蘇茜，夏志飛，劉振興

（1 武漢科技大學信息科學與工程學院/人工智能學院，湖北 武漢 430081；2 武漢科技大學冶金自動化與檢測技術教育部工程研究中心，湖北 武漢 430081）

多相流動現(xiàn)象在石油、化工等工業(yè)領域廣泛存在[1]，比如石油管道中原油的運輸和化工生產(chǎn)過程[2]中存在的油氣水三相流現(xiàn)象。在實際生產(chǎn)過程中，由于各分相速度差異產(chǎn)生的相間滑移現(xiàn)象，油氣水三相流形成不同的相分布狀態(tài)，以此被劃分為不同的流型。油氣水段塞流是工業(yè)生產(chǎn)中常見的流型之一[3]，影響著設備的運行效率和安全性。油氣水段塞流具有間歇性且管道內(nèi)氣體和液體流速的變化大等特點，由于復雜流動狀態(tài)的間歇性和不規(guī)律性，段塞流一直是多相流測試中的研究難點之一。

前人研究的流型識別方法，按照測試原理可分為光學方法、射線方法、電學方法和超聲波方法等。在研究氣液界面結(jié)構以及油水相界面結(jié)構時，通過透明管道視覺觀察流動狀態(tài)是最原始的流型識別方法，但視覺觀察方法具有很強的主觀性，且在氣、液相速度較高時不準確[4]。隨著實驗器材的進步，研究者采用高速攝像機采集管道內(nèi)圖像信息，通過圖像算法提取流動特征進而進行流型識別[5-6]?；诠鈱W方法的光學探針也被用于多相流研究中[7]，但是光學法對實驗環(huán)境要求較高，檢測時要求管道完全透明，并且要注意避免由于管道材料光散射造成的較大誤差。射線具有良好的穿透性且能量衰減量與介質(zhì)直接相關，所以被許多研究者應用于多相流測試領域[8-9]。其中，可以采用衰減伽馬輻射和原始伽馬輻射的差異來分辨流動介質(zhì)的密度，以及高壓條件下的三相分層、分層波狀和段塞流的相分布情況[10]。雖然射線法的透過性好，準確性較高，但有一定的安全隱患且設備成本較高，其應用受到限制。電學方法響應速度高、時間分辨率高、成本低且結(jié)構簡單，但阻抗傳感器易受管道內(nèi)流型影響，當管道內(nèi)出現(xiàn)反相時，需借助不同的電學測試原理[11]；而且，電極需與流體接觸，對流體有一定的干擾性，不適用于酸堿性流體檢測。

超聲技術因其低成本、結(jié)構簡單、非侵入性和安全性高等特點，適用于石油行業(yè)常遇到的遙感、遠距離信號傳輸和操作條件惡劣，在工業(yè)生產(chǎn)應用中具有巨大潛力。Ren 等[12]通過一對垂直放置的超聲傳感器，研究超聲衰減系數(shù)，實現(xiàn)了氣液兩相流型識別與空隙率的檢測。Yen 等[13]利用超聲傳感器結(jié)合神經(jīng)網(wǎng)絡，識別了垂直管內(nèi)氣液兩相流的流型。Broomhead 等[14]利用超聲多普勒技術，通過研究氣液兩相流速信息實現(xiàn)了氣液兩相流的流型識別，并繪制出了更加精確的氣液兩相流型圖。Abbagoni等[15]利用超聲多普勒效應，采集氣液兩相流超聲響應信號，結(jié)合多層感知機神經(jīng)網(wǎng)絡，通過功率譜密度實現(xiàn)了氣液兩相流型的識別。Figueiredo 等[16]利用人工神經(jīng)網(wǎng)絡解決了超聲傳感器使用前需要校準的問題，并開發(fā)了用于兩相流型識別和相含率預測的神經(jīng)網(wǎng)絡模型。趙德喜等[17]針對超聲在不同介質(zhì)界面回波衰減特點，提出了一種非侵入式的氣液兩相流流型在線超聲識別方法。Liu 等[18]使用一種連續(xù)波超聲多普勒和電導技術結(jié)合的雙模態(tài)傳感器，用于水平油水兩相流流型識別。Zhang 等[19]對氣液兩相超聲多普勒信號經(jīng)驗小波變換和傅立葉譜分析，并通過馬氏距離比較特征向量的相似度，實現(xiàn)了氣液兩相流型識別。Su等[20]基于超聲傳播機理和SVM 支持向量機實現(xiàn)了油水兩相流型識別。

近幾十年來超聲技術廣泛用于油氣水多相流的研究，在兩相流型識別方面取得了一定進展，但油氣水三相流流型識別問題仍未得到有效解決。利用超聲技術的油氣水三相流流型識別多集中在油氣水分散段塞流，針對油氣水三相段塞流型中其他非均勻和非分層流型還有很大的研究空間。本文提出一種結(jié)合超聲透射衰減原理和超聲反射回波原理的油氣水段塞流子流型識別方法。首先，根據(jù)油氣水段塞流的流動特點，搭建一發(fā)四收的超聲測試仿真平臺，建立油氣水段塞流典型流型的仿真模型。其次，利用透射衰減信號對段塞流液膜區(qū)，氣泡夾帶區(qū)和穩(wěn)定液塞區(qū)進行分區(qū)處理。在此基礎上，利用穩(wěn)定液塞區(qū)的反射信號，提取時間序列數(shù)據(jù)中回波能量積分等統(tǒng)計特征，通過RBF 神經(jīng)網(wǎng)絡對油氣水段塞流流型進行識別。

1 超聲測試原理

超聲波是一種高頻聲波，具有很強的穿透性和指向性，當超聲波從一種介質(zhì)傳播到另一種介質(zhì)時，在兩相聲阻抗不同的介質(zhì)分界面上，會發(fā)生反射和透射。一部分能量反射回到原來的介質(zhì)中，稱為超聲反射現(xiàn)象；另一部分的聲波能量會繼續(xù)傳播到第二種介質(zhì)中，稱為超聲透射現(xiàn)象[11]。

1.1 超聲透射衰減原理

超聲波在介質(zhì)中傳播時，隨著傳播距離的增大，聲路上單位面積通過的聲能逐漸減弱，這種現(xiàn)象即為超聲波的衰減。超聲波能量衰減的主要因素有聲束本身存在擴散現(xiàn)象使能量逐漸分散而導致的擴散衰減，超聲波在傳播過程中遇到不同聲阻抗介質(zhì)組成界面發(fā)生散亂反射導致的散射衰減，以及由于介質(zhì)本身成分和顯微組織結(jié)構等特性產(chǎn)生的內(nèi)吸收而導致的吸收衰減。超聲發(fā)射端發(fā)出的超聲波經(jīng)過油水氣段塞流的吸收衰減，散射衰減和擴散衰減機制后，到達超聲接收端。超聲衰減系數(shù)如式(1)所示。

式中，p1和p2為超聲發(fā)射端和超聲接收端的聲壓；l為發(fā)射端和接收端之間的距離。

1.2 超聲反射回波原理

超聲波從第一介質(zhì)入射到具有不同聲阻抗的第二介質(zhì)時，在兩種介質(zhì)之間的界面上超聲波會發(fā)生反射及透射現(xiàn)象，超聲波的反射狀況及透射狀況可分別由聲壓反射系數(shù)及聲壓透射系數(shù)表征［式(2)～式(4)］。

式中，rp為聲壓反射系數(shù)；tp為聲壓透射系數(shù)；Z1、Z2分別為第一、二介質(zhì)的聲阻抗；α為聲束軸線入射角；β為聲束軸線反射角；ρi為介質(zhì)密度；ci為介質(zhì)波速。

溫度為25℃時，水的聲阻抗為1.49×106Pa·s/m2，油的聲阻抗約為1.08×106Pa·s/m2，氣的聲阻抗為415Pa·s/m2。根據(jù)式(2)、式(3)，氣液相界面的聲壓反射系數(shù)為99.93%，聲壓透射系數(shù)為0.07%，所以當超聲波束入射到光滑氣液界面時，幾乎發(fā)生全反射現(xiàn)象。油水相界面的聲壓反射系數(shù)為16.09%，聲壓透射系數(shù)為83.91%，發(fā)生透射和反射，超聲以透射現(xiàn)象為主。油氣水分散流型中，離散相以液滴形式均勻分散在連續(xù)相中。當離散相液滴的粒徑增大或數(shù)量增多時，液滴對超聲產(chǎn)生多重散射，從而超聲波表現(xiàn)出復雜的散射特性。因此，超聲波與多相流相互作用后，超聲信號中攜帶了豐富的相分布信息，能夠表征多相流中的相分布特性，可應用于油氣水段塞流流型識別。

2 油氣水段塞流建模仿真

2.1 油氣水段塞流型仿真建模

根據(jù)相含率和邊界條件的不同，段塞流可分為ST段塞流型、ST&MI段塞流型、W/O&O/W 段塞流型、O/W&W 段塞流型、O/W 段塞流型、W/O 段塞流型以及W/O&O段塞流型[20]七類，如圖1所示。

圖1 油氣水段塞流典型流型

為研究油氣水三相段塞流流型中的超聲信號響應特點，利用多物理場耦合有限元仿真軟件進行仿真測試。“一發(fā)四收”的管道流型超聲測試系統(tǒng)安裝方式如圖2所示。收發(fā)一體的主超聲換能器1安裝于管道正下方，輔助接收傳感器2和3位于發(fā)射端左右兩邊，安裝角度與主超聲換能器1 呈22.5°角，用以接收波動界面的回波信號，輔助接收傳感4 位于管道正上方，主要用來識別油氣水段塞流分區(qū)。

圖2 超聲測試系統(tǒng)

仿真模型中，管道內(nèi)徑為50mm，超聲換能器的尺寸設置為0.6mm×9mm，底端收發(fā)一體超聲傳感器發(fā)出激勵信號，超聲波換能器中心發(fā)射頻率1MHz，超聲波脈沖持續(xù)時間為1×10-6s，為獲得一次回波信號，信號采集周期為8×10-5s。收發(fā)一體超聲換能器激勵電信號為正弦脈沖信號，可用式(5)表示。

式中，t為時間；f為激勵電信號頻率。

293.15K 環(huán)境溫度下，流體油、水和空氣的聲速分別為1420m/s、1448m/s 和342m/s。由于流體的剪應力作用，離散相液滴的粒徑分布在2mm 左右[21]，仿真中采用直徑1.5mm、2mm、2.5mm 圓形模擬離散相液滴。根據(jù)油氣水段塞流典型流型相分布特點，液膜區(qū)主要呈現(xiàn)氣液分層流相分布狀態(tài)，氣泡夾帶區(qū)和穩(wěn)定液塞區(qū)呈分散流相分布狀態(tài)。均勻分布模型通過分別建立不同粒徑大小、數(shù)量、疏密程度、排布方式的測試模型；非均勻分布使用打靶法確保不同仿真模型的隨機性，以實現(xiàn)數(shù)據(jù)集的規(guī)律性和隨機性，對不同流型分別建立50 個仿真模型。

為確保能捕獲到完整的段塞流信息，在實際測試過程中超聲信號采集時間需大于一個段塞周期。根據(jù)Thaker等[22]關于段塞流頻率的研究，段塞頻率的計算如式(6)。

式中，L為管道長度；D為管徑；ReSL為液體雷諾數(shù)；ReSG為氣體雷諾數(shù)。因此，最小測試持續(xù)時間應不小于1/fs。

根據(jù)不同油氣水段塞流的相分布以及流動規(guī)律建立段塞流包含液膜區(qū)，氣泡夾帶區(qū)和穩(wěn)定液塞區(qū)的超聲仿真模型，其中，O/W段塞流、O/W&W段塞流和ST段塞流流型聲壓分布分別如圖3～圖5所示。

圖3 O/W段塞流聲壓分布

圖4 O/W&W段塞流聲壓分布

圖5 ST段塞流聲壓分布

2.2 超聲透射衰減特性

基于超聲透射衰減測試原理，分析不同油氣水段塞流型液膜區(qū)、氣泡夾帶區(qū)和穩(wěn)定液塞區(qū)的透射聲壓絕對聲壓值，如圖6 所示。在段塞流的液膜區(qū)，由于氣、液兩相聲阻抗差異很大，超聲到達氣液相界面時，超聲以反射為主，所以穿過氣液界面到達管道頂部接收端的聲壓信號幅值很小，透射絕對聲壓在3～130Pa；而在段塞流的穩(wěn)定液塞區(qū)，由于油、水兩相聲阻抗差異較小，超聲透射經(jīng)過油水相到達管道頂部接收端，超聲傳播以透射為主，透射聲壓絕對值在174867～236382Pa，利用輔助傳感器4的透射聲壓絕對值差異，可以識別油氣水段塞流的液膜區(qū)和穩(wěn)定液塞區(qū)。

圖6 油氣水段塞流透射聲壓

2.3 超聲反射回波特性

在油氣水段塞流的液膜和穩(wěn)定液塞分區(qū)基礎上，選取主超聲換能器1穩(wěn)定液塞區(qū)的反射回波信號作為進一步識別油氣水段塞流流型的特征信號。仿真超聲波發(fā)射持續(xù)時間約為1×10-6s，分析(1～8)×10-5s時間段內(nèi)的超聲一次反射回波信號。不同段塞流子流型超聲回波信號如圖7所示。

圖7 油氣水段塞流典型流型回波聲壓

油氣水ST 段塞流型，由于油水密度差異和重力的作用，呈現(xiàn)油水兩相界面清晰的分層流動狀態(tài)。油水相界面的超聲回波聲壓呈現(xiàn)單峰分布，信號峰持續(xù)時間短。

油氣水ST&MI 段塞流型，相較于油氣水ST 段塞流型表觀氣速更大，在剪切應力的作用下，油水相界面穩(wěn)定分層的狀態(tài)被破壞，少量油相和水相以液滴形式分散在油水相界面附近，油水相界面處有一層油包水和水包油的現(xiàn)象?；夭ㄐ盘柗逯岛晚憫逯登€跨度都較ST 段塞流更大。油水相界面的超聲回波聲壓同樣呈現(xiàn)單峰分布，但由于離散相界面回波和分層相界面回波信號的疊加，使回波信號強度相較油氣水ST&MI 段塞流型更大，信號峰持續(xù)時間長。

油氣水W/O段塞流型和油氣水O/W段塞流型，都發(fā)生在高氣速、油水兩相比例差異大的入口條件下，水相和油相由于湍流的剪切應力作用，以液滴形式均勻分散在連續(xù)相中。超聲回波在離散相水滴表面多次散射，且由于離散相分散程度較高。油水相界面的超聲回波聲壓呈現(xiàn)多峰分布，回波信號能量均勻分布，持續(xù)整個測試周期。

油氣水W/O&O段塞流型，由于油相含率較大，水相含率較小，油相以連續(xù)相形式分布，水相以離散相液滴形式分布在管道的下部。超聲回波信號能量主要分布在整個回波采集周期的前半段，回波采集周期的后半段回波信號能量很小，呈現(xiàn)先高后低兩段式分布。

油氣水O/W&W段塞流型，油相含率較小，水相含率較大，管道內(nèi)連續(xù)相為水相，油相以離散相液滴形式分布在管道的上部。超聲回波信號能量主要分布在整個回波采集周期的后半段，回波采集周期的前半段回波信號能量很小，呈現(xiàn)先低后高兩段式分布。

油氣水W/O&O/W 段塞流型，由于大量水滴以離散相分布在上層油相中，大量油滴以離散相分布在下層水相中，形成上層油包水、下層水包油的相分布狀態(tài)。超聲在整個透射過程中，會先在離散油滴處反射，隨后到達油水相分層界面產(chǎn)生一個回波信號，最后到達上層油包水區(qū)域，產(chǎn)生水相的散射信號。超聲回波聲壓呈現(xiàn)多峰分布，信號峰持續(xù)時間長，同樣呈現(xiàn)先高后低兩段式分布。

3 油氣水段塞流流型識別

3.1 特征參數(shù)提取

超聲回波信號特征與在管道內(nèi)油、氣、水相分布狀況密切相關，通過超聲回波頻譜對油氣水段塞流進行流型識別。將超聲回波頻譜(1～8)×10-5s分成7個時間區(qū)域，共有7000個聲壓數(shù)據(jù)點，如圖8所示。對每個時間區(qū)域Nn（n=1, 2, 3, …, 7）的聲壓信號進行積分，表征相應時間間隔的回波能量大小。

圖8 超聲回波信號分區(qū)

由于每次發(fā)射的超聲信號仍然存在一定差異，為了歸一化不同實驗組的衰減程度，對回波聲壓信號幅值進行歸一化處理，如式(7)所示。

式中，Ai為瞬時幅值；Amin和Amax分別為超聲回波信號幅值的最小值和最大值；AN為幅值歸一化信號。

Sn為回波信號分時段的回波信號能量參數(shù)，如式(8)所示。

式中，n=1,2,…,6,7，分別對應不同回波時間段；Δts為采樣點時間間隔。

油氣水段塞流各流型超聲回波信號特征分七時段的能量參數(shù)分布，如圖9所示。不同油氣水段塞流子流型下的能量參數(shù)變化趨勢差異較大。這是由于不同段塞流的相界面和離散相位置不同。如圖9(a)所示，在油氣水分散段塞流中，由于離散相分布較均勻，且沒有油水分層界面，所以超聲回波信號在檢測時間內(nèi)強度的變化程度較小，且沒有明顯峰值。如圖9(b)所示，在油氣水O/W&O段塞流和油氣水O/W&W段塞流中由于離散相分布位置處于管道上部或者下部，故回波信號集中在采集時間的前段或者后端。如圖9(c)所示，油氣水ST 段塞流，由于介質(zhì)中存在的離散相液滴較少，回波能量在具有明顯油水相界面的ST 段塞流，ST&MI 段塞流中具有明顯油水分層現(xiàn)象，故超聲回波中包含在油水分層界面反射回來的超聲回波，故具有明顯回波峰值。

圖9 油氣水段塞流的回波信號能量參數(shù)

3.2 基于RBF網(wǎng)絡的油氣水段塞流流型識別

徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡是一種利用徑向基函數(shù)作為激活函數(shù)進行逼近、預測和分類的人工神經(jīng)網(wǎng)絡。RBF神經(jīng)網(wǎng)絡包含輸入層、中間層和輸出層共三層[23]。RBF網(wǎng)絡可以處理系統(tǒng)內(nèi)難以解析的規(guī)律性，具有很好的泛化能力，并且具有較快的學習速度，已成功應用于非線性函數(shù)逼近、時間序列分析、數(shù)據(jù)分類、模式識別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等[24]。

利用RBF 神經(jīng)網(wǎng)絡進行油氣水段塞流流型識別的算法結(jié)構如圖10 所示。將回波信號能量參數(shù)Sn特征向量作為RBF 神經(jīng)網(wǎng)絡的輸入樣本進行訓練。輸出矢量分別為油氣水分散段塞流、油氣水O/W&W 段塞流型、油氣水W/O&O 段塞流型、油氣水分層段塞流型、油氣水混合界面分層段塞流型和油氣水W/O&O/W 段塞流型。從仿真獲得的350組數(shù)據(jù)中，選擇210組數(shù)據(jù)作為訓練樣本，采用交叉訓練方法對RBF 神經(jīng)網(wǎng)絡進行訓練，得到流型識別特征數(shù)據(jù)庫。另外140組被用作測試樣本，以評估網(wǎng)絡識別性能。

圖10 RBF網(wǎng)絡結(jié)構

用于段塞流子流型識別的RBF 網(wǎng)絡的輸入層有7 個神經(jīng)元，隱含層有210 個神經(jīng)元。每個隱含層神經(jīng)元采用徑向基函數(shù)作為激勵函數(shù)，輸出層有6 個神經(jīng)元，用y表示。隱含層與輸出層間權值為ω，輸出層的偏差用一個隱含層的神經(jīng)元實現(xiàn)。

當網(wǎng)絡輸入訓練樣本Xk時，網(wǎng)絡第j個神經(jīng)元的輸出如式(9)所示。

式中，ci為基函數(shù)的中心；‖‖為歐式范數(shù)；N為隱藏層節(jié)點數(shù)。RBF網(wǎng)絡的基函數(shù)常使用高斯函數(shù)，當基函數(shù)為高斯函數(shù)時，?(r)如式(10)所示。

式中，σ為高斯函數(shù)的方差，它決定了基函數(shù)的寬度；r為x和c之間的距離。隱含層神經(jīng)元的基函數(shù)是非線性對稱函數(shù)，當輸入信號落在基函數(shù)響應范圍內(nèi)時，神經(jīng)元將產(chǎn)生輸出。

RBF神經(jīng)網(wǎng)絡是一種監(jiān)督學習過程，所有仿真模型的流型已知，隨機選取一部分數(shù)據(jù)集進行訓練，使得輸入訓練樣本與對應的輸出值（流型編號）進行函數(shù)擬合，再將未經(jīng)過訓練樣本集輸入擬合函數(shù)，通過比對函數(shù)輸出值和數(shù)據(jù)集正確值判斷誤差，設定網(wǎng)絡停止迭代的誤差值為10-2，在每次迭代結(jié)束后，對迭代的結(jié)果，網(wǎng)絡將實際輸出和設定輸出進行誤差計算，由其誤差信號決定連接權值的調(diào)整，并調(diào)整相關權值開始新一輪迭代，當達到設定的誤差值，迭代停止。識別結(jié)果如圖11所示，W/O&O/W段塞流型，ST段塞流型和分散段塞流型的識別正確率是95%，ST&MI段塞流型識別正確率為90%，O/W&W段塞流型以及W/O&O段塞流型的正確識別率為100%。平均識別率為95.7%，出現(xiàn)誤差主要在段塞流ST&MI 流型、ST&MI 流型和W/O&O/W 流型之間。這是由于這三種油氣水段塞流都具有油水分層結(jié)構，ST&MI 段塞流型中離散相液層較厚時與W/O&O/W 段塞流型具有較為相似的相分布結(jié)構，影響了流型識別的精度。

圖11 RBF網(wǎng)絡測試結(jié)果

3.3 識別算法性能分析

使用BP 神經(jīng)網(wǎng)絡、深層神經(jīng)網(wǎng)絡與RBF 網(wǎng)絡算法分別訓練，訓練結(jié)果如圖12 所示，RBF 網(wǎng)絡學習過程相較于BP網(wǎng)絡學習過程收斂較快。使用聲場建模提取到的350組特征數(shù)據(jù)分別輸入到三種神經(jīng)網(wǎng)絡中進行訓練，三種網(wǎng)絡的分類性能見表1。14 組測試樣本中，BP 神經(jīng)網(wǎng)絡的識別數(shù)為129，RBF神經(jīng)網(wǎng)絡的識別數(shù)為134，使用RBF網(wǎng)絡油氣水段塞流流型識別率為95.7%，BP網(wǎng)絡的識別率為92.1%，深層神經(jīng)網(wǎng)絡的識別率為95.0%。高訓練次數(shù)下，只能增加訓練樣本和函數(shù)的擬合度，對測試樣本的識別準確性影響較小。結(jié)果表明，針對油氣水三相段塞流流型識別問題，在小樣本情況下，RBF神經(jīng)網(wǎng)絡的識別準確率和學習速度和識別率優(yōu)于BP神經(jīng)網(wǎng)絡和深層神經(jīng)網(wǎng)絡。

表1 神經(jīng)網(wǎng)絡分類算法的性能

圖12 神經(jīng)網(wǎng)絡算法學習過程

4 結(jié)論

以石油工業(yè)中水平管道油氣水三相段塞流動狀態(tài)監(jiān)測為背景，針對油氣水三相流型中油氣水段塞流流型的識別問題，提出了一種基于RBF 神經(jīng)網(wǎng)絡的油氣水三相段塞流流型超聲識別方法。

（1）利用多物理場耦合仿真軟件，綜合考慮界面形狀、粒徑尺寸、反相點等邊界條件，建立了油氣水段塞流典型流型的超聲測試仿真模型，并搭建了針對油氣水段塞流型識別的超聲測試系統(tǒng)。

（2）將超聲透射技術和超聲反射技術結(jié)合，研究不同段塞流區(qū)域的透射聲壓特征，實現(xiàn)了液膜區(qū)、氣泡夾帶區(qū)和液塞區(qū)的區(qū)分。相較基于單一超聲傳感器測試原理獲得了更豐富的管道內(nèi)相分布信息。

（3）針對油氣水段塞流流相結(jié)構分布問題，提取反射信號時間序列數(shù)據(jù)中的回波能量作為輸入特征向量，使用RBF 網(wǎng)絡進行統(tǒng)計分析，實現(xiàn)了油氣水段塞流流型識別，識別率為95.7%。提出的基于超聲傳播機理以及RBF 神經(jīng)網(wǎng)絡的油氣水段塞流流型識別方法補充了以往研究中的非均勻和非分層油氣水段塞流型的超聲傳播特征提取與理論分析。

基于超聲衰減法和反射回波法可以有效識別W/O&O 油氣水段塞流、O/W&W 油氣水段塞流和W/O&O/W 流型等與其他油氣水段塞流結(jié)構差異較大的油氣水段塞流型。但是油氣水段塞流型中，ST 油氣水段塞流和油水相界面低混雜狀態(tài)時的ST&MI 油氣水段塞流的特征相似度高，分類準確度有待提高。由于分散段塞流流型和分層段塞流流型的回波持續(xù)時間不同，可以考慮引入回波持續(xù)時間或超聲衰減系數(shù)以增加流型識別的正確率。另外，對于油、水液相部分聲阻抗特性差異較小的W/O 油氣水段塞流和O/W 油氣水段塞流油氣水段塞流的超聲識別方法有望進一步研究。

符號說明

Ai，Amin，Amax——分別為回波聲壓信號瞬時幅值、最小幅值和最大幅值，Pa

ɑ——超聲衰減系數(shù)，Np/m

Ck——基函數(shù)的中心

D——管道直徑，m

fs——段塞流頻率，Hz

L——管道長度，m

l——發(fā)射端和接收端之間的距離，m

N——回波信號區(qū)域

p——超聲換能器的聲壓值，Pa

ReSL，ReSG——分別為液體雷諾數(shù)和氣體雷諾數(shù)

rp——聲壓反射系數(shù)，%

Sn——回波信號能量參數(shù)，Pa·s

tp——聲壓透射系數(shù)，%

Δts——采樣點時間間隔，s

Xk——輸入訓練樣本

Z1，Z2——第一、二介質(zhì)的聲阻抗，Pa·s/m

?(r)——基函數(shù)

σ——高斯函數(shù)方差