摘" 要：段塞流是氣液兩相流中典型流型，準(zhǔn)確測(cè)量其分相流量有利于實(shí)時(shí)監(jiān)控生產(chǎn)過(guò)程，優(yōu)化工藝控制，確保系統(tǒng)在安全、經(jīng)濟(jì)的工況下運(yùn)行.本文在改進(jìn)長(zhǎng)喉文丘里管的基礎(chǔ)上，設(shè)計(jì)了一種集近紅外（NIR）、聲發(fā)射（AE）技術(shù)于一體的水平氣液流量智能多傳感系統(tǒng).利用AE傳感器和NIR傳感器檢測(cè)氣液兩相的流動(dòng)噪聲信息和截面信息，采用經(jīng)驗(yàn)?zāi)B(tài)分解法（EMD）提取氣體體積分?jǐn)?shù)的特征變量.通過(guò)集成學(xué)習(xí)算法進(jìn)行特征級(jí)融合，融合后的段塞流體積含氣率預(yù)測(cè)模型平均絕對(duì)百分比誤差（MAPE）為4.11%，92.45%的預(yù)測(cè)結(jié)果偏差在±10%以內(nèi).在Collins模型的基礎(chǔ)上，提出了基于梯度提升決策樹(shù)（GBDT）的段塞流質(zhì)量流量預(yù)測(cè)模型，其MAPE值為0.96%，全部預(yù)測(cè)結(jié)果的偏差在±20%以內(nèi).本研究為氣液兩相流段塞流參數(shù)混合不分離測(cè)量提供了一種新方法，為氣液兩相流動(dòng)機(jī)理研究奠定了基礎(chǔ).

關(guān)鍵詞：氣液兩相流；數(shù)據(jù)融合；段塞流；多傳感器；集成學(xué)習(xí)算法

中圖分類號(hào)：TH814""" 文獻(xiàn)標(biāo)志碼：A""" 文章編號(hào)：10001565（2024）05054110

DOI：10.3969/j.issn.10001565.2024.05.011

Phase separation flow measurement of plug flow based on

ensemble learning and information fusion

WEN Jiaqi1，2，YANG Xuning1，2，LI Jinshuo1， DING Zhenjun1，3， DONG Fang1，3

（1. School of Quality and Technical Supervision， Hebei University， Baoding 071002， China;

2. Engineering Research Center of Zero-carbon Energy Bulidings and Measurement Techniques，Ministry of Education，Baoding 071002，China;

3. National and Local Joint Engineering Research Center for Measuring Instruments and Systems， Baoding 071002， China）

Abstract： Plug flow is a typical flow pattern in gas-liquid two-phase flow， and accurate measurement of plug flow is conducive to real-time monitoring and optimizing process of production process， ensuring safe and economical operation of the system. Based on the improved Venturi tube with long throat diameter， an intelligent multi-sensor system for horizontal gas-liquid flow is designed， which integrates near infrared （NIR） and acoustic emission （AE） technology. AE sensor and NIR sensor were used to detect the gas-liquid phase interaction and disturbance information， and empirical mode decomposition （EMD） was used to extract the characteristic variables of gas volume fraction. The integrated learning algorithm was used

收稿日期：20240306;修回日期：20240502

基金項(xiàng)目：

國(guó)家自然科學(xué)基金資助項(xiàng)目（62173122）；河北省自然科學(xué)基金資助項(xiàng)目（F2022201034）

第一作者：溫佳祺（2000—），女，河北大學(xué)在讀碩士研究生，主要從事多相流理論及參數(shù)檢測(cè)技術(shù)研究.E-mail：benben93657@163.com

通信作者：董芳（1980—），女，河北大學(xué)講師，主要從事多相流參數(shù)檢測(cè)及信息處理技術(shù)研究.E-mail：dongfang1023@163.com

for feature-level fusion. The mean absolute percentage error （MAPE） of the fused plug flow volume gas content prediction model was 4.11%， and the deviation of 92.45% of the predicted results was within ±10%. On the basis of Collins model， a mass flow prediction model of plug flow based on gradient lifting decision tree （GBDT） is proposed. The MAPE value of GBDT is 0.96%， and the deviation of all prediction results is within ±20%. This study provides a new method for measuring the parameters of gas-liquid two-phase plug flow， which provides a research basis for sensing mechanism and measurement of multiphase flow.

Key words： gas-liquid two-phase flow; data fusion; plug flow; multi-sensor; ensemble learning algorithm

氣液兩相流廣泛存在于石油、天然氣等能源化工領(lǐng)域，對(duì)中國(guó)能源結(jié)構(gòu)和戰(zhàn)略影響重大.氣液兩相流量不分離測(cè)量，對(duì)工業(yè)生產(chǎn)安全有效運(yùn)行起著至關(guān)重要的作用［1］，其中流型［2］、相含率［3-4］、分相流量［5］等表征參數(shù)的準(zhǔn)確測(cè)量有利于進(jìn)一步技術(shù)和設(shè)備優(yōu)化.兩相介質(zhì)在流動(dòng)過(guò)程中時(shí)刻發(fā)生著相互作用，產(chǎn)生大量流動(dòng)噪聲［6-7］，其精準(zhǔn)捕獲和處理在流量測(cè)量和流動(dòng)特性研究中起著重要的作用.

近年來(lái)，多傳感器測(cè)量技術(shù)在兩相流領(lǐng)域的應(yīng)用越來(lái)越多［8］.傳感器組合測(cè)量方案克服了傳統(tǒng)單個(gè)傳感器測(cè)量的局限性［9-10］，在一定準(zhǔn)則下通過(guò)分析和總結(jié)各種傳感器的信息來(lái)提高氣液兩相流流動(dòng)特征參數(shù)的預(yù)測(cè)精度和適用性.Vieira等［11］開(kāi)發(fā)了一種基于流體導(dǎo)電性的兩相流測(cè)量?jī)x器——雙金屬絲網(wǎng)傳感器（WMS），并對(duì)裝置所獲時(shí)間序列空隙率數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)了對(duì)兩相上升環(huán)狀流流動(dòng)模式、空隙率以及局部截面特征等參數(shù)的實(shí)時(shí)測(cè)量.Xu等［12］提出了一種將微波諧振腔傳感器嵌入文丘里管喉部的雙傳感器，在文丘里管的收縮段內(nèi)固定了一個(gè)旋流器，并利用該裝置實(shí)現(xiàn)了螺旋環(huán)狀流水相體積分?jǐn)?shù)（WVF）和兩相分離流量的同時(shí)測(cè)量.Liu等［13］研制了一種非侵入式接觸式液膜厚度傳感器（環(huán)島陣列傳感器），獲得螺旋管中液膜厚度的精細(xì)化三維時(shí)空分布數(shù)據(jù)并分析，實(shí)現(xiàn)了對(duì)螺旋管內(nèi)環(huán)狀流液膜厚度分布的實(shí)時(shí)測(cè)量.Wei等［14］根據(jù)電磁波傳播理論，設(shè)計(jì)了一種新型雙埋置U型管的電磁波相位傳感器，通過(guò)分析速度的相位差，實(shí)現(xiàn)了對(duì)氣液兩相彈狀流流動(dòng)頻率等參數(shù)的獲取.Qu等［15］制作了小型化四傳感器電探針，簡(jiǎn)單高效地獲取氣液兩相流泡狀流中除含氣率、界面面積濃度（IAC）和氣泡弦長(zhǎng)之外的界面方向和速度.現(xiàn)有研究主要針對(duì)單一流型的某些特定參數(shù)進(jìn)行監(jiān)測(cè)，其應(yīng)用領(lǐng)域和適用性存在顯著局限，尤其是在應(yīng)對(duì)檢測(cè)流型動(dòng)態(tài)轉(zhuǎn)變這一關(guān)鍵環(huán)節(jié)時(shí)，監(jiān)測(cè)能力顯得尤為不足.鑒于此，迫切需要研發(fā)一種能夠?qū)崿F(xiàn)多參數(shù)測(cè)量，實(shí)時(shí)檢測(cè)流型轉(zhuǎn)換情況并精準(zhǔn)捕捉流動(dòng)狀態(tài)變化信息的多元傳感器系統(tǒng).

由于機(jī)器學(xué)習(xí)在解決多變量和非線性問(wèn)題方面具有顯著優(yōu)勢(shì)，人工智能算法在兩相流研究中受到了廣泛關(guān)注［16］.Wang等［17］將數(shù)據(jù)驅(qū)動(dòng)模型與科里奧利流量計(jì)相結(jié)合，分別建立了人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和遺傳算法模型，大大提高了液相流速和空隙率的測(cè)量精度.Wang等［18］提出了基于文丘里管的卷積神經(jīng)網(wǎng)絡(luò)模型、深度神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)，新模型提高了油、氣、水三相流中液相體積流量預(yù)測(cè)的精度.Ali等［19］建立了狀態(tài)空間頻率傳遞函數(shù)模型來(lái)描述瞬態(tài)流體動(dòng)力學(xué)行為，并利用雙向長(zhǎng)短期記憶（BI-LSTM）模型將相持率的預(yù)測(cè)精度提高至91%.盡管人工智能算法或者機(jī)器學(xué)習(xí)模型在處理復(fù)雜數(shù)據(jù)方面表現(xiàn)出色，但其高度依賴于訓(xùn)練數(shù)據(jù)的質(zhì)量、數(shù)量和代表性，在很大程度上受實(shí)驗(yàn)裝置的制約，且單一模型泛化性能較差，解釋能力有限，魯棒性不強(qiáng).因此需要改進(jìn)實(shí)驗(yàn)裝置確保完整可靠的數(shù)據(jù)獲取，同時(shí)結(jié)合多種算法進(jìn)行數(shù)據(jù)融合，開(kāi)發(fā)探索適應(yīng)性更強(qiáng)的模型.

本文設(shè)計(jì)了一個(gè)基于近紅外、聲發(fā)射和長(zhǎng)喉頸文丘里管的多傳感器智能傳感系統(tǒng)，構(gòu)建了新的氣液兩相流水平段塞流的實(shí)驗(yàn)測(cè)量裝置.對(duì)其采集的動(dòng)態(tài)測(cè)量數(shù)據(jù)進(jìn)行動(dòng)態(tài)測(cè)量不確定度評(píng)定，利用經(jīng)驗(yàn)?zāi)B(tài)分解法（EMD）提取氣體體積分?jǐn)?shù)的特征變量，利用集成學(xué)習(xí)算法進(jìn)行特征級(jí)融合并預(yù)測(cè)體積含氣率［20］，隨后在Collins模型［21］的基礎(chǔ)上，提出了基于梯度提升決策樹(shù)（GBDT）的段塞流質(zhì)量流量預(yù)測(cè)模型，為氣液兩相流段塞流質(zhì)量流量的混合不分離測(cè)量提供了一種新方法，有效提升了測(cè)量系統(tǒng)的抗干擾能力和對(duì)復(fù)雜工況的適應(yīng)性.

1" 測(cè)量系統(tǒng)結(jié)構(gòu)及裝置設(shè)計(jì)

1.1" 基于長(zhǎng)喉頸文丘里管的多傳感器結(jié)構(gòu)設(shè)計(jì)

近紅外技術(shù)具有檢測(cè)成本低、可重復(fù)性強(qiáng)、檢測(cè)下限低、靈敏度高、響應(yīng)速度快等優(yōu)點(diǎn)，將其用于氣液兩相流動(dòng)特征參數(shù)的定性與定量分析，操作簡(jiǎn)單方便，可直接進(jìn)行測(cè)試，不需要對(duì)樣品進(jìn)行預(yù)處理.

而聲發(fā)射技術(shù)具有非侵入、可實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)、靈敏度高、空間分辨率高的優(yōu)點(diǎn)，將其應(yīng)用于氣液兩相段塞流流動(dòng)特征參數(shù)測(cè)試，在不影響系統(tǒng)正常運(yùn)行的情況下，能夠?qū)崟r(shí)監(jiān)測(cè)流體內(nèi)部因氣泡破裂、液滴撞擊、流動(dòng)模式轉(zhuǎn)變等帶來(lái)的局部應(yīng)力變化引起的微弱聲波信號(hào).布置多個(gè)聲發(fā)射傳感器實(shí)時(shí)連續(xù)采集和處理數(shù)據(jù)，可實(shí)現(xiàn)對(duì)氣液兩相流管道內(nèi)不同位置聲發(fā)射源的空間定位，識(shí)別流體分布不均勻、局部擾動(dòng)、相界面遷移等現(xiàn)象，進(jìn)而量化流型、相含率等特征參數(shù)的空間分布特征，提高對(duì)復(fù)雜流動(dòng)現(xiàn)象的表征精度.

本文在長(zhǎng)喉頸文丘里管的基礎(chǔ)上，設(shè)計(jì)了一個(gè)集近紅外（NIR）、聲發(fā)射（AE）技術(shù)于一體的多傳感器智能傳感系統(tǒng)，將2個(gè)聲發(fā)射探頭垂直安裝在文丘里喉段的上方和下方，距離下游發(fā)散段10 mm，如圖1所示.該多傳感器系統(tǒng)集成了AE傳感器在流型識(shí)別方面的高采集頻率和響應(yīng)速度，以及NIR傳感器在空隙率測(cè)量方面的高測(cè)量精度的優(yōu)點(diǎn).當(dāng)流體流過(guò)文丘里喉部時(shí)，AE和NIR傳感器同時(shí)采集流動(dòng)信息.當(dāng)氣液介質(zhì)之間或介質(zhì)與管壁之間發(fā)生碰撞時(shí)，AE傳感器用于采集氣液流動(dòng)噪聲信號(hào)，監(jiān)測(cè)流型轉(zhuǎn)換、氣液流動(dòng)狀態(tài)信息.鑒于近紅外光在流體中發(fā)生折射、反射和吸收，通過(guò)探測(cè)器獲取近紅外光強(qiáng)衰減信息，進(jìn)而獲得氣液兩相流動(dòng)的截面信息.

采用長(zhǎng)喉頸文丘里管測(cè)量流量，其喉部?jī)上嗔髁魉亠@著增加，可放大噪聲信號(hào)，便于實(shí)時(shí)、有效識(shí)別兩相流型的變化.在其喉道內(nèi)用固定管焊接安裝NIR和AE傳感器，可縮短探頭間距和信號(hào)傳播路徑，減少傳遞過(guò)程信號(hào)損失，充分獲取流動(dòng)信息，抗干擾性能增強(qiáng).喉內(nèi)透明管段采用透光性好的石英玻璃，對(duì)NIR光的吸收率為0，將NIR傳感器置于其上，提高了NIR傳感器的測(cè)量精度.

1.2" 多傳感器信號(hào)采集系統(tǒng)實(shí)驗(yàn)裝置

本實(shí)驗(yàn)在河北大學(xué)“計(jì)量?jī)x器與系統(tǒng)國(guó)家與地方聯(lián)合工程研究中心”的雙閉環(huán)氣液兩相流實(shí)驗(yàn)裝置上進(jìn)行，實(shí)驗(yàn)管道內(nèi)徑為50 mm，如圖2a所示.實(shí)驗(yàn)流體為水和壓縮空氣.水經(jīng)科里奧利質(zhì)量流量計(jì)送入實(shí)驗(yàn)段前端，同時(shí)通過(guò)壓縮機(jī)將氣體泵入氣路通道，經(jīng)干燥器處理后通過(guò)管道送入實(shí)驗(yàn)段的前端與水充分混合，用科里奧利流量計(jì)（U=0.1%，k=2）進(jìn)行測(cè)量.在各相路徑線上安裝電動(dòng)閥開(kāi)關(guān)（BY-10）和調(diào)節(jié)閥（LAL-05S），進(jìn)行流量調(diào)節(jié)和開(kāi)關(guān)控制.該裝置采用雙回路設(shè)計(jì)，氣液可通過(guò)各自的電動(dòng)開(kāi)關(guān)閥和調(diào)節(jié)閥獨(dú)立開(kāi)啟和調(diào)節(jié)流量.氣路由2個(gè)支路（DN8、DN40）組成，配備科里奧利流量計(jì)（Endress+Hauser，0.06～1 m3/h，0.06～50 m3 /h，U=0.1%，k=2），可獨(dú)立開(kāi)啟，也可組合使用.液路由3個(gè)支路（DN10，DN32，DN40）組成，可根據(jù)液體流量情況單獨(dú)開(kāi)啟或組合使用.各支路安裝電磁流量計(jì)（OPTIFLUX4300，0.03～1.2 m3/h，OPTIFLUX230，0.03～20 m3/h，U=0.2%，k=2）和科里奧利流量計(jì)（Endress+Hauser，0.03～40 m3/h，U=0.1%，k=2），原理如圖2b所示.水進(jìn)入實(shí)驗(yàn)管段前端與空氣混合.氣液兩相流經(jīng)260D 的直管段充分發(fā)展，然后通過(guò)水平實(shí)驗(yàn)管段.最后，混合物在分離罐中分離，重力分離后水繼續(xù)循環(huán)，氣體直接排放到空氣中.通過(guò)溫度變送器（JWB/38Z/A，0～50 ℃，U=0.2%，k=2）和壓力變送器（JT-8016CRA，0～1 MPa，U=0.5%，k=2），實(shí)時(shí)獲取各觀測(cè)點(diǎn)氣液的溫度和壓力，并在進(jìn)一步的數(shù)據(jù)處理中與兩相流參數(shù)一起由數(shù)據(jù)采集系統(tǒng)（采樣頻率2 kHz）記錄下來(lái).然后通過(guò)相應(yīng)的控制閥使水和空氣按所需流速在系統(tǒng)中循環(huán)，直至達(dá)到穩(wěn)定狀態(tài).對(duì)不同的流量組合重復(fù)相同的實(shí)驗(yàn)程序，在流量穩(wěn)定5 min后，開(kāi)始采集數(shù)據(jù)，每個(gè)條件的數(shù)據(jù)采集時(shí)間為15 s.實(shí)驗(yàn)參數(shù)如表1所示.實(shí)驗(yàn)數(shù)據(jù)通過(guò)NI數(shù)據(jù)采集卡上傳到計(jì)算機(jī)并儲(chǔ)存，采用基于LABVIEW設(shè)計(jì)控制界面的上位機(jī)進(jìn)行實(shí)驗(yàn)參數(shù)調(diào)節(jié).

2" 基于人工智能算法的體積含氣率預(yù)測(cè)模型

2.1" 雙重集成算法

2.1.1" 梯度提升決策樹(shù)（GBDT）模型

梯度提升決策樹(shù)（GBDT）模型能夠分析特征變量之間的高階關(guān)系，泛化能力好，魯棒性強(qiáng)［22］.運(yùn)算原理如下：

對(duì)目標(biāo)函數(shù)進(jìn)行正則化處理

Obj（θ）=L（θ）+Ω（θ），（1）

其中：L（θ）是損失函數(shù)，用于衡量模型對(duì)訓(xùn)練數(shù)據(jù)的擬合效果；Ω（θ）是正則函數(shù)，用于衡量訓(xùn)練模型的復(fù)雜性.

使用前向分布算法對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化，規(guī)則為

i=ΩKk=1fk（xi），fk∈F，（2）

其中：K為預(yù)測(cè)器的數(shù)量;i為第i個(gè)預(yù)測(cè)值.

決策樹(shù)基本法則為

Ω（ft）=γM+12λ∑Mj=1w2j，（3）

其中：M為假設(shè)葉子點(diǎn)的數(shù)量，即獨(dú)立二次函數(shù)的數(shù)量；fi為預(yù)測(cè)函數(shù)；γ、λ是超參數(shù)調(diào)整的線性系數(shù)；wj為第j個(gè)葉子的權(quán)重；j為第j個(gè)葉子結(jié)點(diǎn).

2.1.2" 網(wǎng)格搜索算法

網(wǎng)格搜索是使用較為廣泛的超參數(shù)搜索算法，可以實(shí)現(xiàn)較小數(shù)據(jù)樣本參數(shù)的自動(dòng)調(diào)整，只需輸入?yún)?shù)就可以得到最優(yōu)的結(jié)果和參數(shù)，符合本研究中數(shù)據(jù)量的要求，其運(yùn)行過(guò)程流程如圖3所示.

2.2" 基于雙重集成算法的體積含氣率預(yù)測(cè)模型

基于GBDT和網(wǎng)格搜索方法的雙重集成算法，提出氣液兩相段塞流體積含氣率多傳感器的融合方案，結(jié)構(gòu)如圖4所示.

對(duì)信號(hào)采集系統(tǒng)捕獲的聲發(fā)射信號(hào)和近紅外信號(hào)用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）進(jìn)行解耦，通過(guò)LASSO回歸［23］進(jìn)行特征量選取，將聲發(fā)射信號(hào)的IMF1、IMF2和IMF3，近紅外衰減信號(hào)的IMF2、IMF3、IMF6、IMF7和IMF8作為后續(xù)基于集成學(xué)習(xí)的體積含氣率的多傳感器信息融合的特征變量，如圖5所示.

將上述特征變量進(jìn)行相關(guān)性分析，探究不同特征變量與體積含氣率之間的關(guān)系，對(duì)這些變量進(jìn)行特征級(jí)融合，作為梯度提升決策樹(shù)的輸入變量.利用網(wǎng)格搜索的方法進(jìn)行超參數(shù)的調(diào)優(yōu)，在體積含氣率和流量測(cè)量中多次進(jìn)行集成學(xué)習(xí)迭代，探究不同位置安裝的多傳感器融合方案的預(yù)測(cè)精度，使氣液兩相段塞流體積含氣率融合預(yù)測(cè)模型的預(yù)測(cè)精度達(dá)到最佳效果，并給出最佳融合方案.

將所獲取的聲發(fā)射分解信號(hào)和近紅外光強(qiáng)衰減分解信號(hào)的體積含氣率作為訓(xùn)練集和測(cè)試集，以4∶1的方式進(jìn)行GBDT集成學(xué)習(xí)，并配備網(wǎng)格搜索的方法進(jìn)行超參數(shù)的調(diào)優(yōu).對(duì)于段塞流體積含氣率預(yù)測(cè)模型，位于上方的聲發(fā)射探頭AET和位于下方的聲發(fā)射探頭AEB的平均絕對(duì)百分比誤差（MAPE）分別為7.74%和9.39%，其中，AET探頭數(shù)據(jù)86.79%的預(yù)測(cè)結(jié)果偏差在±10%以內(nèi)，AEB探頭數(shù)據(jù)84.91%的預(yù)測(cè)結(jié)果偏差在±10%以內(nèi).垂直放置的近紅外探頭NIRV和水平放置的近紅外探頭NIRH的MAPE為4.76%和7.36%，其中，NIRV探頭數(shù)據(jù)88.68%的預(yù)測(cè)結(jié)果偏差在±10%以內(nèi)，NIRH探頭數(shù)據(jù)81.13%的預(yù)測(cè)結(jié)果偏差在±10%以內(nèi).將AET和NIRV中提取的特征參數(shù)進(jìn)行特征級(jí)融合，對(duì)于段塞流，融合后的MAPE為4.11%，92.45%的預(yù)測(cè)結(jié)果偏差在±10%以內(nèi)，如圖6所示.

3" 優(yōu)化流量預(yù)測(cè)模型

在上述基于集成學(xué)習(xí)（GDBT）的氣液兩相流段塞流多傳感器信息融合的體積含氣率預(yù)測(cè)模型的基礎(chǔ)上，將體積含氣率轉(zhuǎn)換成質(zhì)量含氣率作為輸入?yún)?shù)，建立氣液兩相流流量預(yù)測(cè)模型并驗(yàn)證預(yù)測(cè)效果.隨后在Collins模型的基礎(chǔ)上，利用三重集成學(xué)習(xí)進(jìn)行優(yōu)化，并通過(guò)網(wǎng)格搜索的方法對(duì)新的特征變量進(jìn)行超參數(shù)的調(diào)優(yōu)，建立基于經(jīng)驗(yàn)?zāi)Ｐ徒Y(jié)合集成學(xué)習(xí)的總質(zhì)量流量模型，最終實(shí)現(xiàn)氣液兩相段塞流分相液相質(zhì)量流量的測(cè)量.該方案的結(jié)構(gòu)如圖7所示.

用適當(dāng)?shù)膬上嗔黧w密度代替單相流體密度，兩相質(zhì)量流量可由以下公式計(jì)算出：

Mtp=cεβ21-β4πD242ρtpΔPtp，（4）

其中：M為質(zhì)量流量；C為流量系數(shù)；β代表節(jié)流比；ε為流體的可壓縮系數(shù)，空氣和水流體在低壓下被認(rèn)為是不可壓縮的，因此流體可壓縮系數(shù)為1；D為文丘里進(jìn)口處的管道直徑（m）；ρ為單一流體的密度（kg/m3）；ΔP為流經(jīng)文丘里管時(shí)直管段與喉部的壓差.

模型的合理選擇對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性有很大影響.本文中以Murdock改進(jìn)的關(guān)聯(lián)式［21］為基礎(chǔ)，選取Collins模型來(lái)處理段塞流數(shù)據(jù)，其表達(dá)式如下：

Mtp=TΔp/axρg+b1-xρl+cx（1-x）4ρgρl，（5）

其中：a=1.946 3，b=0.986 1，c=1.511 6；

ρg與ρl分別為氣相密度與液相密度;x為質(zhì)量含氣率，其表達(dá)式如式（6）.

x=mgmg+ml，（6）

其中：mg為兩相流體中氣相介質(zhì)的質(zhì)量；ml為兩相流體中液相介質(zhì)的質(zhì)量.

后續(xù)在Collins模型的基礎(chǔ)上，利用梯度提升決策樹(shù)對(duì)氣液兩相流量模型進(jìn)行三重集成學(xué)習(xí)的優(yōu)化，對(duì)模型的預(yù)測(cè)精度和適用范圍進(jìn)一步提升.優(yōu)化后的MAPE為0.96%，預(yù)測(cè)結(jié)果的100%的偏差在±20%以內(nèi)，如圖8所示.表明本文建立的集成學(xué)習(xí)預(yù)測(cè)模型泛化能力較強(qiáng)，可以較好地處理兩相流中復(fù)雜性、間歇性和隨機(jī)性的問(wèn)題.

4" 結(jié)論

設(shè)計(jì)了一個(gè)基于長(zhǎng)喉文丘里管，集近紅外、聲發(fā)射技術(shù)于一體的聲光多傳感器系統(tǒng)，建立了氣液兩相流段塞流測(cè)量的新型實(shí)驗(yàn)測(cè)量裝置，在文丘里管的喉部延伸段上安裝2對(duì)近紅外采集裝置和2個(gè)聲發(fā)射采集裝置.對(duì)54個(gè)工況點(diǎn)進(jìn)行了測(cè)試，實(shí)時(shí)記錄差壓、聲發(fā)射以及近紅外信號(hào).在此基礎(chǔ)上開(kāi)發(fā)了段塞流原始數(shù)據(jù)采集系統(tǒng)，提出了一種新的基于集成學(xué)習(xí)算法的氣液兩相流段塞流體積含氣率多傳感器融合方案，從所捕獲信號(hào)中提取特征變量，對(duì)其進(jìn)行相關(guān)性分析和特征級(jí)融合處理，給出最佳融合模型.利用三重集成學(xué)習(xí)、網(wǎng)格搜索等方法對(duì)模型進(jìn)行進(jìn)一步優(yōu)化，在Collins模型的基礎(chǔ)上，提出了基于梯度提升決策樹(shù)（GBDT）的段塞流質(zhì)量流量預(yù)測(cè)模型.經(jīng)實(shí)驗(yàn)驗(yàn)證表明，段塞流體積含氣率預(yù)測(cè)模型的MAPE為4.11%，預(yù)測(cè)結(jié)果的92.45%的偏差在±10%以內(nèi)，段塞流質(zhì)量流量預(yù)測(cè)模型的MAPE值為0.96%，預(yù)測(cè)全部結(jié)果的偏差在±20%以內(nèi).本研究為氣液兩相流段塞流流動(dòng)特征參數(shù)的準(zhǔn)確測(cè)量提供了一種新的方案，進(jìn)一步揭示了兩相流流動(dòng)特性和內(nèi)在機(jī)理.

參" 考" 文" 獻(xiàn)：

［1］

YANG Y， WANG D， NIU P， et al. Measurement of vertical gas-liquid two-phase flow by electromagnetic flowmeter and image processing based on the phase-isolation［J］. Experimental Thermal and Fluid Science， 2019， 101： 87-100. DOI： 10.1016/j.expthermflusci.2018.10.010.

［2］" 張立峰，王智.基于多域特征提取的氣液兩相流流型識(shí)別［J］.計(jì)量學(xué)報(bào)， 2023， 44（10）： 1509-1516. DOI： 10.3969/j.issn.1000-1158.2023.10.05.

［3］" 方立德，田夢(mèng)園，王配配，等.基于物質(zhì)吸光度的氣液兩相流相含率測(cè)量模型［J］.光電子·激光，2021， 32（4）： 409-418. DOI： 10.3969/j.issn.1000-1158.2019.06.17.

［4］" 金衛(wèi)棟，戴明巖.氣液兩相流相含率確定方法的研究綜述［J］.山東化工， 2023， 52（5）： 78-80. DOI： 10.19319/j.cnki.issn.1008-021x.2023.05.026.

［5］" 安雅麗，徐志鵬，劉鐵軍，等.雙錐流量計(jì)氣水兩相流流量測(cè)量實(shí)驗(yàn)研究［J］.實(shí)驗(yàn)流體力學(xué)， 2016， 30（5）： 67-73.DOI： 10.11729/syltlx20160044.

［6］" 董芳，方立德，李小亭.功率譜熵在垂直于水平流向的氣液兩相流壓差信號(hào)中的應(yīng)用［J］.河北大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2014， 34（5）： 541-546. DOI： 10.3969/j.issn.1000-1565.2014.05.017.

［7］" 方立德，趙敏慧，楊英昆，等.氣液兩相流動(dòng)噪聲特性及相含率測(cè)量模型［J］.哈爾濱工程大學(xué)學(xué)報(bào)， 2019， 40（8）： 1530-1536. DOI： 10.7666/d.D531037.

［8］" 李小亭，盧慶華，方立德，等.基于聲發(fā)射技術(shù)和小波變換的氣-液兩相流動(dòng)噪聲特性研究［J］.電子測(cè)量與儀器學(xué)報(bào)， 2012， 26（12）： 1031-1036. DOI： 10.3724/SP.J.1187.2012.01031.

［9］" 劉月圓，梁玉嬌，鄭盟，等.新型均速管渦街流量傳感器的測(cè)量特性研究［J］.電子測(cè)量與儀器學(xué)報(bào)， 2022， 36（12）： 10-18. DOI： 10.13382/j.jemi.B2205890.

［10］" 趙寧，王超，孫宏軍，等.一種測(cè)量環(huán)狀流液膜參數(shù)的傳感器研究［J］.中南大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2018， 49（4）： 995-1002. DOI： 10.11817/j.issn.1672-7207.2018.04.030.

［11］" VIEIRA E R， PARSI M， MCLAURY S B， et al. Experimental characterization of vertical downward two-phase annular flows using Wire-Mesh Sensor［J］. Chem Eng Sci， 2015， 134： 324-339. DOI： 10.1016/j.ces.2015.05.013.

［12］" XU Y， ZUO Y J， YUAN C， et al. Research on the measurement method of gas-water two-phase flow based on dual-sensor system［J］. Flow Meas Instrum， 2023， 93： 102393. DOI： 10.1016/j.flowmeasinst.2023.102393.

［13］" LIU S， WANG K， LIU L， et al. Characterization of liquid film distribution and sub-flow regimes of annular flow in helically coiled tubes using ring island array sensor［J］. Int J Multiphas Flow， 2023， 160： 104357. DOI： 10.1016/j.ijmultiphaseflow.2022.104357.

［14］" WEI Z， LI M， LIAO G， et al. Gas slug parameter measurement based on double embedded U-tube electromagnetic wave phase sensor in gas-liquid slug flow［J］. Flow Meas Instrum， 2024（96）： 102530. DOI： 10.1016/j.flowmeasinst.2024.102530.

［15］" QU X， GUO Q， ZHANG Y， et al. A new vector-based signal processing method of four-sensor probe for measuring local gas-liquid two-phase flow parameters together with Its assessment against one bubbly flow［J］. Appl Sci-basel， 2020， 10（16）：54-63. DOI： 10.3390/app10165463.

［16］" 趙曉云，宋紅偉，王明星，等.基于人工智能算法的水平井氣水兩相生產(chǎn)測(cè)井流型識(shí)別方法研究［J］.當(dāng)代化工研究， 2023， （8）： 173-175. DOI： 10.20087/j.cnki.1672-8114.2023.08.058.

［17］" WANG L， LIU J， YAN Y， et al. Gas-liquid two-phase flow measurement using Coriolis flowmeters incorporating artificial neural network， support vector machine， and genetic programming algorithms［J］." IEEE Trans Instrum Meas， 2016， 66（5）： 852-868. DOI： 10.1109/I2MTC.2016.7520458.

［18］" WANG H， ZHANG M， YANG Y. Machine learning for multiphase flowrate estimation with time series sensing data［J］. MEAS， 2020， 10： 100025. DOI： 10.1016/j.measen.2020.100025.

［19］" ALI N， VIGGIANO B， TUTKUN M， et al. Data-driven machine learning for accurate prediction and statistical quantification of two phase flow regimes［J］. J Petrol Sci Eng， 2021， 202： 108488. DOI： 10.1016/J.PETROL.2021.108488.

［20］" MAMONOV V N， SERCOV A F. Experimental determination of the volume concentration of the gas phase in gas-liquid flow［J］. J Appl Mech Tech Ph+， 2021， 62（1）： 57-62. DOI： 10.1134/S0021894421010077.

［21］" COLLINS D B， GACESA M. Measurement of steam quality in two-phase upflow with venturimeters and orifice plates［J］. J. Fluids Eng， 1971， 93（1）： 11-20. DOI： 10.1115/1.3425169.

［22］" 陳雨桐.集成學(xué)習(xí)算法之隨機(jī)森林與梯度提升決策樹(shù)的分析比較［J］.電腦知識(shí)與技術(shù)， 2021， 17（15）： 32-34. DOI： 10.14004/j.cnki.ckt.2021.1441.

［23］" 趙俊琴，王慧，王彤.基于LASSO的高維數(shù)據(jù)線性回歸模型統(tǒng)計(jì)推斷方法比較［J］.中國(guó)衛(wèi)生統(tǒng)計(jì)， 2017， 34（2）： 250-252. DOI： 10.7666/d.D649822.

（責(zé)任編輯：孟素蘭）