采用了RBF神经网络来提高训练效率。尽管神经网络为多相流量测量提供了有效的解决方案，但是ANN基于经验风险最小化，并且所有参数都经过迭代调整，因此ANN可能会过拟合。在这种情况下，基于结构风险最小化的SVM提供了一种替代选择。一些研究工作已经证明，在泛化能力方面，SVM的性能优于ANN。对于进化算法，遗传算法已被广泛用于优化神经网络的内部参数。与ANN和SVM相比，模糊逻辑和概率推理在多相流量测量中的应用较少；另外，已经开发了一些结合了ANN和模糊逻辑的基于知识的系统，例如ANFIS。这种混合系统利用了人工神经网络和模糊逻辑系统的优势。对于解决难以通过分析或数学模型描述的问题，软计算方法优于常规方法。

成功的应用表明，软计算技术将在未来几年中对多相流量计量产生越来越大的影响。利用每种技术的优势和混合模型为多相流量测量领域提供了新的维度。另外，深度学习是一组机器学习算法，可以使用由多个非线性变换组成的体系结构对数据中的高级抽象进行建模。深度学习已成功应用于计算机视觉、语音识别和社交网络过滤领域。最近尝试了将深度学习用于流模式识别。预计在未来几年中，将会出现更多的深度学习在多相流量测量中的应用。

许多结合了智能计算技术的传感组件已用于测量气—液和液—液流中的各个流量和相分数。一些研究集中在气固液三相流中单个固相浓度的测量上。但是，单个流量尚未量化。很少有报道使用软计算技术来测量泥浆流的相流速或相分数。但是，使用智能计算技术预测了考虑管道设计的参数，例如压降、滞留和临界速度。可以预见，在未来的几年中，在开发结合传统传感器和软计算技术的测量系统方面将取得更大的进步，用于测量气—液、气—固和液—固流量。