买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:长江大学
摘要:本发明提供了一种基于DAS测井数据的气液两相流流型识别方法,属于气液两相流流型识别技术领域,解决了如何从复杂的声学信号中准确提取与流型相关的特征信息,以及如何构建高效的识别模型来处理这些数据的问题。本发明包括的具体步骤包括S1信号采集、S2预处理和S3流型识别。本发明通过利用分布式光纤声学传感技术DAS连续采集井下动态数据,结合小波变换提取时频图像,使用混合深度神经网络结合CNN和LSTM进一步提升了从复杂信号中准确提取和识别流型的能力,确保了实时和高效的流型分类。
主权项:1.一种基于DAS测井数据的气液两相流流型识别方法,其特征在于,所述识别方法包括以下步骤:S1信号采集:将微结构光纤沿井筒过流截面均匀布置,通过微结构光纤使用DAS采集系统连续采集经过井筒过流截面的气液两相流的DAS信号;S2预处理:采用连续小波变换的方法对气液两相流的DAS信号进行转换,得到气液两相流的时频图像;S3流型识别:S3.1建立模型:利用卷积神经网络CNN和长短期记忆递归神经网络LSTM建立混合深度神经网络流型识别模型;混合深度神经网络流型识别模型包括输入层、第一卷积层、第一批归一化层、第一Relu激活层、第一层最大池化层、第一Dropout层、第二卷积层、第二批归一化层、第二Relu激活层、第二最大池化层、第二Dropout层、Flatten层、LSTM层、第一全连接层、第三Dropout层、第二全连接层、第四Dropout层、第三全连接层、Softmax层和分类层;S3.2完善模型:S3.2.1混合深度神经网络模型训练:收集气液两相流不同流型下的时频图像样本;将时频图像样本输入至混合深度神经网络模型中;利用混合深度神经网络模型提取时频图像样本的流型特征,将提取的流型特征进行分类,以识别时频图像样本对应的流型;根据分类结果训练和优化混合深度神经网络模型,得到最终的流型识别模型;S3.2.2嵌入算法:在流型识别模型中嵌入t-分布随机邻域嵌入算法;t-分布随机邻域嵌入算法用于将提取到的流型特征进行降维处理,以便可视化模型流型分类效果;S3.3流型识别:将步骤S2中的气液两相流的时频图像输入至流型识别模型中,流型识别模型的输出结果为气液两相流的具体流型。
全文数据:
权利要求:
百度查询: 长江大学 一种基于DAS测井数据的气液两相流流型识别方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。