基于小波多分辨率双层复杂网络的多源信息融合法及应用的利记博彩app

本发明涉及一种两相流双模态多源信息融合方法。特别是涉及一种针对油水两相流循环激励双模态传感器多通道信号的基于小波多分辨率双层复杂网络的多源信息融合法及应用。

背景技术：

油水两相流广泛存在于石油开采与运输产业。在油水两相流系统中，各相的分布随着时间和空间在不断变化，形成了不同的流动形态，称之为流型。两相流的流型复杂多变，局部流动信息难以准确捕捉，使得相含率等两相流流动参数的测量存在诸多难点。这对于石油开采和工艺改造成了诸多影响。目前，对于流型的研究主要是采用观测法、小波特征分析和模糊C聚类、模糊逻辑和遗传算法、数字图像处理算法等。对于相含率的测量多采用电导法、电容法、光学法和射线法等。传统的测量采用的环形电导传感器和双螺旋电容传感器等，是单通道传感器，容易丢失微观的局部流动信息。而分布式电导传感器和激励循环激励传感器等则可以同时采集多通道信号，捕捉到更丰富的微观流动信息，为流型和流型演化中的流动机制研究提拱了重要技术支持。

复杂网络理论自创立以来，如今已在多领域得到了蓬勃发展，是研究复杂系统的一个重要工具，尤其是近年来其在时间序列分析中作出了重大贡献。实践表明，复杂网络对于挖掘包含在非线性时间序列中和非线性动力学系统中的重要信息具有明显的优势，效果显著。其在单通道时间序列上的得到成功应用的同时，也使得科研人员开始关注如何将其应用到多通道数据的融合分析中。此外，过去对于复杂网络的研究主要集中在单层网络的分析上，而双层网络的出现则弥补了单层网络在融合信息方面的单一性，能够更好融合不同属性的信息，从而挖掘出更加丰富的复杂系统的内在特性。

技术实现要素：

本发明所要解决的技术问题是，提供一种能够实现对复杂流动结构的辨识，刻画流型演化中的内在动力学机制的基于小波多分辨率双层复杂网络的多源信息融合法及应用。

本发明所采用的技术方案是：一种基于小波多分辨率双层网络的两相流多源信息融合法，包括如下步骤：

1)对通过由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器得到的多通道时间序列分别构建小波系数复杂网络；

2)构建小波多分辨率聚合网络，并分别绘制包含有流型信息的图能量和交叉聚集系数熵与分辨率的关系图；

3)构建小波双层复杂网络，并分别绘制包含有流型信息的每层网络中的节点聚集系数的均值、节点度的均值和节点特征向量中心性的均值与分辨率的关系图。

步骤1)包括：

(1)获取通过循环激励双模态传感器得到的包含有两相流流体局部流动信息的S组长度均为L的多通道时间序列

(2)对于每一通道的时间序列，进行6个分辨率的小波变换，每一个分辨率得到1个低频系数子带即近似系数和1个高频系数子带即细节系数，共得到6个低频系数子带和6个高频系数子带，求每一个低频带和每一个高频带的最大值x₁、最小值x₂、平均值x₃、标准偏差x₄、陡度函数x₅和峭度函数x₆；这样对于每一个分辨率来说，低频带和高频带的12个特征值组成一个特征向量

(3)对于多通道时间序列在每一个分辨率上，计算每两通道时间序列的特征向量的欧氏距离d＝||X(m)-X(n)||m＝1,2,...,S n＝1,2,...,S,其中，|| ||表示计算欧式距离，X(m)表示通道m的特征向量，X(n)通道n的特征向量；将每一通道的信号作为复杂网络的节点，以两通道间的欧氏距离决定复杂网络中两节点的连边；计算所有欧式距离的均值M_n和标准偏差σ，则可得到一个阈值R＝M_n+qσ，其中q＝0.15；如果两通道的欧氏距离大于该阈值，则两节点之间没有连边，反之，则两节点之间有连边；由此，在不同分辨率下分别构建小波系数复杂网络；这样，对于一个多通道时间序列，共可得到6个小波系数复杂网络。

步骤2)包括：

(1)通过循环激励多电极电导传感器和循环激励多电极电容传感器分别得到一个多通道时间序列，对于每一个多通道时间序列分别在每一分辨率得到一个小波系数复杂网络；

(2)考虑循环激励多电极电导传感器和循环激励多电极电容传感器在每个分辨率下分别构建一个小波系数复杂网络，所以每个分辨率下得到的两个小波系数复杂网络，将这两个小波系数复杂网络共有的连边保留，节点数目不变，从而在每个分辨率下构成一个小波多分辨率聚合网络和它对应的邻接矩阵A；

(3)对所述的小波多分辨率聚合网络，设定图能量指标E(A)：其中，λ_i表示每一个分辨率下新的小波系数复杂网络邻接矩阵A的特征值，n表示的是特征值的数目；设定聚集系数熵指标E_C：

其中，T_v表示的是一个新的小波系数复杂网络中包含有节点v的封闭三角形的数目，k_v表示的是新的小波系数复杂网络中节点v的度，C(v)表示的是节点v的聚集系数；

(4)分别绘制包含有流型信息的图能量和交叉聚集系数熵与分辨率的关系图，通过研究这两个指标在流型演化过程中的转变，用以辨识复杂流动结构，指示流型演化过程中的内在动力学机制。

步骤3)包括：

(1)对于步骤1)建的每个分辨率的两个小波系数复杂网络，分别作为小波双层复杂网络的一层，从而得到小波双层复杂网络，所述小波双层复杂网络的邻接矩阵表示为其中，α表示双层小波系数复杂网络的层数，若节点i和j在α层有连接，则邻接矩阵中对应的元素否则两层网络中的节点数目皆为S；

(2)小波双层复杂网络的任一层α中节点i的聚集系数

其中，α'表示小波双层复杂网络中不同于α层的另一层，和分别表示α层中节点i和节点j在邻接矩阵中的元素值，α'层中节点j和m在邻接矩阵中的元素值，α层中节点m和i在邻接矩阵中的元素值；得到每一层中各节点的聚集系数，计算每层中节点聚集系数的均值C_α：

(3)计算小波双层复杂网络中的任一α层中的任意节点i的度其中，表示α层中节点i和j在邻接矩阵中的元素值；得到每一层中每一个节点的度，计算每层中节点度的均值k_α：

(4)小波双层复杂网络的任一α层中节点i的特征向量中心性表示α层的邻接矩阵A^[α]的主特征值对应的特征向量的第i个元素值；得到每一层中每一个节点的特征向量中心性值，计算每层中节点特征向量中心性的均值E_α：

(5)分别绘制包含有流型信息的每层网络中的节点聚集系数的均值C_α、节点度的均值k_α和节点特征向量中心性的均值E_α与分辨率的关系图；循环激励多电极电导传感器对局部低含油率测量灵敏高，循环激励多电极电容传感器对局部高含油率测量灵敏度高，电导电容多源测量信息的有效融合实现互补式两相流空间流动信息检测，通过研究包含有流型信息每层网络的每层网络中的节点聚集系数的均值C_α、节点度的均值k_α和节点特征向量中心性的均值E_α与分辨率的关系图，研究每层的每层网络中的节点聚集系数的均值C_α、节点度的均值k_α和节点特征向量中心性的均值E_α三个指标在流型演化过程中的转变，实现对双模态信息的融合，指示流型演化过程中的内在动力学机制。

一种基于小波多分辨率双层网络的两相流多源信息融合法的应用，采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验；固定油相和水相的配比，改变油相和水相的流量进行实验；实验过程包括如下步骤：

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，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用循环激励电导传感器和循环激励电容传感器分别测量多通道的信号，并用高速摄像仪记录流型；

2)一次采集结束后，改变油相和水相的流量，按步骤1)过程继续采集，直至在固定的配比下所设计的工况都完成；

3)再改变油相和水相的配比，重复步骤1)至步骤2)的过程完成这一轮的测量，直至设计的所有工况全部测量完成；

4)基于得到的多通道测量信号，对于循环激励多电极电导传感器和循环激励多电极电容传感器分别建立不同分辨率下的小波系数复杂网络，对于两层网络得到一个小波多分辨率聚合网络；

5)计算图能量和聚集系数熵值，分别绘制包含有流型信息的不同工况下图能量、聚集系数熵随着分辨率变化的关系图，刻画在不同流型的演化过程中的内在动力学机制；

6)对于两层网络构建小波双层复杂网络，计算每一层网络的节点聚集系数均值、节点度均值、节点特征向量中心性均值，分别绘制包含有流型信息的节点聚集系数均值、节点度均值、节点特征向量中心性均值3个指标与分辨率变化的关系图，用以研究在流型演化过程中，复杂流动结构的变化和内在动力学机制。

本发明的基于小波多分辨率双层复杂网络的多源信息融合法及应用，通过对由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器得到的多通道数据采用小波变换的思想建立小波多分辨率双层复杂网络的方法进行多源信息融合，提取能够指示流型生成与演化的双层复杂网络指标，实现对复杂流动结构的辨识，刻画流型演化中的内在动力学机制。具有如下有益效果：

(1)提出了一种基于小波多分辨率双层复杂网络的油水两相流多源信息融合方法；

(2)该方法能够刻画在油水两相流流型演化过程中的内在动力学机制。

附图说明

图1是本发明基于小波多分辨率双层复杂网络的多源信息融合法的分析示意图。

具体实施方式

下面结合实施例和附图对本发明的基于小波多分辨率双层复杂网络的多源信息融合法及应用做出详细说明。

本发明的基于小波多分辨率双层网络的两相流多源信息融合法，提出一种小波多分辨率双层复杂网络建网方法，通过对循环激励双模态传感器得到的多通道数据采用小波变换的思想建立双层复杂网络的方法进行多源信息融合，提取双层复杂网络指标刻画在流型演化过程中，内在动力学机制。

本发明的基于小波多分辨率双层网络的两相流多源信息融合法，包括如下步骤：

1)对通过由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器得到的多通道时间序列分别构建小波系数复杂网络；包括：

(1)获取通过循环激励双模态传感器得到的包含有两相流流体局部流动信息的S组长度均为L的多通道时间序列

(2)对于每一通道的时间序列，进行6个分辨率的小波变换，采用Daubechies2阶小波(db2)对其进行分解，分解层数为6层，即6个分辨率。每一个分辨率得到1个低频系数子带即近似系数和1个高频系数子带即细节系数，该时间序列分解后共得到6个低频系数子带和6个高频系数子带，求每一个低频带和每一个高频带的最大值x₁、最小值x₂、平均值x₃、标准偏差x₄、陡度函数x₅和峭度函数x₆；这样对于每一个分辨率来说，低频带和高频带的12个特征值组成一个特征向量

(3)对于多通道时间序列在每一个分辨率上，计算每两通道时间序列的特征向量的欧氏距离d＝||X(m)-X(n)||m＝1,2,...,S n＝1,2,...,S,其中，|| ||表示计算欧式距离，X(m)表示通道m的特征向量，X(n)通道n的特征向量；将每一通道的信号作为复杂网络的节点，以两通道间的欧氏距离决定复杂网络中两节点的连边；计算所有欧式距离的均值M_n和标准偏差σ，令系数q＝0.15，则可得到一个阈值R＝M_n+qσ，其中q＝0.15；如果两通道的欧氏距离大于该阈值，则两节点之间没有连边，反之，则两节点之间有连边；由此，在不同分辨率下分别构建小波系数复杂网络；这样，对于一个多通道时间序列，共可得到6个小波系数复杂网络。

2)构建小波多分辨率aggregation network即小波多分辨率聚合网络，并分别绘制包含有流型信息的图能量和交叉聚集系数熵与分辨率的关系图；包括：

(1)通过循环激励多电极电导传感器和循环激励多电极电容传感器分别得到一个多通道时间序列，对于每一个多通道时间序列分别在每一分辨率得到一个小波系数复杂网络；

(2)考虑循环激励多电极电导传感器和循环激励多电极电容传感器在每个分辨率下分别构建一个小波系数复杂网络，所以每个分辨率下得到的两个小波系数复杂网络，将这两个小波系数复杂网络共有的连边保留，节点数目不变，从而在每个分辨率下构成一个小波多分辨率聚合网络和它对应的邻接矩阵A；

(3)对所述的小波多分辨率聚合网络，设定图能量指标E(A)：其中，λ_i表示每一个分辨率下新的小波系数复杂网络邻接矩阵A的特征值，n表示的是特征值的数目；设定聚集系数熵指标E_C：

其中，T_v表示的是一个新的小波系数复杂网络中包含有节点v的封闭三角形的数目，k_v表示的是新的小波系数复杂网络中节点v的度，C(v)表示的是节点v的聚集系数；

(4)分别绘制包含有流型信息的图能量和交叉聚集系数熵与分辨率的关系图，通过研究这两个指标在流型演化过程中的转变，用以辨识复杂流动结构，指示流型演化过程中的内在动力学机制。

3)构建小波双层复杂网络，并分别绘制包含有流型信息的每层网络中的节点聚集系数的均值、节点度的均值和节点特征向量中心性的均值与分辨率的关系图，包括：

(1)对于步骤1)建的每个分辨率的两个小波系数复杂网络分别作为小波双层复杂网络的一层，从而得到小波双层复杂网络，所述小波双层复杂网络的邻接矩阵表示为其中，α表示小波双层复杂网络的层数，若节点i和j在α层有连接，则邻接矩阵中对应的元素否则两层网络中的节点数目皆为S；

(2)小波双层复杂网络的任一层α中节点i的聚集系数

其中，α'表示小波双层复杂网络中不同于α层的另一层，和分别表示α层中节点i和节点j在邻接矩阵中的元素值，α'层中节点j和m在邻接矩阵中的元素值，α层中节点m和i在邻接矩阵中的元素值；得到每一层中各节点的聚集系数，计算每层中节点聚集系数的均值C_α：

(3)计算小波双层复杂网络中的任一α层中的任意节点i的度其中，表示α层中节点i和j在邻接矩阵中的元素值；得到每一层中每一个节点的度，计算每层中节点度的均值k_α：

(4)小波双层复杂网络的任一α层中节点i的特征向量中心性表示α层的邻接矩阵A^[α]的主特征值对应的特征向量的第i个元素值；得到每一层中每一个节点的特征向量中心性值，计算每层中节点特征向量中心性的均值E_α：

(5)分别绘制包含有流型信息的每层网络中的节点聚集系数的均值C_α、节点度的均值k_α和节点特征向量中心性的均值E_α与分辨率的关系图；循环激励多电极电导传感器对局部低含油率测量灵敏高，循环激励多电极电容传感器对局部高含油率测量灵敏度高，电导电容多源测量信息的有效融合实现互补式两相流空间流动信息检测，通过研究包含有流型信息每层网络的每层网络中的节点聚集系数的均值C_α、节点度的均值k_α和节点特征向量中心性的均值E_α与分辨率的关系图，研究每层的每层网络中的节点聚集系数的均值C_α、节点度的均值k_α和节点特征向量中心性的均值E_α三个指标在流型演化过程中的转变，实现对双模态信息的融合，指示流型演化过程中的内在动力学机制。

本发明的基于小波多分辨率双层网络的两相流多源信息融合法的应用，采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验；固定油相和水相的配比，改变油相和水相的流量进行实验；每个传感器都由16个电极组成，每次测量中，其中一个电极作为激励端，一个电极接地，其余14个电极接收，一次循环可测量得到16×14＝224通道的信号。由于电极循环激励速度相对于流体流动的速度来说非常快，所以可以等效为这224通道的信号是同时测量的，由此可有效捕捉丰富的局部流动信息。实验过程包括如下步骤：

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，然后逐渐向管道中通入油相，当油水两相充分融合并逐渐稳定后，采用循环激励电导传感器和循环激励电容传感器分别测量多通道的信号，并用高速摄像仪记录流型；

2)一次采集结束后，改变油相和水相的流量，按步骤1)过程继续采集，直至在固定的配比下所设计的工况都完成；

3)再改变油相和水相的配比，重复步骤1)至步骤2)的过程完成这一轮的测量，直至设计的所有工况全部测量完成；

4)基于得到的多通道测量信号，对于循环激励多电极电导传感器和循环激励多电极电容传感器分别建立不同分辨率下的小波系数复杂网络，对于两层网络得到一个小波多分辨率聚合网络；

5)计算图能量和聚集系数熵值，分别绘制包含有流型信息的不同工况下图能量、聚集系数熵随着分辨率变化的关系图，刻画在不同流型的演化过程中的内在动力学机制；

6)对于两层网络构建小波双层复杂网络，计算每一层网络的节点聚集系数均值、节点度均值、节点特征向量中心性均值，分别绘制包含有流型信息的节点聚集系数均值、节点度均值、节点特征向量中心性均值3个指标与分辨率变化的关系图，用以研究在流型演化过程中，复杂流动结构的变化和内在动力学机制。

本发明通过对循环激励双模态传感器得到的多通道数据采用小波变换的方法分别构建不同分辨率下的小波多分辨率聚合网络和小波双层复杂网络，分别在不同分辨率下计算复杂网络各项指标，绘制包含有流型信息的不同的复杂网络指标随着分辨率变化的关系图，用以研究在流型演化过程中的内在动力学机制。

以上对本发明和实施例的描述，并不局限于此，实施例中的描述仅是本发明的实施方式之一，在不脱离本发明创造宗旨的情况下，任何不经创造性的设计出与该技术方案类似的结构或实施例，均属本发明的保护范围。