应用神经网络法智能识别油气水多相流流型

采用分形理论和神经网络技术来实现智能识别油气水多相流流型。测量了水平管内油气水多相流的压差,应用分形理论中的重构相空间算法（Ｇｒａｓｓｂｅｒｇｅｒ－Ｐｒｏｃａｃｃｉａ算法）,算出压差信号的关联维数,然后将关联维数作为径向基函数神经网络的输入,从而实现对流型的智能识别。实验结果证明,该识别方法十分有效。     

分形理论在油气水多相流流型识别中的应用

用分形的特征参数－－关联维数来表征油气水多相流流动的分形性质,对水平管内 气水氏相流流动的瞬态压差信号序列运用相空间重构法进行处理,计算出各种流型的压关联维数,分析结果表明,各种流型的信号序列在重构的伪相空间中具有不同的关联维数,反映了各个流型的动力学形成机制的不同,所以关联维数可用于上流流型的识别,实验结果证明,这种要用分形理论对多相流流型进行识别的新颖方法是十分有效的。     

形理论在油气水多相流流型识别中的应用

用分形的特征参数--关联维数来表征油气水多相流流动的分形性质.对水平管内油气水多相流流动的瞬态压差信号序列运用相空间重构法进行处理,计算出各种流型的压差信号的关联维数.分析结果表明,各种流型的信号序列在重构的伪相空间中具有不同的关联维数,反映了各个流型的动力学形成机制的不同,所以关联维数可用于多相流流型的识别.实验结果证明,这种采用分形理论对多相流流型进行识别的新颖方法是十分有效的.     

油气水多相流流型智能识别系统的设计与实现

利用模式识别理论的语言来表述油气水多相汉流型的识别问题，将油气水多相汉流型的识别问题转换为一类模式识别问题，从而借助模式识别的理论来完成流型的智能识别。按照模式识别的三大过程，即信号测量、信号篁 征提取以及状态识别，建立起一套油气水多相流流型智能识别系统，该系统能自动在线地输出油气水多相流流动的流型类别。     

小波分析在多相流流型识别中的应用

提出了一种利用小波变换进行流型分析的方法,采用以变换分析水平管流上的压差信号,根据段塞流与波状流的小波分析特性,可容易地识别流型,与其他流型识别方法相比,该方法所需测量参数少,便于实时,连续地判断流型 。     

改进BP神经网络在流型智能识别中的应用

为了克服ＢＰ神经网络的易陷入局部极小、收敛速度慢等缺点,利用非线性最小二乘法对其进行了改进,改进后的ＢＰ神经网络的收敛速度提高了１￣２个数量级,同时利用压阻式压关器测得了水平管内油气水多相流压差信号,根据分形理论中的重要构相空间法提取出压差信号的特征向量,再将特征向量送入改进的ＢＰ神经网络中,从而完成对油气水多相流流型的智能识别,结果证明,改进的ＢＰ神经网络能有铲地自动识别出油气水多相流的流型。     

多相流流型识别技术与系统开发

基于油气水多相流混合物在管道内流动时的多传感器信号－－压力和压差信号，建立特定流型的识别规则，采用学习矢量量化模式分类器作为未知流型的分类器，根据数据融合的技术思路获得了油气水多相流的流型在线识别技术。通过系统集成的手段，利用微处理装置研制出了流型识别系统。该识别技术具有置信度高、容错性好、性能稳定、降低了对单个传感器的性能要求等优点。该识别系统结构简单、无运动部件、不改变管道的截面结构，可以处理非快速变化的瞬态流动，测量误差小于10％，并具有连续工作、定时打印、信号输出等功能。     

小波分析在多相流流型识别中的应用

提出了一种利用小波变换进行流型分析的方法。采用小波变换分析水平管流上的压差信号 ,根据段塞流与波状流的小波分析特性 ,可容易地识别流型。与其他流型识别方法相比 ,该方法所需测量参数少 ,便于实时、连续地判断流型。     

多相流流型图像采集方法

介绍一种利用计算机，激光和数字图像采集等技术获取多相流流图图像的方法。该方法不仅能获得过流断面多相流动介质的分布图象，还可同时记录下对应状态的流动参数，文中对涉及的主要设备情况和技术路线进行了详述。该方法在分散相浓度分布，段塞特性等研究中具有良好的前景。     

多相流流型图像采集方法

介绍了一种利用计算机、激光和数字图像采集等技术获取多相流流型图像的方法．该方法不仅能获得过流断面多相流动介质的分布图像，还可同时记录下对应状态的流动参数．文中对涉及的主要设备情况和技术路线进行了详述，该方法在分散相浓度分布、段塞特性等研究中具有良好的应用前景．     

水平管内油—气—水三相流流型的研究

在较为宽广的实验参数范围内,对水平管内油－气－水三相流动的流型及其转变规律进行了实验和理论研究,分析了各种流型间的转变机理,并根据实验数据建立了水平管内的油－气－水三相流型间的转变关系式和流型图,结果表明：随着含水率的减小,在相同液速下,不同流型的转变均有提前的趋势,即转变所需的气速小;含水率对不同流型转变界限的影响程度有所不同,这主要是由于三相混合物的物性对流型的影响。     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

基于神经网络的工业图像识别

工业现场所采集的图像一般都会受到不同程度的污染，针对这种情况，将离散型Hopfield神经网络的联想记忆特点运用于有噪声污染的工业图像识别。所设计的网络具有并行处理、可训练性及容错性等特点，它能完成图像的识别与分类，在输入有噪声污染的图像时，仍可以识别与恢复图像。以监控系统采集到的有污染的数字图像为例，运用数值仿真技术，证明了该方法的有效性。     

基于神经网络的负载识别

提出了基于神经网络的负载识别方法,对供电系统管理有重要的现实意义.     

应用带有非线性连接权的神经网络识别水泥胶结质量

为了解决石油测井中水泥胶结质量识别误差大的问题,采用改进的双发双收补偿式声波测井仪进行幅测量,综合利用首波幅度信息来消除仪器的倾偏心,泥浆对声信号的衰减以及仪器灵敏度变化等引起的不可避免的误差,研究并阐述了优越于统计识别方法的带有非线性连接权的神经网络方法,能使2层神经网络具有3层BP网络的功能,且消除了隐含层的麻烦,并简化了运算,提高了运行速度,在具体应用中,先进行声幅刻度以全取得合格样本,再构造神经网络进行学习训练以得到非线性权值和阈值等参数,然后在测井过程中自动进行水泥胶结质量的识别。通过实测井应用表明,应用人工神经网络方法能实时进行水泥胶结质量的识别,其识别正确率远高于相对幅度法,效果显著。     

一种用于模式分类有监督的模糊ART神经网络

探讨了一种将有监督学习机制融合到模糊ＡＲＴ网络构成一个有监督的模糊ＡＲＴ神经网络模型,这种网络能同时处理有监督和无监督学习问题,并具有积累和增加网络学习的能力,对该网络进行了滚动轴承检测数据模式分类实验,并与ＢＰ网络进行了比较性实验,结果表明：该网络具有良好模式分类能力和较好的可塑性。     

一种新的神经网络畸变不变模式识别方法

本文以Ｗｉｄｒｏｗ等人的方法为基础，提出一种新的神经网络畸变不模式识别方法－－最小距离畸变不变模式识别网络。数值模拟显示，新方法具有完全的畸变不变性，相当高的识别精度、实时的识别速度、强大的抗噪能力、极短的自适应时间以及显著降低的运算量。