Помощь студентам в учебе
Оценка расхода двухфазного потока с применением нейронных сетей для расходомера кориолиса
|
ВВЕДЕНИЕ 6
1 АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ ОЦЕНКИ РАСХОДА С
ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ 8
1.1 Методология 11
1.2 Результаты проведения экспериментов в обзорной статье 23
1.3 Подведение итогов по результатам рассмотрение обзорной статьи 32
1.4 Постановка дальнейших целей и задач 33
2 ОБЗОР СТРУКТУРЫ МОДЕЛИ НЕЙРОННОЙ СЕТИ. АНАЛИЗ И
ПОДГОТОВКА ДАННЫХ ДЛЯ ОБУЧЕНИЯ 35
2.1 Обзор расходомеров Кориолиса 35
2.2 Обзор нейронной сети RBF-ANN 46
2.3 Описание данных 50
3 РАЗРАБОТКА АЛГОРИТМА ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ 55
3.1 Описание модели искусственной нейронной сети 55
3.2 Подготовка данных 64
3.3 Критерий обучения 69
3.4 Описание алгоритма обучения 69
4 ПРОВЕДЕНИЕ ИЗМЕРИТЕЛЬНОГО ЭКСПЕРИМЕНТА 71
4.1 Результаты моделирования 71
4.2 Анализ полученных данных 99
ЗАКЛЮЧЕНИЕ 100
БИЛИОГРАФИЧЕСКИЙ СПИСОК 102
ПРИЛОЖЕНИЕ А 109
ПРИЛОЖЕНИЕ Б 115
ПРИЛОЖЕНИЕ В 121
ПРИЛОЖЕНИЕ Г 125
ПРИЛОЖЕНИЕ Д 128
1 АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ ОЦЕНКИ РАСХОДА С
ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ 8
1.1 Методология 11
1.2 Результаты проведения экспериментов в обзорной статье 23
1.3 Подведение итогов по результатам рассмотрение обзорной статьи 32
1.4 Постановка дальнейших целей и задач 33
2 ОБЗОР СТРУКТУРЫ МОДЕЛИ НЕЙРОННОЙ СЕТИ. АНАЛИЗ И
ПОДГОТОВКА ДАННЫХ ДЛЯ ОБУЧЕНИЯ 35
2.1 Обзор расходомеров Кориолиса 35
2.2 Обзор нейронной сети RBF-ANN 46
2.3 Описание данных 50
3 РАЗРАБОТКА АЛГОРИТМА ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ 55
3.1 Описание модели искусственной нейронной сети 55
3.2 Подготовка данных 64
3.3 Критерий обучения 69
3.4 Описание алгоритма обучения 69
4 ПРОВЕДЕНИЕ ИЗМЕРИТЕЛЬНОГО ЭКСПЕРИМЕНТА 71
4.1 Результаты моделирования 71
4.2 Анализ полученных данных 99
ЗАКЛЮЧЕНИЕ 100
БИЛИОГРАФИЧЕСКИЙ СПИСОК 102
ПРИЛОЖЕНИЕ А 109
ПРИЛОЖЕНИЕ Б 115
ПРИЛОЖЕНИЕ В 121
ПРИЛОЖЕНИЕ Г 125
ПРИЛОЖЕНИЕ Д 128
Расходомеры Кориолиса широко известны для измерения массового расхода однофазного потока с высокой точностью. За последние годы были предприняты попытки использовать расходомеры Кориолиса для измерения двухфазного потока.
Введение нового национального стандарта РФ измерения количества извлекаемой из недр нефти и нефтяного газа (ГОСТ Р 8.615-2005) значительно подогрело интерес к проблеме измерения расхода многофазных сред, поскольку согласно стандарту теперь необходимо измерять количество сырой нефти и нефтяного газа на каждой скважине, где на выходе обычно имеется двух- или трех-фазная среда.
Кориолисовы массовые расходомеры напрямую измеряют массу и плотность проходящей через них среды и могли бы значительно облегчить решение задачи учета сырой нефти на скважинах в таких условиях. Но на практике решение данной задачи непростое: измерение многофазных сред расходомерами кориолиса имеет свои нюансы и преподносит многочисленные сюрпризы (большая погрешность измерения расхода).
Двухфазный поток типа газ-жидкость широко известен в нефтяных и газовых месторождениях, химической промышленности, пищевой промышленности и других промышленных процессах. Точное измерение расхода двухфазной смеси оказывается весьма сложным в промышленной индустрии. Были проведены значительные исследования, основанные на традиционных расходомерах для измерения двухфазного потока, таких как Venturi, V-cone, турбина, вихрь и щелевые диафрагмы [2-4]. Определение объемной доли газа двухфазного потока имеет ключевое значение для оптимизации некоторых промышленных процессов. Предложены резистивные датчики, емкостные датчики, электрическая емкостная томография, томография с электрическим сопротивлением и СВЧ-зонды для измерения фазовой фракции двухфазного потока [5-7]. Эти методы часто называют прямыми, поскольку системы предназначены для непосредственного измерения требуемых характеристик двухфазного потока. Из -за сложной природы двухфазного потока и сложности зондирующих систем применение таких прямых двухфазных расходомеров достигло ограниченного успеха в промышленности.
Также были применены косвенные методы, основанные на традиционных датчиках, включающих в себя алгоритмы мягких вычислений, такие как искусственная нейронная сеть (ANN), метод опорных векторов (SVM), SVM с наименьшими квадратами и экстремальная машина обучения вместе с генетическими алгоритмами или методом роя частиц к двухфазному или многофазному измерению расхода или идентификации режима потока [8-11]. Кориолисовы расходомеры, как одни из самых точных однофазных массовых расходомеров, успешно применяются в промышленности.
За последние годы многими исследователями были проведены попытки использовать расходомеры кориолиса для измерения двухфазного или многофазного потока [12]. Однако, несмотря на недавний прогресс в технологиях датчиков и передатчиков, повышение точности измерения массового расхода жидкости с захваченным газом по-прежнему остается актуальной.
Целью данной магистерской диссертации является разработка нейронной сети для более точной оценки расхода двухфазного потока для расходомера Кориолиса.
Задачами данной магистерской диссертации являются:
1. Проведение аналитического обзора существующих методов коррекции погрешности расхода двухфазного потока;
2. Выбор структуры модели сети
3. Анализ и подготовка данных для обучения
4. Разработка алгоритма обучения
5. Проведение измерительного эксперимента
Введение нового национального стандарта РФ измерения количества извлекаемой из недр нефти и нефтяного газа (ГОСТ Р 8.615-2005) значительно подогрело интерес к проблеме измерения расхода многофазных сред, поскольку согласно стандарту теперь необходимо измерять количество сырой нефти и нефтяного газа на каждой скважине, где на выходе обычно имеется двух- или трех-фазная среда.
Кориолисовы массовые расходомеры напрямую измеряют массу и плотность проходящей через них среды и могли бы значительно облегчить решение задачи учета сырой нефти на скважинах в таких условиях. Но на практике решение данной задачи непростое: измерение многофазных сред расходомерами кориолиса имеет свои нюансы и преподносит многочисленные сюрпризы (большая погрешность измерения расхода).
Двухфазный поток типа газ-жидкость широко известен в нефтяных и газовых месторождениях, химической промышленности, пищевой промышленности и других промышленных процессах. Точное измерение расхода двухфазной смеси оказывается весьма сложным в промышленной индустрии. Были проведены значительные исследования, основанные на традиционных расходомерах для измерения двухфазного потока, таких как Venturi, V-cone, турбина, вихрь и щелевые диафрагмы [2-4]. Определение объемной доли газа двухфазного потока имеет ключевое значение для оптимизации некоторых промышленных процессов. Предложены резистивные датчики, емкостные датчики, электрическая емкостная томография, томография с электрическим сопротивлением и СВЧ-зонды для измерения фазовой фракции двухфазного потока [5-7]. Эти методы часто называют прямыми, поскольку системы предназначены для непосредственного измерения требуемых характеристик двухфазного потока. Из -за сложной природы двухфазного потока и сложности зондирующих систем применение таких прямых двухфазных расходомеров достигло ограниченного успеха в промышленности.
Также были применены косвенные методы, основанные на традиционных датчиках, включающих в себя алгоритмы мягких вычислений, такие как искусственная нейронная сеть (ANN), метод опорных векторов (SVM), SVM с наименьшими квадратами и экстремальная машина обучения вместе с генетическими алгоритмами или методом роя частиц к двухфазному или многофазному измерению расхода или идентификации режима потока [8-11]. Кориолисовы расходомеры, как одни из самых точных однофазных массовых расходомеров, успешно применяются в промышленности.
За последние годы многими исследователями были проведены попытки использовать расходомеры кориолиса для измерения двухфазного или многофазного потока [12]. Однако, несмотря на недавний прогресс в технологиях датчиков и передатчиков, повышение точности измерения массового расхода жидкости с захваченным газом по-прежнему остается актуальной.
Целью данной магистерской диссертации является разработка нейронной сети для более точной оценки расхода двухфазного потока для расходомера Кориолиса.
Задачами данной магистерской диссертации являются:
1. Проведение аналитического обзора существующих методов коррекции погрешности расхода двухфазного потока;
2. Выбор структуры модели сети
3. Анализ и подготовка данных для обучения
4. Разработка алгоритма обучения
5. Проведение измерительного эксперимента
В данной выпускной квалификационной работе в первой главе был проведён аналитический обзор существующих способов коррекции массового расхода. Также, были рассмотрены существующие нейронные сети, при помощи которых может осуществляться коррекция массового расхода и на основе приведённого сравнения выбрана искусственная нейронная сеть на основе радиально-базисной функции (RBF-ANN).
Далее был проведён обзор существующих расходомеров Кориолиса и рассмотрен принцип их действия.
Во второй главе была рассмотрена выбранная нами в результате проведения аналитического обзора искусственная нейронная сеть, её устройство и принцип её действия.
В третьей главе было проведено описание алгоритма обучения выбранной искусственной нейронной сети на основе имеющихся данных с помощью нейронной сети на основе радиально-базисной функции (RBF-ANN).
В четвертой главе было проведено моделирование нейронной сети и представление результатов работы сформированной нейронной сети в графическом и табличном виде.
В ходе проведённого в 4-й главе измерительного эксперимента можно сделать следующие выводы:
1) При обучении нейронной сети с одним входом (расход с опытного расходомера (кг/ч)) и одним выходом (расход с эталонного расходомера (кг/ч)), максимальные относительные и приведённые ошибки составили не более 2%.
2) При обучении нейронной сети с двумя входами (массовый расход опытного расходомера (кг/ч) и плотность (кг/м3)) и два выходами (массовый расход эталонного расходомера (кг/ч) и объёмное содержание газа в жидкости (%)) были рассчитаны следующие погрешности:
• Максимальная относительная и приведённая ошибки по расходу составили меньше 7%;
• Максимальная относительная ошибка по объёмному содержанию газа составила меньше 35% (по 4, 9 группам - меньше 25%, по 2, 5, 8 группам - меньше 13%, по 6, 7 группе - меньше 8%), приведённая - меньше 12% (по 2, 3, 9 группам - меньше 7%, по 6, 8 группам - меньше 4%, по 7 группе - меньше 1%).
Достоинства выбранной нейронной сети:
• Быстрая обработка входных данных при обучении нейронной сети;
• Обучение нейронной сети за короткий промежуток времени и быстрый вывод всей необходимой информации;
• Максимальные относительные и приведённые ошибки составили не более 2%.
Недостатки выбранной нейронной сети:
• Сложность в подборе необходимых коэффициентов для дальнейшего обучения нейронной сети;
• Необходима большая вычислительная мощность для сокращения
времени подбора необходимых коэффициентов для нейронной сети (с увеличением вычислительной мощности уменьшается время подбора коэффициентов).
Далее был проведён обзор существующих расходомеров Кориолиса и рассмотрен принцип их действия.
Во второй главе была рассмотрена выбранная нами в результате проведения аналитического обзора искусственная нейронная сеть, её устройство и принцип её действия.
В третьей главе было проведено описание алгоритма обучения выбранной искусственной нейронной сети на основе имеющихся данных с помощью нейронной сети на основе радиально-базисной функции (RBF-ANN).
В четвертой главе было проведено моделирование нейронной сети и представление результатов работы сформированной нейронной сети в графическом и табличном виде.
В ходе проведённого в 4-й главе измерительного эксперимента можно сделать следующие выводы:
1) При обучении нейронной сети с одним входом (расход с опытного расходомера (кг/ч)) и одним выходом (расход с эталонного расходомера (кг/ч)), максимальные относительные и приведённые ошибки составили не более 2%.
2) При обучении нейронной сети с двумя входами (массовый расход опытного расходомера (кг/ч) и плотность (кг/м3)) и два выходами (массовый расход эталонного расходомера (кг/ч) и объёмное содержание газа в жидкости (%)) были рассчитаны следующие погрешности:
• Максимальная относительная и приведённая ошибки по расходу составили меньше 7%;
• Максимальная относительная ошибка по объёмному содержанию газа составила меньше 35% (по 4, 9 группам - меньше 25%, по 2, 5, 8 группам - меньше 13%, по 6, 7 группе - меньше 8%), приведённая - меньше 12% (по 2, 3, 9 группам - меньше 7%, по 6, 8 группам - меньше 4%, по 7 группе - меньше 1%).
Достоинства выбранной нейронной сети:
• Быстрая обработка входных данных при обучении нейронной сети;
• Обучение нейронной сети за короткий промежуток времени и быстрый вывод всей необходимой информации;
• Максимальные относительные и приведённые ошибки составили не более 2%.
Недостатки выбранной нейронной сети:
• Сложность в подборе необходимых коэффициентов для дальнейшего обучения нейронной сети;
• Необходима большая вычислительная мощность для сокращения
времени подбора необходимых коэффициентов для нейронной сети (с увеличением вычислительной мощности уменьшается время подбора коэффициентов).