本發(fā)明涉及一種兩相流雙模態(tài)多源信息融合方法。特別是涉及一種針對油水兩相流循環(huán)激勵雙模態(tài)傳感器多通道信號的基于小波多分辨率雙層復雜網(wǎng)絡的多源信息融合法及應用。

背景技術(shù)：

油水兩相流廣泛存在于石油開采與運輸產(chǎn)業(yè)。在油水兩相流系統(tǒng)中，各相的分布隨著時間和空間在不斷變化，形成了不同的流動形態(tài)，稱之為流型。兩相流的流型復雜多變，局部流動信息難以準確捕捉，使得相含率等兩相流流動參數(shù)的測量存在諸多難點。這對于石油開采和工藝改造成了諸多影響。目前，對于流型的研究主要是采用觀測法、小波特征分析和模糊C聚類、模糊邏輯和遺傳算法、數(shù)字圖像處理算法等。對于相含率的測量多采用電導法、電容法、光學法和射線法等。傳統(tǒng)的測量采用的環(huán)形電導傳感器和雙螺旋電容傳感器等，是單通道傳感器，容易丟失微觀的局部流動信息。而分布式電導傳感器和激勵循環(huán)激勵傳感器等則可以同時采集多通道信號，捕捉到更豐富的微觀流動信息，為流型和流型演化中的流動機制研究提拱了重要技術(shù)支持。

復雜網(wǎng)絡理論自創(chuàng)立以來，如今已在多領(lǐng)域得到了蓬勃發(fā)展，是研究復雜系統(tǒng)的一個重要工具，尤其是近年來其在時間序列分析中作出了重大貢獻。實踐表明，復雜網(wǎng)絡對于挖掘包含在非線性時間序列中和非線性動力學系統(tǒng)中的重要信息具有明顯的優(yōu)勢，效果顯著。其在單通道時間序列上的得到成功應用的同時，也使得科研人員開始關(guān)注如何將其應用到多通道數(shù)據(jù)的融合分析中。此外，過去對于復雜網(wǎng)絡的研究主要集中在單層網(wǎng)絡的分析上，而雙層網(wǎng)絡的出現(xiàn)則彌補了單層網(wǎng)絡在融合信息方面的單一性，能夠更好融合不同屬性的信息，從而挖掘出更加豐富的復雜系統(tǒng)的內(nèi)在特性。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是，提供一種能夠?qū)崿F(xiàn)對復雜流動結(jié)構(gòu)的辨識，刻畫流型演化中的內(nèi)在動力學機制的基于小波多分辨率雙層復雜網(wǎng)絡的多源信息融合法及應用。

本發(fā)明所采用的技術(shù)方案是：一種基于小波多分辨率雙層網(wǎng)絡的兩相流多源信息融合法，包括如下步驟：

1)對通過由循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器組成的循環(huán)激勵雙模態(tài)傳感器得到的多通道時間序列分別構(gòu)建小波系數(shù)復雜網(wǎng)絡；

2)構(gòu)建小波多分辨率聚合網(wǎng)絡，并分別繪制包含有流型信息的圖能量和交叉聚集系數(shù)熵與分辨率的關(guān)系圖；

3)構(gòu)建小波雙層復雜網(wǎng)絡，并分別繪制包含有流型信息的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值、節(jié)點度的均值和節(jié)點特征向量中心性的均值與分辨率的關(guān)系圖。

步驟1)包括：

(1)獲取通過循環(huán)激勵雙模態(tài)傳感器得到的包含有兩相流流體局部流動信息的S組長度均為L的多通道時間序列

(2)對于每一通道的時間序列，進行6個分辨率的小波變換，每一個分辨率得到1個低頻系數(shù)子帶即近似系數(shù)和1個高頻系數(shù)子帶即細節(jié)系數(shù)，共得到6個低頻系數(shù)子帶和6個高頻系數(shù)子帶，求每一個低頻帶和每一個高頻帶的最大值x₁、最小值x₂、平均值x₃、標準偏差x₄、陡度函數(shù)x₅和峭度函數(shù)x₆；這樣對于每一個分辨率來說，低頻帶和高頻帶的12個特征值組成一個特征向量

(3)對于多通道時間序列在每一個分辨率上，計算每兩通道時間序列的特征向量的歐氏距離d＝||X(m)-X(n)||m＝1,2,...,S n＝1,2,...,S,其中，|| ||表示計算歐式距離，X(m)表示通道m(xù)的特征向量，X(n)通道n的特征向量；將每一通道的信號作為復雜網(wǎng)絡的節(jié)點，以兩通道間的歐氏距離決定復雜網(wǎng)絡中兩節(jié)點的連邊；計算所有歐式距離的均值M_n和標準偏差σ，則可得到一個閾值R＝M_n+qσ，其中q＝0.15；如果兩通道的歐氏距離大于該閾值，則兩節(jié)點之間沒有連邊，反之，則兩節(jié)點之間有連邊；由此，在不同分辨率下分別構(gòu)建小波系數(shù)復雜網(wǎng)絡；這樣，對于一個多通道時間序列，共可得到6個小波系數(shù)復雜網(wǎng)絡。

步驟2)包括：

(1)通過循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器分別得到一個多通道時間序列，對于每一個多通道時間序列分別在每一分辨率得到一個小波系數(shù)復雜網(wǎng)絡；

(2)考慮循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器在每個分辨率下分別構(gòu)建一個小波系數(shù)復雜網(wǎng)絡，所以每個分辨率下得到的兩個小波系數(shù)復雜網(wǎng)絡，將這兩個小波系數(shù)復雜網(wǎng)絡共有的連邊保留，節(jié)點數(shù)目不變，從而在每個分辨率下構(gòu)成一個小波多分辨率聚合網(wǎng)絡和它對應的鄰接矩陣A；

(3)對所述的小波多分辨率聚合網(wǎng)絡，設(shè)定圖能量指標E(A)：其中，λ_i表示每一個分辨率下新的小波系數(shù)復雜網(wǎng)絡鄰接矩陣A的特征值，n表示的是特征值的數(shù)目；設(shè)定聚集系數(shù)熵指標E_C：

其中，T_v表示的是一個新的小波系數(shù)復雜網(wǎng)絡中包含有節(jié)點v的封閉三角形的數(shù)目，k_v表示的是新的小波系數(shù)復雜網(wǎng)絡中節(jié)點v的度，C(v)表示的是節(jié)點v的聚集系數(shù)；

(4)分別繪制包含有流型信息的圖能量和交叉聚集系數(shù)熵與分辨率的關(guān)系圖，通過研究這兩個指標在流型演化過程中的轉(zhuǎn)變，用以辨識復雜流動結(jié)構(gòu)，指示流型演化過程中的內(nèi)在動力學機制。

步驟3)包括：

(1)對于步驟1)建的每個分辨率的兩個小波系數(shù)復雜網(wǎng)絡，分別作為小波雙層復雜網(wǎng)絡的一層，從而得到小波雙層復雜網(wǎng)絡，所述小波雙層復雜網(wǎng)絡的鄰接矩陣表示為其中，α表示雙層小波系數(shù)復雜網(wǎng)絡的層數(shù)，若節(jié)點i和j在α層有連接，則鄰接矩陣中對應的元素否則兩層網(wǎng)絡中的節(jié)點數(shù)目皆為S；

(2)小波雙層復雜網(wǎng)絡的任一層α中節(jié)點i的聚集系數(shù)

其中，α'表示小波雙層復雜網(wǎng)絡中不同于α層的另一層，和分別表示α層中節(jié)點i和節(jié)點j在鄰接矩陣中的元素值，α'層中節(jié)點j和m在鄰接矩陣中的元素值，α層中節(jié)點m和i在鄰接矩陣中的元素值；得到每一層中各節(jié)點的聚集系數(shù)，計算每層中節(jié)點聚集系數(shù)的均值C_α：

(3)計算小波雙層復雜網(wǎng)絡中的任一α層中的任意節(jié)點i的度其中，表示α層中節(jié)點i和j在鄰接矩陣中的元素值；得到每一層中每一個節(jié)點的度，計算每層中節(jié)點度的均值k_α：

(4)小波雙層復雜網(wǎng)絡的任一α層中節(jié)點i的特征向量中心性表示α層的鄰接矩陣A^[α]的主特征值對應的特征向量的第i個元素值；得到每一層中每一個節(jié)點的特征向量中心性值，計算每層中節(jié)點特征向量中心性的均值E_α：

(5)分別繪制包含有流型信息的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值C_α、節(jié)點度的均值k_α和節(jié)點特征向量中心性的均值E_α與分辨率的關(guān)系圖；循環(huán)激勵多電極電導傳感器對局部低含油率測量靈敏高，循環(huán)激勵多電極電容傳感器對局部高含油率測量靈敏度高，電導電容多源測量信息的有效融合實現(xiàn)互補式兩相流空間流動信息檢測，通過研究包含有流型信息每層網(wǎng)絡的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值C_α、節(jié)點度的均值k_α和節(jié)點特征向量中心性的均值E_α與分辨率的關(guān)系圖，研究每層的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值C_α、節(jié)點度的均值k_α和節(jié)點特征向量中心性的均值E_α三個指標在流型演化過程中的轉(zhuǎn)變，實現(xiàn)對雙模態(tài)信息的融合，指示流型演化過程中的內(nèi)在動力學機制。

一種基于小波多分辨率雙層網(wǎng)絡的兩相流多源信息融合法的應用，采用由循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器組成的循環(huán)激勵雙模態(tài)傳感器進行垂直油水兩相流實驗；固定油相和水相的配比，改變油相和水相的流量進行實驗；實驗過程包括如下步驟：

1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐漸向管道中通入油相，當油水兩相充分融合并逐漸穩(wěn)定后，采用循環(huán)激勵電導傳感器和循環(huán)激勵電容傳感器分別測量多通道的信號，并用高速攝像儀記錄流型；

2)一次采集結(jié)束后，改變油相和水相的流量，按步驟1)過程繼續(xù)采集，直至在固定的配比下所設(shè)計的工況都完成；

3)再改變油相和水相的配比，重復步驟1)至步驟2)的過程完成這一輪的測量，直至設(shè)計的所有工況全部測量完成；

4)基于得到的多通道測量信號，對于循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器分別建立不同分辨率下的小波系數(shù)復雜網(wǎng)絡，對于兩層網(wǎng)絡得到一個小波多分辨率聚合網(wǎng)絡；

5)計算圖能量和聚集系數(shù)熵值，分別繪制包含有流型信息的不同工況下圖能量、聚集系數(shù)熵隨著分辨率變化的關(guān)系圖，刻畫在不同流型的演化過程中的內(nèi)在動力學機制；

6)對于兩層網(wǎng)絡構(gòu)建小波雙層復雜網(wǎng)絡，計算每一層網(wǎng)絡的節(jié)點聚集系數(shù)均值、節(jié)點度均值、節(jié)點特征向量中心性均值，分別繪制包含有流型信息的節(jié)點聚集系數(shù)均值、節(jié)點度均值、節(jié)點特征向量中心性均值3個指標與分辨率變化的關(guān)系圖，用以研究在流型演化過程中，復雜流動結(jié)構(gòu)的變化和內(nèi)在動力學機制。

本發(fā)明的基于小波多分辨率雙層復雜網(wǎng)絡的多源信息融合法及應用，通過對由循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器組成的循環(huán)激勵雙模態(tài)傳感器得到的多通道數(shù)據(jù)采用小波變換的思想建立小波多分辨率雙層復雜網(wǎng)絡的方法進行多源信息融合，提取能夠指示流型生成與演化的雙層復雜網(wǎng)絡指標，實現(xiàn)對復雜流動結(jié)構(gòu)的辨識，刻畫流型演化中的內(nèi)在動力學機制。具有如下有益效果：

(1)提出了一種基于小波多分辨率雙層復雜網(wǎng)絡的油水兩相流多源信息融合方法；

(2)該方法能夠刻畫在油水兩相流流型演化過程中的內(nèi)在動力學機制。

附圖說明

圖1是本發(fā)明基于小波多分辨率雙層復雜網(wǎng)絡的多源信息融合法的分析示意圖。

具體實施方式

下面結(jié)合實施例和附圖對本發(fā)明的基于小波多分辨率雙層復雜網(wǎng)絡的多源信息融合法及應用做出詳細說明。

本發(fā)明的基于小波多分辨率雙層網(wǎng)絡的兩相流多源信息融合法，提出一種小波多分辨率雙層復雜網(wǎng)絡建網(wǎng)方法，通過對循環(huán)激勵雙模態(tài)傳感器得到的多通道數(shù)據(jù)采用小波變換的思想建立雙層復雜網(wǎng)絡的方法進行多源信息融合，提取雙層復雜網(wǎng)絡指標刻畫在流型演化過程中，內(nèi)在動力學機制。

本發(fā)明的基于小波多分辨率雙層網(wǎng)絡的兩相流多源信息融合法，包括如下步驟：

1)對通過由循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器組成的循環(huán)激勵雙模態(tài)傳感器得到的多通道時間序列分別構(gòu)建小波系數(shù)復雜網(wǎng)絡；包括：

(1)獲取通過循環(huán)激勵雙模態(tài)傳感器得到的包含有兩相流流體局部流動信息的S組長度均為L的多通道時間序列

(2)對于每一通道的時間序列，進行6個分辨率的小波變換，采用Daubechies2階小波(db2)對其進行分解，分解層數(shù)為6層，即6個分辨率。每一個分辨率得到1個低頻系數(shù)子帶即近似系數(shù)和1個高頻系數(shù)子帶即細節(jié)系數(shù)，該時間序列分解后共得到6個低頻系數(shù)子帶和6個高頻系數(shù)子帶，求每一個低頻帶和每一個高頻帶的最大值x₁、最小值x₂、平均值x₃、標準偏差x₄、陡度函數(shù)x₅和峭度函數(shù)x₆；這樣對于每一個分辨率來說，低頻帶和高頻帶的12個特征值組成一個特征向量

(3)對于多通道時間序列在每一個分辨率上，計算每兩通道時間序列的特征向量的歐氏距離d＝||X(m)-X(n)||m＝1,2,...,S n＝1,2,...,S,其中，|| ||表示計算歐式距離，X(m)表示通道m(xù)的特征向量，X(n)通道n的特征向量；將每一通道的信號作為復雜網(wǎng)絡的節(jié)點，以兩通道間的歐氏距離決定復雜網(wǎng)絡中兩節(jié)點的連邊；計算所有歐式距離的均值M_n和標準偏差σ，令系數(shù)q＝0.15，則可得到一個閾值R＝M_n+qσ，其中q＝0.15；如果兩通道的歐氏距離大于該閾值，則兩節(jié)點之間沒有連邊，反之，則兩節(jié)點之間有連邊；由此，在不同分辨率下分別構(gòu)建小波系數(shù)復雜網(wǎng)絡；這樣，對于一個多通道時間序列，共可得到6個小波系數(shù)復雜網(wǎng)絡。

2)構(gòu)建小波多分辨率aggregation network即小波多分辨率聚合網(wǎng)絡，并分別繪制包含有流型信息的圖能量和交叉聚集系數(shù)熵與分辨率的關(guān)系圖；包括：

(1)通過循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器分別得到一個多通道時間序列，對于每一個多通道時間序列分別在每一分辨率得到一個小波系數(shù)復雜網(wǎng)絡；

(2)考慮循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器在每個分辨率下分別構(gòu)建一個小波系數(shù)復雜網(wǎng)絡，所以每個分辨率下得到的兩個小波系數(shù)復雜網(wǎng)絡，將這兩個小波系數(shù)復雜網(wǎng)絡共有的連邊保留，節(jié)點數(shù)目不變，從而在每個分辨率下構(gòu)成一個小波多分辨率聚合網(wǎng)絡和它對應的鄰接矩陣A；

(3)對所述的小波多分辨率聚合網(wǎng)絡，設(shè)定圖能量指標E(A)：其中，λ_i表示每一個分辨率下新的小波系數(shù)復雜網(wǎng)絡鄰接矩陣A的特征值，n表示的是特征值的數(shù)目；設(shè)定聚集系數(shù)熵指標E_C：

其中，T_v表示的是一個新的小波系數(shù)復雜網(wǎng)絡中包含有節(jié)點v的封閉三角形的數(shù)目，k_v表示的是新的小波系數(shù)復雜網(wǎng)絡中節(jié)點v的度，C(v)表示的是節(jié)點v的聚集系數(shù)；

(4)分別繪制包含有流型信息的圖能量和交叉聚集系數(shù)熵與分辨率的關(guān)系圖，通過研究這兩個指標在流型演化過程中的轉(zhuǎn)變，用以辨識復雜流動結(jié)構(gòu)，指示流型演化過程中的內(nèi)在動力學機制。

3)構(gòu)建小波雙層復雜網(wǎng)絡，并分別繪制包含有流型信息的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值、節(jié)點度的均值和節(jié)點特征向量中心性的均值與分辨率的關(guān)系圖，包括：

(1)對于步驟1)建的每個分辨率的兩個小波系數(shù)復雜網(wǎng)絡分別作為小波雙層復雜網(wǎng)絡的一層，從而得到小波雙層復雜網(wǎng)絡，所述小波雙層復雜網(wǎng)絡的鄰接矩陣表示為其中，α表示小波雙層復雜網(wǎng)絡的層數(shù)，若節(jié)點i和j在α層有連接，則鄰接矩陣中對應的元素否則兩層網(wǎng)絡中的節(jié)點數(shù)目皆為S；

(2)小波雙層復雜網(wǎng)絡的任一層α中節(jié)點i的聚集系數(shù)

其中，α'表示小波雙層復雜網(wǎng)絡中不同于α層的另一層，和分別表示α層中節(jié)點i和節(jié)點j在鄰接矩陣中的元素值，α'層中節(jié)點j和m在鄰接矩陣中的元素值，α層中節(jié)點m和i在鄰接矩陣中的元素值；得到每一層中各節(jié)點的聚集系數(shù)，計算每層中節(jié)點聚集系數(shù)的均值C_α：

(3)計算小波雙層復雜網(wǎng)絡中的任一α層中的任意節(jié)點i的度其中，表示α層中節(jié)點i和j在鄰接矩陣中的元素值；得到每一層中每一個節(jié)點的度，計算每層中節(jié)點度的均值k_α：

(4)小波雙層復雜網(wǎng)絡的任一α層中節(jié)點i的特征向量中心性表示α層的鄰接矩陣A^[α]的主特征值對應的特征向量的第i個元素值；得到每一層中每一個節(jié)點的特征向量中心性值，計算每層中節(jié)點特征向量中心性的均值E_α：

(5)分別繪制包含有流型信息的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值C_α、節(jié)點度的均值k_α和節(jié)點特征向量中心性的均值E_α與分辨率的關(guān)系圖；循環(huán)激勵多電極電導傳感器對局部低含油率測量靈敏高，循環(huán)激勵多電極電容傳感器對局部高含油率測量靈敏度高，電導電容多源測量信息的有效融合實現(xiàn)互補式兩相流空間流動信息檢測，通過研究包含有流型信息每層網(wǎng)絡的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值C_α、節(jié)點度的均值k_α和節(jié)點特征向量中心性的均值E_α與分辨率的關(guān)系圖，研究每層的每層網(wǎng)絡中的節(jié)點聚集系數(shù)的均值C_α、節(jié)點度的均值k_α和節(jié)點特征向量中心性的均值E_α三個指標在流型演化過程中的轉(zhuǎn)變，實現(xiàn)對雙模態(tài)信息的融合，指示流型演化過程中的內(nèi)在動力學機制。

本發(fā)明的基于小波多分辨率雙層網(wǎng)絡的兩相流多源信息融合法的應用，采用由循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器組成的循環(huán)激勵雙模態(tài)傳感器進行垂直油水兩相流實驗；固定油相和水相的配比，改變油相和水相的流量進行實驗；每個傳感器都由16個電極組成，每次測量中，其中一個電極作為激勵端，一個電極接地，其余14個電極接收，一次循環(huán)可測量得到16×14＝224通道的信號。由于電極循環(huán)激勵速度相對于流體流動的速度來說非常快，所以可以等效為這224通道的信號是同時測量的，由此可有效捕捉豐富的局部流動信息。實驗過程包括如下步驟：

1)固定水相和油相的配比，往垂直上升管道中通入一定量的水，然后逐漸向管道中通入油相，當油水兩相充分融合并逐漸穩(wěn)定后，采用循環(huán)激勵電導傳感器和循環(huán)激勵電容傳感器分別測量多通道的信號，并用高速攝像儀記錄流型；

2)一次采集結(jié)束后，改變油相和水相的流量，按步驟1)過程繼續(xù)采集，直至在固定的配比下所設(shè)計的工況都完成；

3)再改變油相和水相的配比，重復步驟1)至步驟2)的過程完成這一輪的測量，直至設(shè)計的所有工況全部測量完成；

4)基于得到的多通道測量信號，對于循環(huán)激勵多電極電導傳感器和循環(huán)激勵多電極電容傳感器分別建立不同分辨率下的小波系數(shù)復雜網(wǎng)絡，對于兩層網(wǎng)絡得到一個小波多分辨率聚合網(wǎng)絡；

5)計算圖能量和聚集系數(shù)熵值，分別繪制包含有流型信息的不同工況下圖能量、聚集系數(shù)熵隨著分辨率變化的關(guān)系圖，刻畫在不同流型的演化過程中的內(nèi)在動力學機制；

6)對于兩層網(wǎng)絡構(gòu)建小波雙層復雜網(wǎng)絡，計算每一層網(wǎng)絡的節(jié)點聚集系數(shù)均值、節(jié)點度均值、節(jié)點特征向量中心性均值，分別繪制包含有流型信息的節(jié)點聚集系數(shù)均值、節(jié)點度均值、節(jié)點特征向量中心性均值3個指標與分辨率變化的關(guān)系圖，用以研究在流型演化過程中，復雜流動結(jié)構(gòu)的變化和內(nèi)在動力學機制。

本發(fā)明通過對循環(huán)激勵雙模態(tài)傳感器得到的多通道數(shù)據(jù)采用小波變換的方法分別構(gòu)建不同分辨率下的小波多分辨率聚合網(wǎng)絡和小波雙層復雜網(wǎng)絡，分別在不同分辨率下計算復雜網(wǎng)絡各項指標，繪制包含有流型信息的不同的復雜網(wǎng)絡指標隨著分辨率變化的關(guān)系圖，用以研究在流型演化過程中的內(nèi)在動力學機制。

以上對本發(fā)明和實施例的描述，并不局限于此，實施例中的描述僅是本發(fā)明的實施方式之一，在不脫離本發(fā)明創(chuàng)造宗旨的情況下，任何不經(jīng)創(chuàng)造性的設(shè)計出與該技術(shù)方案類似的結(jié)構(gòu)或?qū)嵤├?，均屬本發(fā)明的保護范圍。