CN119509630A 基于差压电容传感和数据知识驱动的两相流量测量方法 （杭州市北京航空航天大学国际创新研究院(北京航空航天大学国际创新学院)）

基于差压电容传感和数据知识驱动的两相本发明提供了一种基于差压电容传感和数计算模型，并将其封装在两相流流量计算模块破传统串联式多传感器测量数据时空不一致的2在所述长喉颈文丘里管上安装各类变送器，并利用多通道为多层电容传感器阵列配置电容传感器阵列激励_测量模块，以同步获取电容阵列数开发基于数据_知识驱动的气液两相流量计算模型，并将气液两相流量计算模型封装将所述电容阵列数据、所述差压、温度及压力数据输入到所述气液两2.根据权利要求1所述的基于差压电容传感和数据知识驱动的两相流量测量方法，其3.根据权利要求2所述的基于差压电容传感和数据知识驱动的两相流量测量方法，其在长喉颈文丘里管的收缩段、扩展喉部段与扩4.根据权利要求2所述的基于差压电容传感和数据知识驱动的两相流量测量方法，其5.根据权利要求2所述的基于差压电容传感和数据知识驱动的两相流量测量方法，其积神经网络CNN_1构建时域特征矩阵与多种流型之间的分类模型，以实现气液两相流流型差压、温度及压力数据；所述相含率计算网络包含卷积神经网络CNN_2和全连接神经网络36.根据权利要求5所述的基于差压电容传感和数据知识驱动的两相流量测量方法，其Φl分别表示气相和液相虚高修正系数。4[0002]气液两相二氧化碳(CarbonDioxide，简称CO2)广泛存在于碳捕集、利用与封存超声和文丘里流量计属于体积流量计，已知流体密度和含率方可实现大管径下CO2质量流5两相总流量计算网络；所述流型识别网络用于对预设的多传感测量数据进行时域特征提利用卷积神经网络CNN_1构建时域特征矩阵与多种流型之间的分类模型，以实现气液两相卷积神经网络CNN_2用于实现电容阵列数据到截面含气率的有效映射，所述卷积神经网络CNN_2的输入数据为对电容阵列数据进行归一化后的电容矩阵特征值序列，利用扁平化层将所述电容矩阵特征值序列作为全连接神经网络DNN_1的部分输入；所述全连接神经网络DNN_1用于将所述多传感测量数据中与相含率相关的输入参数映射到质量含气率，所述全虚高修正系数。采用全连接神经网络DNN_2来构建长喉颈文丘里管多差压数据到气相或液6[0020]本发明提供了一种基于差压电容传感和数据知识驱动的两相流量测量方法，包在现场工况条件下采集的实测数据进行现场学习，以实现气液两相流流量在线实时解算。态CCUS中气液两相CO2关键参数解算提供更加有效的多传感融合测[0026]本发明的目的是提供一种基于差压电容传感和数据知识驱动的两相流量测量方技术的深度融合及优势互补，为动态CCUS中气液两相CO2关键参数解算提供更加有效的多7算提供丰富的数据基础。根据动态CCUS中CO2输运管道几何参数以及气液两相CO2的流动特8态CCUS中气液两相CO2关键参数解算提供更加有效的多传感融合测量数据。由于长喉颈文设置合适的激励频率以及采样帧率，以确保动态CCUS中管输气液两相CO2流动信息的有效9特征值和差压波动的相含率计算模型。这一模型包含卷积神经网络CNN_2和全连接神经网卷积神经网络CNN_2主要用于实现电容测量数据到截面含气率的有效映射，其输入数据是免因缺少截面含气率参考值而无法完成卷积神经网络CNN_2训练这一问题。全连接神经网络DNN_1主要将两种传感测量数据中与相含率相关的输入参数映射到质量含气率，其输入的中间量。采用全连接神经网络DNN_2来构建长喉颈文丘里管多差压数据到气相或液相虚[0049]综上所述，以上三部分内容均以差压_电容一体化传感的测量原理为基础进行神3修正式主要是在湿气条件下建立的，尚无适用于气液两相CO2的虚高修正式。通过对比分[0072]综上所述，长喉颈文丘里管和电容极板阵列两种传感手容一体化传感测量气液两相CO2流体的机理模型作为物理先验约束引入到深度学习模型中，将多物理场数值仿真和实验测量结果作为综合数据集参与深度学习模型的训练和测两相CO2流量解算的人工智能模型的可解释性和泛化性，解