基于集成学习和信息融合的段塞流分相流量测量

摘" 要：段塞流是气液两相流中典型流型，准确测量其分相流量有利于实时监控生产过程，优化工艺控制，确保系统在安全、经济的工况下运行.本文在改进长喉文丘里管的基础上，设计了一种集近红外（NIR）、声发射（AE）技术于一体的水平气液流量智能多传感系统.利用AE传感器和NIR传感器检测气液两相的流动噪声信息和截面信息，采用经验模态分解法（EMD）提取气体体积分数的特征变量.通过集成学习算法进行特征级融合，融合后的段塞流体积含气率预测模型平均绝对百分比误差（MAPE）为4.11%，92.45%的预测结果偏差在±10%以内.在Collins模型的基础上，提出了基于梯度提升决策树（GBDT）的段塞流质量流量预测模型，其MAPE值为0.96%，全部预测结果的偏差在±20%以内.本研究为气液两相流段塞流参数混合不分离测量提供了一种新方法，为气液两相流动机理研究奠定了基础.

关键词：气液两相流；数据融合；段塞流；多传感器；集成学习算法

中图分类号：TH814""" 文献标志码：A""" 文章编号：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

基金项目：

国家自然科学基金资助项目（62173122）；河北省自然科学基金资助项目（F2022201034）

第一作者：温佳祺（2000—），女，河北大学在读硕士研究生，主要从事多相流理论及参数检测技术研究.E-mail：benben93657@163.com

通信作者：董芳（1980—），女，河北大学讲师，主要从事多相流参数检测及信息处理技术研究.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

气液两相流广泛存在于石油、天然气等能源化工领域，对中国能源结构和战略影响重大.气液两相流量不分离测量，对工业生产安全有效运行起着至关重要的作用［1］，其中流型［2］、相含率［3-4］、分相流量［5］等表征参数的准确测量有利于进一步技术和设备优化.两相介质在流动过程中时刻发生着相互作用，产生大量流动噪声［6-7］，其精准捕获和处理在流量测量和流动特性研究中起着重要的作用.

近年来，多传感器测量技术在两相流领域的应用越来越多［8］.传感器组合测量方案克服了传统单个传感器测量的局限性［9-10］，在一定准则下通过分析和总结各种传感器的信息来提高气液两相流流动特征参数的预测精度和适用性.Vieira等［11］开发了一种基于流体导电性的两相流测量仪器——双金属丝网传感器（WMS），并对装置所获时间序列空隙率数据进行分析，实现了对两相上升环状流流动模式、空隙率以及局部截面特征等参数的实时测量.Xu等［12］提出了一种将微波谐振腔传感器嵌入文丘里管喉部的双传感器，在文丘里管的收缩段内固定了一个旋流器，并利用该装置实现了螺旋环状流水相体积分数（WVF）和两相分离流量的同时测量.Liu等［13］研制了一种非侵入式接触式液膜厚度传感器（环岛阵列传感器），获得螺旋管中液膜厚度的精细化三维时空分布数据并分析，实现了对螺旋管内环状流液膜厚度分布的实时测量.Wei等［14］根据电磁波传播理论，设计了一种新型双埋置U型管的电磁波相位传感器，通过分析速度的相位差，实现了对气液两相弹状流流动频率等参数的获取.Qu等［15］制作了小型化四传感器电探针，简单高效地获取气液两相流泡状流中除含气率、界面面积浓度（IAC）和气泡弦长之外的界面方向和速度.现有研究主要针对单一流型的某些特定参数进行监测，其应用领域和适用性存在显著局限，尤其是在应对检测流型动态转变这一关键环节时，监测能力显得尤为不足.鉴于此，迫切需要研发一种能够实现多参数测量，实时检测流型转换情况并精准捕捉流动状态变化信息的多元传感器系统.

由于机器学习在解决多变量和非线性问题方面具有显著优势，人工智能算法在两相流研究中受到了广泛关注［16］.Wang等［17］将数据驱动模型与科里奥利流量计相结合，分别建立了人工神经网络、支持向量机和遗传算法模型，大大提高了液相流速和空隙率的测量精度.Wang等［18］提出了基于文丘里管的卷积神经网络模型、深度神经网络模型和支持向量机，新模型提高了油、气、水三相流中液相体积流量预测的精度.Ali等［19］建立了状态空间频率传递函数模型来描述瞬态流体动力学行为，并利用双向长短期记忆（BI-LSTM）模型将相持率的预测精度提高至91%.尽管人工智能算法或者机器学习模型在处理复杂数据方面表现出色，但其高度依赖于训练数据的质量、数量和代表性，在很大程度上受实验装置的制约，且单一模型泛化性能较差，解释能力有限，鲁棒性不强.因此需要改进实验装置确保完整可靠的数据获取，同时结合多种算法进行数据融合，开发探索适应性更强的模型.

本文设计了一个基于近红外、声发射和长喉颈文丘里管的多传感器智能传感系统，构建了新的气液两相流水平段塞流的实验测量装置.对其采集的动态测量数据进行动态测量不确定度评定，利用经验模态分解法（EMD）提取气体体积分数的特征变量，利用集成学习算法进行特征级融合并预测体积含气率［20］，随后在Collins模型［21］的基础上，提出了基于梯度提升决策树（GBDT）的段塞流质量流量预测模型，为气液两相流段塞流质量流量的混合不分离测量提供了一种新方法，有效提升了测量系统的抗干扰能力和对复杂工况的适应性.

1" 测量系统结构及装置设计

1.1" 基于长喉颈文丘里管的多传感器结构设计

近红外技术具有检测成本低、可重复性强、检测下限低、灵敏度高、响应速度快等优点，将其用于气液两相流动特征参数的定性与定量分析，操作简单方便，可直接进行测试，不需要对样品进行预处理.

而声发射技术具有非侵入、可实时动态监测、灵敏度高、空间分辨率高的优点，将其应用于气液两相段塞流流动特征参数测试，在不影响系统正常运行的情况下，能够实时监测流体内部因气泡破裂、液滴撞击、流动模式转变等带来的局部应力变化引起的微弱声波信号.布置多个声发射传感器实时连续采集和处理数据，可实现对气液两相流管道内不同位置声发射源的空间定位，识别流体分布不均匀、局部扰动、相界面迁移等现象，进而量化流型、相含率等特征参数的空间分布特征，提高对复杂流动现象的表征精度.

本文在长喉颈文丘里管的基础上，设计了一个集近红外（NIR）、声发射（AE）技术于一体的多传感器智能传感系统，将2个声发射探头垂直安装在文丘里喉段的上方和下方，距离下游发散段10 mm，如图1所示.该多传感器系统集成了AE传感器在流型识别方面的高采集频率和响应速度，以及NIR传感器在空隙率测量方面的高测量精度的优点.当流体流过文丘里喉部时，AE和NIR传感器同时采集流动信息.当气液介质之间或介质与管壁之间发生碰撞时，AE传感器用于采集气液流动噪声信号，监测流型转换、气液流动状态信息.鉴于近红外光在流体中发生折射、反射和吸收，通过探测器获取近红外光强衰减信息，进而获得气液两相流动的截面信息.

采用长喉颈文丘里管测量流量，其喉部两相流流速显著增加，可放大噪声信号，便于实时、有效识别两相流型的变化.在其喉道内用固定管焊接安装NIR和AE传感器，可缩短探头间距和信号传播路径，减少传递过程信号损失，充分获取流动信息，抗干扰性能增强.喉内透明管段采用透光性好的石英玻璃，对NIR光的吸收率为0，将NIR传感器置于其上，提高了NIR传感器的测量精度.

1.2" 多传感器信号采集系统实验装置

本实验在河北大学“计量仪器与系统国家与地方联合工程研究中心”的双闭环气液两相流实验装置上进行，实验管道内径为50 mm，如图2a所示.实验流体为水和压缩空气.水经科里奥利质量流量计送入实验段前端，同时通过压缩机将气体泵入气路通道，经干燥器处理后通过管道送入实验段的前端与水充分混合，用科里奥利流量计（U=0.1%，k=2）进行测量.在各相路径线上安装电动阀开关（BY-10）和调节阀（LAL-05S），进行流量调节和开关控制.该装置采用双回路设计，气液可通过各自的电动开关阀和调节阀独立开启和调节流量.气路由2个支路（DN8、DN40）组成，配备科里奥利流量计（Endress+Hauser，0.06～1 m3/h，0.06～50 m3 /h，U=0.1%，k=2），可独立开启，也可组合使用.液路由3个支路（DN10，DN32，DN40）组成，可根据液体流量情况单独开启或组合使用.各支路安装电磁流量计（OPTIFLUX4300，0.03～1.2 m3/h，OPTIFLUX230，0.03～20 m3/h，U=0.2%，k=2）和科里奥利流量计（Endress+Hauser，0.03～40 m3/h，U=0.1%，k=2），原理如图2b所示.水进入实验管段前端与空气混合.气液两相流经260D 的直管段充分发展，然后通过水平实验管段.最后，混合物在分离罐中分离，重力分离后水继续循环，气体直接排放到空气中.通过温度变送器（JWB/38Z/A，0～50 ℃，U=0.2%，k=2）和压力变送器（JT-8016CRA，0～1 MPa，U=0.5%，k=2），实时获取各观测点气液的温度和压力，并在进一步的数据处理中与两相流参数一起由数据采集系统（采样频率2 kHz）记录下来.然后通过相应的控制阀使水和空气按所需流速在系统中循环，直至达到稳定状态.对不同的流量组合重复相同的实验程序，在流量稳定5 min后，开始采集数据，每个条件的数据采集时间为15 s.实验参数如表1所示.实验数据通过NI数据采集卡上传到计算机并储存，采用基于LABVIEW设计控制界面的上位机进行实验参数调节.

2" 基于人工智能算法的体积含气率预测模型

2.1" 双重集成算法

2.1.1" 梯度提升决策树（GBDT）模型

梯度提升决策树（GBDT）模型能够分析特征变量之间的高阶关系，泛化能力好，鲁棒性强［22］.运算原理如下：

对目标函数进行正则化处理

Obj（θ）=L（θ）+Ω（θ），（1）

其中：L（θ）是损失函数，用于衡量模型对训练数据的拟合效果；Ω（θ）是正则函数，用于衡量训练模型的复杂性.

使用前向分布算法对目标函数进行优化，规则为

i=ΩKk=1fk（xi），fk∈F，（2）

其中：K为预测器的数量;i为第i个预测值.

决策树基本法则为

Ω（ft）=γM+12λ∑Mj=1w2j，（3）

其中：M为假设叶子点的数量，即独立二次函数的数量；fi为预测函数；γ、λ是超参数调整的线性系数；wj为第j个叶子的权重；j为第j个叶子结点.

2.1.2" 网格搜索算法

网格搜索是使用较为广泛的超参数搜索算法，可以实现较小数据样本参数的自动调整，只需输入参数就可以得到最优的结果和参数，符合本研究中数据量的要求，其运行过程流程如图3所示.

2.2" 基于双重集成算法的体积含气率预测模型

基于GBDT和网格搜索方法的双重集成算法，提出气液两相段塞流体积含气率多传感器的融合方案，结构如图4所示.

对信号采集系统捕获的声发射信号和近红外信号用经验模态分解（EMD）进行解耦，通过LASSO回归［23］进行特征量选取，将声发射信号的IMF1、IMF2和IMF3，近红外衰减信号的IMF2、IMF3、IMF6、IMF7和IMF8作为后续基于集成学习的体积含气率的多传感器信息融合的特征变量，如图5所示.

将上述特征变量进行相关性分析，探究不同特征变量与体积含气率之间的关系，对这些变量进行特征级融合，作为梯度提升决策树的输入变量.利用网格搜索的方法进行超参数的调优，在体积含气率和流量测量中多次进行集成学习迭代，探究不同位置安装的多传感器融合方案的预测精度，使气液两相段塞流体积含气率融合预测模型的预测精度达到最佳效果，并给出最佳融合方案.

将所获取的声发射分解信号和近红外光强衰减分解信号的体积含气率作为训练集和测试集，以4∶1的方式进行GBDT集成学习，并配备网格搜索的方法进行超参数的调优.对于段塞流体积含气率预测模型，位于上方的声发射探头AET和位于下方的声发射探头AEB的平均绝对百分比误差（MAPE）分别为7.74%和9.39%，其中，AET探头数据86.79%的预测结果偏差在±10%以内，AEB探头数据84.91%的预测结果偏差在±10%以内.垂直放置的近红外探头NIRV和水平放置的近红外探头NIRH的MAPE为4.76%和7.36%，其中，NIRV探头数据88.68%的预测结果偏差在±10%以内，NIRH探头数据81.13%的预测结果偏差在±10%以内.将AET和NIRV中提取的特征参数进行特征级融合，对于段塞流，融合后的MAPE为4.11%，92.45%的预测结果偏差在±10%以内，如图6所示.

3" 优化流量预测模型

在上述基于集成学习（GDBT）的气液两相流段塞流多传感器信息融合的体积含气率预测模型的基础上，将体积含气率转换成质量含气率作为输入参数，建立气液两相流流量预测模型并验证预测效果.随后在Collins模型的基础上，利用三重集成学习进行优化，并通过网格搜索的方法对新的特征变量进行超参数的调优，建立基于经验模型结合集成学习的总质量流量模型，最终实现气液两相段塞流分相液相质量流量的测量.该方案的结构如图7所示.

用适当的两相流体密度代替单相流体密度，两相质量流量可由以下公式计算出：

Mtp=cεβ21-β4πD242ρtpΔPtp，（4）

其中：M为质量流量；C为流量系数；β代表节流比；ε为流体的可压缩系数，空气和水流体在低压下被认为是不可压缩的，因此流体可压缩系数为1；D为文丘里进口处的管道直径（m）；ρ为单一流体的密度（kg/m3）；ΔP为流经文丘里管时直管段与喉部的压差.

模型的合理选择对预测结果的准确性有很大影响.本文中以Murdock改进的关联式［21］为基础，选取Collins模型来处理段塞流数据，其表达式如下：

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与ρl分别为气相密度与液相密度;x为质量含气率，其表达式如式（6）.

x=mgmg+ml，（6）

其中：mg为两相流体中气相介质的质量；ml为两相流体中液相介质的质量.

后续在Collins模型的基础上，利用梯度提升决策树对气液两相流量模型进行三重集成学习的优化，对模型的预测精度和适用范围进一步提升.优化后的MAPE为0.96%，预测结果的100%的偏差在±20%以内，如图8所示.表明本文建立的集成学习预测模型泛化能力较强，可以较好地处理两相流中复杂性、间歇性和随机性的问题.

4" 结论

设计了一个基于长喉文丘里管，集近红外、声发射技术于一体的声光多传感器系统，建立了气液两相流段塞流测量的新型实验测量装置，在文丘里管的喉部延伸段上安装2对近红外采集装置和2个声发射采集装置.对54个工况点进行了测试，实时记录差压、声发射以及近红外信号.在此基础上开发了段塞流原始数据采集系统，提出了一种新的基于集成学习算法的气液两相流段塞流体积含气率多传感器融合方案，从所捕获信号中提取特征变量，对其进行相关性分析和特征级融合处理，给出最佳融合模型.利用三重集成学习、网格搜索等方法对模型进行进一步优化，在Collins模型的基础上，提出了基于梯度提升决策树（GBDT）的段塞流质量流量预测模型.经实验验证表明，段塞流体积含气率预测模型的MAPE为4.11%，预测结果的92.45%的偏差在±10%以内，段塞流质量流量预测模型的MAPE值为0.96%，预测全部结果的偏差在±20%以内.本研究为气液两相流段塞流流动特征参数的准确测量提供了一种新的方案，进一步揭示了两相流流动特性和内在机理.

参" 考" 文" 献：

［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］" 张立峰，王智.基于多域特征提取的气液两相流流型识别［J］.计量学报， 2023， 44（10）： 1509-1516. DOI： 10.3969/j.issn.1000-1158.2023.10.05.

［3］" 方立德，田梦园，王配配，等.基于物质吸光度的气液两相流相含率测量模型［J］.光电子·激光，2021， 32（4）： 409-418. DOI： 10.3969/j.issn.1000-1158.2019.06.17.

［4］" 金卫栋，戴明岩.气液两相流相含率确定方法的研究综述［J］.山东化工， 2023， 52（5）： 78-80. DOI： 10.19319/j.cnki.issn.1008-021x.2023.05.026.

［5］" 安雅丽，徐志鹏，刘铁军，等.双锥流量计气水两相流流量测量实验研究［J］.实验流体力学， 2016， 30（5）： 67-73.DOI： 10.11729/syltlx20160044.

［6］" 董芳，方立德，李小亭.功率谱熵在垂直于水平流向的气液两相流压差信号中的应用［J］.河北大学学报（自然科学版）， 2014， 34（5）： 541-546. DOI： 10.3969/j.issn.1000-1565.2014.05.017.

［7］" 方立德，赵敏慧，杨英昆，等.气液两相流动噪声特性及相含率测量模型［J］.哈尔滨工程大学学报， 2019， 40（8）： 1530-1536. DOI： 10.7666/d.D531037.

［8］" 李小亭，卢庆华，方立德，等.基于声发射技术和小波变换的气-液两相流动噪声特性研究［J］.电子测量与仪器学报， 2012， 26（12）： 1031-1036. DOI： 10.3724/SP.J.1187.2012.01031.

［9］" 刘月圆，梁玉娇，郑盟，等.新型均速管涡街流量传感器的测量特性研究［J］.电子测量与仪器学报， 2022， 36（12）： 10-18. DOI： 10.13382/j.jemi.B2205890.

［10］" 赵宁，王超，孙宏军，等.一种测量环状流液膜参数的传感器研究［J］.中南大学学报（自然科学版）， 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］" 赵晓云，宋红伟，王明星，等.基于人工智能算法的水平井气水两相生产测井流型识别方法研究［J］.当代化工研究， 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］" 陈雨桐.集成学习算法之随机森林与梯度提升决策树的分析比较［J］.电脑知识与技术， 2021， 17（15）： 32-34. DOI： 10.14004/j.cnki.ckt.2021.1441.

［23］" 赵俊琴，王慧，王彤.基于LASSO的高维数据线性回归模型统计推断方法比较［J］.中国卫生统计， 2017， 34（2）： 250-252. DOI： 10.7666/d.D649822.

（责任编辑：孟素兰）