автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.16, диссертация на тему:Исследование и разработка метода измерения и ИИС расхода многофазных потоков нефтегазовых скважин

На правах рукописи

ЮЖАНИН ВИКТОР ВЛАДИМИРОВИЧ

ИССЛЕДОВАНИЕ И РАЗРАБОТКА МЕТОДА ИЗМЕРЕНИЯ И ИИС РАСХОДА МНОГОФАЗНЫХ ПОТОКОВ НЕФТЕГАЗОВЫХ СКВАЖИН

Специальность 05.11.16 «Информационно-измерительные и управляющие системы» (промышленность) (технические науки)

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва-2010

004606528

Работа выполнена в Российском государственном университете нефти и газа имени И.М. Губкина

Научный руководитель: доктор технических наук, профессор

Браго Евгений Николаевич

Официальные оппоненты: доктор технических наук, профессор

Ермолкин Олег Викторович

кандидат технических наук Бахметьев Петр Иванович

Ведущая организация_ИК «Нефтегазовые системы»

Защита состоится « 22 » июня 2010 года в 15 часов 00 минут на заседании диссертационного совета Д212.200.09 при Российском государственном университете нефти и газа имени И.М. Губкина по адресу: 119991, г. Москва, Ленинский проспект, 65, ауд. 202 .

С диссертацией можно ознакомиться в библиотеке РГУ нефти и газа имени И.М. Губкина

Автореферат разослан «21 » мая 2010 г.

Ученый секретарь диссертационного совета к.т.н., доц.

Великанов Д.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В нефтегазодобывающей отрасли ряд технологических процессов требует непрерывную измерительную информацию о параметрах продукции добывающих скважин. В то же время до сих пор не создано расходоизмерительных систем, удовлетворяющих требованиям по точности, диапазону измерения, а также надежности работы в условиях низких температур Крайнего Севера России. Создание систем затрудняется сложностью явлений, специфичных для многофазных потоков. Сложность в основном обусловлена изменяющимся режимом течения потока.

Исторически многофазная расходометрия развивалась по пути комбинирования методов измерения расхода однофазных потоков и методов определения состава смеси. Мировой и отечественный опыт разработки комбинированных измерительных систем показывает, что их основным недостатком является существенно возросшая техническая сложность по сравнению с однофазными расходомерами. Подобные устройства отличаются дороговизной, технической сложностью, недостаточно высокой надежностью при абразивном воздействии потока и низких температурах Крайнего Севера. Их использование на нефтегазовых промыслах России затруднительно.

Таким образом, исследование и разработка новых методов и ИИС измерения расхода многофазных потоков актуальны.

Цель работы: исследование и разработка метода измерения и ИИС расхода многофазных потоков на базе нейросетевой модели и анализе спектра флуктуации давления в трубопроводе после специального формирователя.

Для достижения цели работы необходимо решить следующие научно-технические задачи:

1. Исследование и разработка метода измерения расхода многофазного потока, основанного на нейросетевой модели и анализе спектра флуктуаций давления в трубопроводе после специального формирователя потока

2. Исследование и разработка нейросетевой модели расхода многофазного

потока:

- определение обобщенной структуры входного вектора нейросетевой модели, обладающего высокой информативностью

- построение нейросетевой модели многофазного потока, определение рациональной архитектуры и алгоритма обучения на основе данных эксперимента

- исследование потенциальной точности нейросетевой модели

3. Разработка информационной структуры ИИС, этапов и алгоритмов обработки измерительных сигналов

4. Разработка функциональных блоков ИИС и их схемотехнических решений

5. Анализ источников погрешностей ИИС и оценка ее потенциальной точности

Методы исследования базируются на теории нейронных сетей, математической статистике, теории случайных процессов, теории цифровой обработки сигналов, теории измерений, численных методов

Практическая значимость работы. Разработана ИИС расхода для добывающих скважин нефтегазовых промыслов.

Апробация работы. Основные результаты диссертационной работы докладывались на следующих форумах:

- III международная конференция «Информационные технологии в науке и образовании», Тюмень, 17-18 октября 2008

- VIII всероссийская конференция «Новые технологии в газовой промышленности», Москва, 6-9 октября 2009

Положения, выносимые на защиту:

1. Метод измерения расхода фаз многофазных потоков - эвристический метод:

- обобщенная структура входного вектора нейросетевой модели расхода фаз с произвольным числом информативных спектральных параметров потока, обладающего высокой информативностью

- нейросетевая модель расхода с рациональной архитектурой и выбор алгоритма обучения

- оценка потенциальной точности нейросетевой модели расхода

2. Информационно-измерительная система расхода фаз на базе предложенного метода измерения:

- информационная структура, этапы и алгоритмы обработки измерительной информации ИИС

- критерий рационального выбора частоты дискретизации сигнала флуктуации давления, допускающий наложение периодических компонентов спектра дискретизированного сигнала вне его информативной области

- функциональные блоки ИИС и их схемотехнические решения

- стилизованная принципиальная схема ИИС

- оценка потенциальной точности ИИС

Публикации. По теме диссертации опубликовано 3 работы в журналах, из перечня ведущих журналов и изданий ВАК, тезисы докладов на двух конференциях.

Структура и объем работы. Диссертация содержит введение, 5 глав на 130 листах, 76 рисунков и 25 таблиц.

Получено положительное решение о выдаче патента Российской Федерации на изобретение по заявке №2009116829/03 (023137) от 05.05.09г.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении приводится обоснование актуальности исследований в области бессепарационного измерения расхода фаз многофазной продукции, сформулированы цель и задачи работы.

В первой главе рассмотрены основные методы бессепарационного измерения расхода фаз многофазной продукции добывающих скважин, оценена их применимость на нефтегазовых месторождениях России; показана актуальность исследований.

Большинство существующих многофазных расходоизмерительных систем построено на основе адаптации однофазных методов измерения расхода к многофазным потокам с помощью введения дополнительных источников информации о составе смеси. Проведенный анализ на примере систем компаний Schlumberger, Agar, Roxar, НИИИС показывает, что использование подобных расходомеров на добывающих скважинах нефтегазовых промыслов России затруднительно ввиду дороговизны, технической сложности, недостаточно высокой надежности при абразивном воздействии потока и низких температурах Крайнего Севера.

Другой подход к построению измерительных систем связан с упрощением конструкции системы при одновременном усложнении обработки информационных сигналов. Такой подход приводит к созданию эмпирических моделей многофазного потока, основанных на методах регрессионного анализа, теории нейронных сетей и др. Относительная дешевизна и простота подобных систем обеспечивает потенциал их массового использования. Среди подобных разработок отметим систему ПОТОК на базе спектрометрического метода измерения расхода и экспертную систему многофазной расходомет-рии ESMER. Обе системы имеют удовлетворительные для ряда технологических задач точность и динамический диапазон измерения. Однако введение новых государственных стандартов, повышающих требования к точности измерения продукции добывающих скважин, а также расширение области применения систем требуют проведения дальнейших исследований с целью увеличения точности и диапазона измерения. Таким образом, исследование и разработка новых методой и ИИС измерения расхода на базе эмпирических моделей многофазных потоков актуальны.

Во второй главе разработан и исследован метод измерения расхода многофазных потоков, основанный на нейросетевой модели и анализе спектра флуктуаций давления в трубопроводе после специального формирователя; определена обобщенная структура входного вектора нейросетевой модели и показана его высокая информативность; разработана нейросетевая мо-

дель многофазного потока, определена ее рациональная архитектура и алгоритм обучения, оценена потенциальная точность

Система ПОТОК на базе спектрометрического метода измерения и экспертная система многофазной расходометрии ЕЯМЕЯ в известной степени послужили прототипами предлагаемого эвристического метода измерения и ИИС на его основе. В системах ПОТОК используется специальный формирователь, обеспечивающий регулярную структуру потока, не зависящую от исходного режима течения. Спектр образованных формирователем флуктуаций давления зависит от расхода фаз потока. В спектре выделены информативные полосы наибольшего влияния расхода газа и жидкости. Расход фаз определяется по мощности флуктуаций давления в этих полосах с помощью регрессионной модели. Входными переменными модели также являются давление и температура. Количество используемых информативных полос равно двум. Дальнейшее увеличение числа полос увеличивает детальность анализа спектра и позволяет увеличить точность модели, однако при этом выбор вида регрессионной модели, адекватной во всем диапазоне расхода фаз, становится затруднительным. В системах ЕЗМЕЯ вместо формирователя потока используется одно из стандартных сужающих устройств. Основной измерительной информацией является переменная составляющая сигналов давления и перепада давления на сужении. Расход фаз вычисляется по статистическим характеристикам сигналов во временной и частотной области. Вычисления производятся по сложной иерархической нейросетевой модели потока: ней-росетевая модель режима течения в реальном времени подключает нейросе-тевую модель расхода фаз для идентифицированного режима течения.

В предлагаемом методе из системы ПОТОК взят измерительный преобразователь с формирователем потока и спектральный подход к анализу флуктуаций давления после формирователя. При этом в предлагаемом методе спектр флуктуаций давления анализируется более детально за счёт его разбиения на большее число полос, что позволяет увеличить информативность входного вектора модели потока. Для построения модели потока исполъзу-

ются нейронная сеть, позволяющая аппроксимировать нелинейные функции больших размерностей произвольного вида. При этом, сложность нейросете-вой модели значительно ниже сложности нейросетевой модели Е8МЕ!1, поскольку нет необходимости идентифицировать режим течения. Описанная комбинация измерительного преобразователя и способа обработки измерительного сигнала позволяет увеличить точность и диапазон измерения и является основой предлагаемого в работе эвристического метода измерения.

_ Измерительный преобразо-

формирователь потока

УУУУУУУУУУУУУУУУЛ/УУУУУУУУУУУ/У/УУУУУУ/.

1 1 111 1 1 1 1 |±| 1 1 1 1 1Т1 м 111 III \ 11 II/ ЙГтт^

_«— "

___----------

<//////У////УУ///У//УУУ/УУ/Л У/Л •////,

вихревые зоны

рис. 1. Измерительный преобразователь

рис. 2. Анализ спектральной плотности мощности 5(/) флуктуаций давления

ватель предлагаемого метода (рис. 1) состоит из формирователя потока, измерительного преобразователя флуктуаций давления

Р, а также измерительных приборов давления Р и температуры 0. Формирователь представляет собой сужающее устройство в виде протяженного сопла со

скругленными кромками на сужении. При исследовании спектрометрического метода измерения экспериментально установлено, что в спектре флуктуаций давления после формирователя присутствуют две информативные частотные области - низкочастотная область (НЧ), лежащая в диапазоне Л/„ = (/„""" + /„""") = (20 1000) Гц и высокочастотная область (ВЧ) в диапазоне

Ж = {/Г™ -ь Г'лх) = (70 + 200) кГц. Сигнал флуктуаций давления в НЧ области содержит информацию о расходе газа и жидкости, а в ВЧ области — о дискретных включениях потока (твердые частицы и капли жидкости при ее малых расходах).

В областях Л/к и Л/в выделяются информативные частотные полосы 4//= (//"'/)') (рис. 2). Конфигурация полос (их количество и расстояние между ними) определяет детальность анализа спектра флуктуаций давления и может быть произвольной. В работе используется Ьн~ 10 полос в НЧ области и£д = 10 полос в области ВЧ, а расстояние между полосами равно ширине самих полос. Мощность флуктуаций давления в полосах А/-, условимся называть информативными спектральными параметрами потока

АЛ

где 5(/) - спектральная плотность мощности флуктуаций давления.

В общем случае, нейросетевая модель предлагаемого метода по величинам /•}, давлению Р и температуре 0 определяет расхода фаз потока и содержание дискретных включений. В частном случае, модель расхода фаз требует только информативные спектральные параметры НЧ-области Р^..., Ею'.

(2)

где О, = (0Г,()Ж) - вектор расхода фаз, Ч^.) - функция преобразования ней-росетевой модели расхода.

Входной вектор нейросетевой модели имеет более высокую информативность по сравнению со спектрометрическим методом (система ПОТОК) за счет увеличенного числа информативных полос а по сравнению с системой ЕБМЕЯ - за счет применения формирователя потока.

Таким образом, определена обобщенная структура входных переменных нейросетевой модели и показана его высокая информативность.

Проведенный анализ работ по применению нейронных сетей к задачам измерительной техники показывает, что для достижения высокой точности модели расхода фаз потока необходимо выполнение условий:

- Высокая информативность входного вектора нейросетевой модели <?

- Достаточный объем экспериментальных данных

— Точность экспериментальных данных обучающей и экзаменационной выборки должна быть не ниже требуемой точности нейросетевой модели

- Использование рациональной архитектуры сети для данного объема обучающей выборки и сложности аппроксимируемой зависимости

Обобщенная структура входного вектора модели эвристического метода обеспечивает высокую информативность входного вектора модели. Как следует из проведенного анализа работ по применению нейросетевых методов к задачам измерительной техники, при таких условиях потенциально может быть достигнута погрешность модели около 1%, если выполнены прочие условия высокой точности модели, перечисленные выше.

В работе построен частный случай нейросетевой модели расхода с двумя информативными спектральными параметрами Р/ = ¥ж и ¥2 = Рг- Величина Рг преимущественно зависит от расхода газа и лежит в информативной частотной полосе 150-250 Гц, Рж - преимущественно зависит от расхода жидкости и лежит в полосе 20-150 Гц. Помимо Рг и Рж. компонентами входного вектора модели также являются давление Р и температура 0. Такая модель соответствует информационной модели расхода газоконденсатной скважины спектрометрического метода.

Экспериментальные данные для построения модели получены на Уренгойском месторождении в ходе специальных газоконденсатных исследований скважины №1312. Диапазон расхода газа 113 + 301 тыс. нм3/сут, жидкости - 20 ^ 42 т/сут. Объем данных ограничен (исследованы 6 режимов работы скважины), поэтому дополнительные режимы работы скважины получены с помощью интерполяции по информационной модели спектрометрического метода. Интерполированные данные разбиты на обучающую выборку объемом 125 примеров и экзаменационную выборку объемом 65 примеров. По обучающей выборке проводилось обучение сети, а по экзаменационной выборке оценивалась ошибка обобщения сети.

Поскольку размерность задачи невысока, рассматривались сети, архитектура которых имеет один скрытый слой. При этом размерность входного и

Модель расхода газа

Fr~

Q,

выходного слоев определена размерностью задачи, и подбор архитектуры

свёлся к перебору числа нейронов в скрытом слое (табл. 1) по минимуму ошибки на экзаменационной выборке. В табл. 1 также приведена погрешность отдельных нейросетевых моделей (рис. 3). Из таблицы видно, что отдельные нейронные сети дают меньшую ошибку по сравнению с

Модель расхода жидкости

рис. 3. Использование отдельных ней- сетью, определяющей оба расхода, росетевых моделей расхода газа и ^ с

у 1 Это объясняется тем, что количест-

жидкости

во межнейронных соединений у каждой из отдельных сетей меньше, чем у сети, определяющей оба расхода. В скрытом слое модели расхода газа число нейронов составило 6, модели расхода жидкости - 5.

Число нейронов в скрытом слое Относительная погрешность (на экзам. выборке), %

расхода газа & расхода жидкости £ж

отдельная сеть общая сеть отдельная сеть общая сеть

4 0.57 0.95 0.47 0.79

5 0.44 0.83 0.46 0.71

6 0.53 0.72 0.48 0.65

7 0.46 0.76 0.49 0.73

8 0.67 0.81 0.52 0.88

Подчеркнем, что обучение и оценка погрешности проводились по сгенерированным данным, поэтому входные переменные полностью детерминировали выходные, следовательно, точность «сбора» данных и информативность входного вектора модели высокие. Объем обучающей и экзаменационной выборок достаточно большой. Кроме того, построена рациональная архитектура с отдельными моделями расхода газа и жидкости и числом нейронов скрытого слоя, обеспечивающим минимальную погрешность. Условия высокой точности модели выполнены, и полученные значения погрешности

£г = 0.53% и еж - 0.46% подтвердили приведенный выше вывод о величине потенциальной точности модели. Таким образом, оценена потет^иальная точность нейросетевой модели.

Действительная погрешность построенной нейросетевой модели будет определяться величина величинами ег, еж и погрешностью информационной модели спектрометрического метода, с помощью которой осуществлялась интерполяция экспериментальных данных. При этом из исследований и практического применения спектрометрического метода известно, что погрешность его информационных моделей составляет 3+5%. Очевидно, что на фоне погрешности информационных моделей, погрешности ег, Еж пренебрежимо малы и погрешность построенных нейросетевых моделей практически совпадает с погрешностью информационных моделей спектрометрического метода.

Обучение нейронных сетей осуществлялось с помощью градиентного алгоритма безусловной минимизации функций ВРОБ. Достоинство алгоритма ВРвБ состоит в отсутствии настроечных параметров и достаточно быстрой сходимости при построении модели расхода фаз.

Таким образом, разработана нейросетевая модель потока, определена рациональная архитектура и алгоритм обучения, оценена потенциальная точность модели.

В третьей главе определена информационная структура ИИС, этапы и алгоритмы обработки измерительных сигналов; сформулированы требования к функциональным блокам ИИС.

Построенная в гл. 2 нейросетевая модель предназначена для вычисления расхода фаз потока и не учитывает содержание его дискретных включений. Для построенной модели необходима информация только из НЧ-области флуктуации давления, однако построенная ИИС анализирует и ВЧ-область. Это дает возможность при необходимости определять содержание дискретных включений, добавив в ИИС соответствующую модель.

В информационной структуре ЙИС (рис. 4) показаны этапы вычисления расхода фаз потока по флуктуациям давления Р и величинам давления Р и температуры <9. Измерительный преобразователь по величинам Р, Р, 0 формирует электрические сигналы С/ДД иР{(), Сигналы давления £//>(/) и температуры 11(10 непосредственно поступают на вход АЦП, где преобразуются в цифровые отсчеты Р[и], Щп\ и подаются на вход нейросетевой модели.

Полоса пропускания измерительного преобразователя флуктуаций давления включает в себя обе информативные частотные области сигнала £7^/). Амплитуда сигнала ¿Л(/) в информативных частотных областях стилизованно показана на рис. 5а.

Цель аналоговой обработки сигнала и^) состоит в его подготовке к аналого-цифровому преобразованию. Ввиду существенного отличия амплитуды и частоты сигнала в областях НЧ и ВЧ, подготовка осуществляется отдельно с помощью двух частотных каналов, формирующих сигналы информативных частотных составляющих С/д(0 и 1]ц{1). Задача частотных каналов - обеспечить усиление сигналов £/д(/) и ив{1) до входного диапазона АЦП 2.5В и обеспечить защиту от спектральных наложений при дискретизации. Частотные каналы выполняют эти задачи с помощью масштабирующих измерительных усилителей УН и УВ и полосовых фильтров ПФН и ПФВ.

На рис. 56 показаны стилизованные АЧХ усилителей УН и УВ. Коэффициент усиления в полосе пропускания усилителей рассчитан исходя из требуемой амплитуды сигнала на входе АЦП 2.5В. Отметим, что оба усилителя

Р+Р

Измерительный преобразователь

2о*1ооо ги\и№ 'ТоШо'кГц

ад

Аналоговая обработка сигнала

имГ

одогиП

ив< О

ад. ад

20+1000ГЩ70+200 м

кГц ;

Аналого-цифровое преобразование

"нМ

Р[п] &1п]

§

¿8

1 *

«I

Вычисление информативных параметров потока

Вычисление расхода фаз по нейросетевой модели потока

Ог

рис. 4. Информационная структура ИИС расхода

выполняют также предварительную фильтрацию из соображений помехозащищенности. Для усилителя УВ фильтрация, кроме того, позволяет избежать насыщения, вызываемого составляющей сигнала £7//) в НЧ области, где амплитуда на 3 порядка превосходит амплитуду СЛ<У) в ВЧ области. Таким образом, определены требования к усилителям УН и УВ.

а)\иМ)

Информ. область НЧ

Информ. область ВЧ

20 . 1000

ПН!р . /Л 200Ч0'

А Гц

« = 25

т/я

гШ1п |

20 ¡000 АпфнМ

"Г-г

/ ' у-ггип г тах ' \

/ ¡/» Л I \

7Шг

К=12500

/•тах I

—■—+■

АпфвЦ)

201Н1/ /,Л<

1—~А

/ ' гт1п гтах I \ / I /« /« I \

1шиог~0ц

20 то ~ 70-10*

рис. 5. Характеристики сигнала ¿Л(/) и его аналоговая обработка и^/} - стилизованная зависимость амплитуды от частоты сигнала Ау/М), Аув(/) - стилизованные АЧХ усилителей УН и УВ, АЛФН{/), АПФВ(/) -стилизованные АЧХ фильтров ПФН и ПФВ Для предотвращения спектральных наложений при дискретизации сигналов и Ыв{0 спад АЧХ фильтров ПФН и ПФВ в верхней полосе подавления согласован с частотой дискретизации сигналов. Для определения требуемой частоты дискретизации использован предложенный критерий отсутствия наложений в информативной частотной области вместо условия теоремы отсчетов Котельникова-Найквиста-Шеннона. При выполнении условия теоремы (рис. 6а), спектральные наложения дискретизированного сигнала полностью отсутствуют. Однако, условие теоремы предъявляет завышенные требования к частоте дискретизации сигнала. Предложенный в работе критерий снижает требования за счет допущения спектральных наложений вне информативной области сигнала (рис. 6Ь). Как показали расчеты, критерий позволил снизить требуемую частоту дискретизации на 40% по сравнению с теоремой отсчетов.

а) Теорема отсчетов Ь) Критерий отсутствия нало-

жений в ипф. области

рис. 6. Спектр Щ/) сигнала флуктуаций давления после дискретизации /в - верхняя частота информативной частотной области сигнала,^ - граничная частота, выше которого амплитуда спектра пренебрежимо мала, /д — частота дискретизации сигнала

При синтезе передаточных коэффициентов фильтров ПФН и ПФВ выбран компромисс между сложностью технических решений фильтров и АЦП. Фильтры ПФН и ПФВ синтезированы на основе аппроксимации Чебышева I рода. Порядок фильтра выбран исходя из анализа требуемой частоты дискретизации сигналов 1/д(0 и по предложенному критерию. В канале НЧ используется фильтр Чебышева 4-го порядка. Требуемая частота дискретизации /д сигнала £/#(0 на выходе ПФН составляет 19 кГц. В канале ВЧ используется фильтр Чебышева 6-го порядка и требуемая частота дискретизации сигнала ив{() составляет 1МГц. Таким образом, определены передаточные коэффициенты фильтров ПФН, ПФВ, обеспечивающие защиту от наложений и удаление неинформативных частотных составляющих из сигналов ин(0 и ив(1).

Сигналы и ив{{) подаются на АЦП и преобразуются в числовые последовательности 11н[п\ и 11я[п~\. Частота преобразования АЦП соответствует требуемой частоте дискретизации. Из соображений унификации, аналого-цифровое преобразование обоих сигналов 1/д(0 и £/в(0 осуществляется с частотой дискретизации 1 МГц идентичными АЦП. При этом отсчеты и}1[п] прореживаются до минимальной частоты дискретизации сигнала £/д(/), равной 19 кГц.

От АЦП последовательности иц[п\ и £Уд[и] передаются в программно-вычислительный комплекс (ПВК), в котором вычисляется расход фаз потока по нейросетевой модели, построенной в гл. 2. Входной вектор модели состо-

ит из информативных спектральных параметров Р„ давления Р и температуры 0. Вместо информативных спектральных параметров ^ возможно вычислить лишь их статистические оценки Р",:

,где к" =

Ь-м , к' = Г

Л 9 ' .Л .

(3)

где - оценка спектральной плотности мощности сигнала и/г[п] или ив[п], N - количество дискретных частот в оценке /д - частота дискретизации сигнала (У//[и] или 11в[п]. Погрешность статистического оценивания величин

Р1 снижает точность нейросетевой модели и определяется дисперсией оценок £>(#,.). Из исследований спектрометрического метода известно, что конечную выборку сигнала флуктуаций давления можно считать выборкой из стационарного, эргодического, гауссова случайного процесса. При этом, величина Р, представляет собой оценку среднего квадрата сигнала флуктуаций давления в информативной частотной полосе 4/5 = (/," '//*)■ Тогда относительную погрешность статистического оценивания £с информативных спектральных параметров можно определить по формуле:

£с=^Бф~)!Р., (4)

где М- объем выборки сигнала флуктуаций давления £///[«] или СЭДи]. Величина Ы, обеспечивающая Ее = 1% для обеих информативных частотных составляющих и ив\п\, приведена в табл. 2. Полученное время выборки Т не превышает периода стационарности сигнала флуктуаций давления, табл. 2. Объем выборки для информативных частотных составляющих

Погрешность Частотный канал Объем выборки N Время выборки Г-ЛГ/Л,

& = 1% НЧ 2 157 ООО 114.4 сек-2 мин

Я* и ч§ вч 809 ООО 0.812 сек к 1 сек

Дополнительно снизить дисперсию Щ^) оценки информативных спектральных параметров в 16/9 раза позволило использование метода Уэлша для оценки спектральной плотности мощности в (3).

Таким образом, определены статистические оценки информативных спектральных параметров потока, и достигнуты требуемые статистические свойства ог^нок.

По вычисленным оценкам ^ информативных спектральных параметров по (3), а также с измеренными значениями давления Р и температуры в, с помощью предварительно обученной нейросетевой модели вычисляется расход фаз потока, общий вид которой рассмотрен в гл. 2.

табл. 3. Требования к программно-вычислительному комплексу

Тип данных числа с плавающей точкой (1ЕЕЕ-754)

Объем ОЗУ не менее 7.5 Кбайт

Вычисление БПФ 512 точек не более 0.52 мс

Требования к характеристикам программно-вычислительному комплексу (табл. 3) сформулированы на основе анализа цифровых этапов обработки сигнала.

Таким образом, определены информационная структура, этапы и алгоритмы обработки измерительного сигнала в ИИС, определены требования к функциональным блокам измерительного преобразователя, масштабирующих измерительных усилителей, полосовых фильтров, АЦП и ПВК.

пвк

Измерительный преобразователь

Блок аналоговой обработки сигнала

АЦП

НЧ-канал

ВЧ-канал

в

и

и

t>

>

Щ'У,

±2.5П

им

±2. SB

MUX Щ') :

1 ад А / т

2 # ±Z5B ' /D ем

рис. 7. Структура функциональных блоков ИИС, q - заряд пьезодатчика флуктуаций давления УН, УВ - масштабирующие измерительные усилители НЧ и ВЧ, ПФН, ПФВ - полосовые фильтры составляющих НЧ и ВЧ, MUX -аналоговый мультиплексор, CPU — цифровой сигнальный процессор

В четвертой главе дана функциональная структура ИИС (рис. 7), и построены схемотехнические решения ее функциональных блоков на основе требований, выдвинутых в гл. 3.

Измерительный преобразователь ИИС формирует сигнал флуктуаций давления С7у(0> а также сигналы давления 1/р(1) и температуры Полоса пропускания измери-преобразователя флуктуаций давления (рис. 8)

Уплотнительное кольцо Электроды Гильза предварительного тельНОГО натяжения Защитная диафрагма

20 Гц

1 к Гц

рис. 8. Измерительный преобразователь от 0.5 Гц до 200 кГц покрывает ICP 132A31 компании PCB Piezotronics обе информативные частотные

области флуктуаций давления. Резонансные частоты пьезокерамического чувствительного элемента расположены выше полосы пропускания и не искажают сигнал. Для обеспечения чувствительности к ударному воздействию

дискретных включений -з дБ потока измерительный преобразователь установлен под углом к потоку (рис. 1). Схемотехнические решения масштабирующих измерительных усилителей УН, УВ (рис. 11) реализованы на базе микросхемы прецизионного операционного усилителя ОРА847. Из построенных АЧХ(рис. 9, рис. 10) блоков УН, УВ видно, что обеспечены требуемые коэффициенты усиления 25 и 12500, а также

рис. 9. Амплитудно-частотная характеристика НЧ-канала ИИС. Куи - передаточный коэффициент УН, КПфц - передаточный коэффициент ПФН, Кц - сквозной передаточный коэффициент НЧ-канала ИИС

предварительная фильтрация сигнала. Кроме того, для усилителя УВ устранена возможность насыщения.

Схемотехнические решения полосовых

фильтров ПФН и ПФВ (рис. 11) построены на базе микросхем активного фильтра МАХ-275. Микросхема содержит два звена второго порядка. Задание передаточного коэффициента осуществляется внешними резисторами. Фильтры ПФН и ПФВ реализуют передаточные коэффициенты, синтезированные в гл. 3, и обеспечивают антиэлай-зинговую фильтрацию и удаление неинформативных частотных со ставляю-щих из сигналов £/д(/) и

На рис. 9 и рис. 10 приведены сквозные АЧХ частотных каналов. Из анализа приведенных АЧХ видно, что частотные каналы обеспечивают требуемый коэффициент усиления, полосу пропускания и антиэлайзинговую фильтрация. Таким образом, достигнуто частотное разделение канонов: выходные сигналы каналов II¡¡(1) и иц(1) содержат только «свою» информативную частотную область.

Сформированные частотными каналами частотные составляющие флук-туаций давления £/#(/), £4(/) передаются на вход АЦП. Функциональные блоки АЦП реализованы на базе микросхемы АО-7322 (рис. 11). Микросхема удовлетворяет требованиям по разрядности и частоте преобразования, выдвинутым в гл. 3. Информативные частотные составляющие сигнала флук-

......... - 70 кГц 200 к! "'"""Ч'ТТЬ".':

>у / I V' N 1 .ццц

~ Щ /| /I \ |\ ■ | \ г

/ 1* л/1. :;;Т \ \ \.....'"'"ТГГ:

/ / , '.......IV »5

/ У ВЩ Ья

А). Л ' \ \

/ / : 1 \ V нацк

62 кГц 230 кГц

рис. 10. Амплитудно-частотная характеристика ВЧ-канала ИИС. Кув - передаточный коэффициент УВ, К ¡¡фа — передаточный коэффициент ПФВ, Кв - сквозной передаточный коэффициент ВЧ-канала ИИС

туаций давления 1/н(/), 1/^(1) преобразуются в последовательности отсчетов ип[п1 Щп].

Последовательности С/яМ, передаются в ПВК на базе цифрового сигнального процессора А08Р-21261 (рис. 11), который удовлетворяет требованиям табл. 3. Сигнальный процессор вычисляет статистические оценки информативных спектральных параметров по (3) и расходы фаз по нейросе-тевой модели из гл. 2.

Таким образом, дана функциональная структура ИИС; построены схемотехнические решения функциональных блоков измерительного преобразователя ИП, масштабирующих измерительных усилителей УН и УВ, полосовых фильтров ПФН и ПФВ, АЦП и ПВК, удовлетворяющие требованиям гл. 3.

В пятой главе разработана стилизованная принципиальная схема ИИС (рис. 11); оценена потенциальная точность ИИС.

Оценка потенциальной точности ИИС включает в себя четыре этапа:

- Исследование потенциальной точности аналого-цифровой части ИИС, включающей в себя измерительный преобразователь, масштабирующие измерительные усилители УН и УВ, полосовые фильтры ПФН и ПФВ и АЦП

- Исследование погрешности статистического оценивания информативных спектральных параметров

- Исследование потенциальной точности нейросетевой модели расхода фаз

- Исследование полной погрешности ИИС

При оценке потенциальной точности аналого-цифровой части ИИС основной интерес представляют погрешности информативных спектральных параметров Р/, поскольку величины Р и 0 могут быть измерены с высокой точностью недорогими измерительными приборами и их погрешность принята пренебрежимо малой.

рис. 11. Стилизованная принципиальная схема ИИС расхода. ВР1 -ICP 132А23, DA1-DA3 - ОРА847, DF1-DF3 -МАХ275, DDI, DD2 -AD-7322, DD3-ADSP-21261

Функциональные блоки аналого-цифровой части системы соединены последовательно, выполнены на прецизионных микросхемах, работают при нормальных температурных режимах и стабильном напряжении питания. Их основная классификационная относительная среднеквадратическая погрешность приведена в технической документации и не превышает (0.5 1.0)%.Проведенный анализ показал, что наиболее существенную погрешность вносят измерительный преобразователь и полосовые фильтры ПФН и ПФВ. Оценка относительной среднеквадратической погрешности аналого-

цифровой части системы по каналу НЧ составила = 1»3%, по каналу ВЧ

-£'а = 1.4%.

Погрешность статистического оценивания £с информативных спектральных параметров рассмотрена в гл. 3. Выяснено, что £с носит случайный характер и зависит от объема выборки сигнала флуктуации давления по формуле (4). Установленный объем выборки соответствует погрешности £с = 1%.

Полная погрешность ИИС расхода газа и жидкости определяется погрешностью аналого-цифровой части системы £" и £', погрешностью статистического оценивания информативных спектральных параметров Ее и погрешностью нейросетевой модели е„ Еж оцененной в гл. 2. Для вычисления расхода необходим только НЧ-канал ИИС, поэтому погрешность ВЧ-канала £*а аналого-цифровой части ИИС не влияет на точность вычисления расхода фаз. Отметим также, что погрешности £", £с, £г, £ж взаимно независимы, т.к. обусловлены различными явлениями.

Аналого- Стат. оценивание модель расхода цифровая часть инф. спектр. ИИС параметров

рис. 12. Структурная схема ИИС при расчете погрешности

Для расчета полной погрешности ИИС, примем, что нейросетевая модель расхода линейна. Тогда структурную схему ИИС по расходу газа можно представить в виде рис. 12 (схема для расхода жидкости аналогична). В диссертационной работе показано, что для представленной схемы полная относительная погрешность ИИС может быть рассчитана по формулам:

8, =1.7%, 8ж=Щ7^7ж=Х.1%

Таким образом, оценена потенциальная точность ИИС расхода.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОЙ РАБОТЫ

1. Исследован и разработан метод измерения расхода многофазного потока -эвристический метод, основанный на нейросетевой модели и анализе спектра флуктуаций давления в трубопроводе после специального формирователя.

2. Исследована и разработана нейросетевая модель потока:

- определена обобщенная структура входного вектора модели и показана его высокая информативность

- определены рациональная архитектура модели и алгоритм обучения по данным эксперимента

- дано аналитическое и экспериментальное исследование потенциальной точности модели

3. Разработана и исследована ИИС расхода многофазных потоков на базе предложенного метода измерения:

- построена информационная структура, этапы и алгоритмы обработки измерительной информации ИИС

- обоснован критерий рационального выбора частоты дискретизации сигнала флуктуаций давления, допускающий наложения периодических компонентов спектра дискретизированного сигнала вне его информативной области

- построены функциональные блоки ИИС и их схемотехнические решения

- построена стилизованная принципиальная схема ИИС

4. Исследована и оценена потенциальная точность ИИС.

Основные результаты диссертации опубликованы в следующих работах:

1. Южанин В,В. Эвристический метод измерения расходов компонентов многофазного потока // Автоматизация, телемеханизация и связь в нефтяной промышленности.- 2006- №11.

2. Браго E.H., Великанов Д.Н., Южанин В.В. Нейросетевая модель многофазного потока // Датчики и системы.-2007.-№10.

3. Браго E.H., Великанов Д.Н., Южанин В.В. Информационно-измерительная система расхода с нейросетевой моделью многофазного потока // Автоматизация, телемеханизация и связь в нефтегазовой промышленности,-2007.-№11.

4. Южанин В.В. Новый метод измерения расхода многофазных потоков. В сб.: Новые информационные технологии в нефтегазовой отрасли и образовании: Материалы III Международной научно-технической конференции.- Тюмень: ТюмГНГУ.

5. Южанин В.В. Разработка нового метода измерения расхода фаз многофазных потоков. В сб.: Тезисы Восьмой Всероссийской конференции молодых ученых, специалистов и студентов «Новые технологии в газовой промышленности» — М.: Издательский центр РГУ нефти и газа им. И.М. Губкина.

Подписано в печать 19 мая 2010 г.

Формат 60x90/16

Объём 1,00 п.л.

Тираж 100 экз.

Заказ №200510305

Оттиражировано на ризографе в ООО «УниверПринт» ИНН/КПП 7728572912У772801001

Адрес: 119333, г. Москва, Университетский проспект, д. 6, кор. 3.

Тел. 740-76-47, 989-15-83.

http://www.imiverprint.ru

Введение.

Глава 1. Методы и средства многофазной расходометриш.

1.1. Расходомеры Agar серии MPFM.

1.2. Расходомер Roxar MPFM 1900VI Non-gamma.

1.3. Расходомер РГЖ-001 НИИИС.

1.4. Расходомеры Schlumberger (бывш. Framo).

1.5. Экспертная система многофазной расходометрии ESMER.

1.6. Расходомеры серии ПОТОК.

Глава 2. Исследование и разработка эвристического метода измерения многофазных потоков.

2.1. Идея эвристического метода.

2.2. Исследование и разработка эвристического метода измерения многофазных потоков.

2.2.1. Входные переменные нейросетевой модели.

2.2.2. Анализ этапов построения нейросетевой модели и предварительная оценка точности.

2.2.3. Построение и оценка потенциальной точности нейросетевой модели.

Глава 3. Информационная структура и требования к функциональным блокам ИИС.

3.1. Информационная структура ИИС.

3.2. Измерительный преобразователь.

3.3. Аналоговая обработка сигнала.

3.3.1. Масштабирующие измерительные усилители.

3.3.2. Требования к полосовым фильтрам.

3.3.3. Выбор аппроксимации и синтез полосовых фильтров.

3.4. Аналого-цифровое преобразование.

3.5. Программно-вычислительный комплекс ИИС.

3.5.1. Статистические оценки информативных спектральных параметров потока

3.5.2. Вычисление расхода фаз по нейросетевой модели потока.

3.5.3. Разработка и анализ алгоритма программно-вычислительного комплекса

Глава 4. Функциональные блоки ИИС и их схемотехнические решения

4.1. Измерительный преобразователь.

4.2. Масштабирующие измерительные усилители.

4.3. Полосовые фильтры.

4.4. Сквозные амплитудно-частотные характеристики частотных каналов

4.5. Аналого-цифровой преобразователь.

4.6. Сигнальный процессор.

Глава 5. Информационно-измерительная система, исследование и оценка её потенциальной точности.

5.1. Принципиальная стилизованная схема ИИС.

5.2. Аналитическое исследование и оценка потенциальной точности ИИС

5.2.1. Оценка потенциальной точности аналого-цифровой части системы.

5.2.2. Оценка точности статистического оценивания информативных спектральных параметров.

5.2.3. Оценка потенциальной точности нейросетевой модели расхода фаз.

5.3. Оценка полной погрешности ИИС.

Долгосрочными ориентирами Энергетической Стратегии России на период до 2030г. [1] названы энергетическая и экологическая безопасность. Под энергетической безопасностью понимается минимальная опасность внешних и внутренних угроз энергоснабжения страны, которые могут нарушить устойчивое развитие. Рассматривая в этом контексте нефтегазодобывающую промышленность России, отметим низкий уровень техники и технологии промыслов, обуславливающий высокие издержки производства, высокую аварийность и экологические проблемы, а также технологическую зависимость от импорта.

Преодоление указанных глобальных трудностей отрасли возможно благодаря внедрению новых технологий при решении производственных задач. Так, в отрасли существует целый ряд технологических процессов, требующих непрерывной измерительной информации о параметрах многофазной продукции добывающих скважин. Перечислим некоторые из них:

• Контроль преждевременного обводнения за счет непрерывного отслеживания динамики расхода флюидов

• Управление газлифтными установками. Информация о текущем дебите жидкости дает возможность оптимизировать расход подаваемого газа

• Предотвращение появления песчаных, гидратных, парафиновых пробок в призабойной зоне скважины, препятствующих нормальной фильтрации флюидов

• Закрытие скважины при превышении влагосодержания ниже рентабельного уровня

• Непрерывный контроль нестабильных скважин

Решение перечисленных и других задач позволяет осуществлять более эффективную разработку месторождений. Однако до сих пор не создано многофазных расходоизмерительных систем, удовлетворяющих всем требованиям по погрешности, диапазону расходов и надежности работы в условиях Крайнего Севера России. Предлагаемое диссертационное исследование посвящено разработке нового метода измерения расхода фаз многофазного потока.

Создание многофазных расходомеров затрудняется сложностью явлений, специфичных для многофазных потоков [2, 3] и не описываемых аналитическими моделями потока с достаточной для задач измерения точностью.

Исторически многофазная расходометрия развивалась по пути адаптации однофазных методов измерения расхода к многофазным потокам, с помощью введения в измерительную систему дополнительной информации о составе многофазной среды. Такие расходомеры содержат не менее двух функциональных блоков, определяющих расход потока и его состав. Мировой и отечественный опыт разработки таких комбинированных измерительных систем показывает, что их основным недостатком является возросшая техническая сложность по сравнению с однофазными расходомерами. В целом, подобные расходомеры как правило характеризуются дороговизной, технической сложностью, недостаточно высокой надежностью при низких температурах Крайнего Севера России и абразивном воздействии потока.

В последние годы наметилась новая тенденция в многофазной расходометрии: упрощение измерительных преобразователей расходомеров за счет нетривиальной обработки измерительной информации. Такой подход приводит к созданию модели многофазного потока, которая позволяет определить расходы его фаз по косвенным показателям, доступным непосредственному измерению. Причем имеющийся на настоящий момент уровень аналитического моделирования многофазных потоков не дает возможности создать достаточно точную модель для задач расходометрии, поэтому практически применяют эмпирические модели. Отметим среди подобных разработок расходомеры серии ПОТОК компании ГАНГ-Нефтеавтоматика [1, 11] и расходомеры ESMER компании Petroleum Software Ltd [30, 35].

В спектрометрическом методе используется формирователь потока специальной конструкции, обеспечивающий регулярность структуры потока независимо от текущего режима течения. Причем спектр флуктуаций давления потока после формирователя практически определяется только расходами фаз. Расход фаз потока определяется по спектру флуктуаций давления с помощью эмпирической регрессионной модели.

Система ESMER использует измерительную информацию от датчиков давления, емкости, сопротивления, температуры и перепада давления на стандартном сужающем устройстве - диафрагме. Связь измеряемых параметров потока с расходами его фаз определяется с помощью методов теории нейронных сетей. Применяемое сужающее устройство в отличие от формирователя потока спектрометрического метода не обеспечивает инвариантность измерений к режиму течения потока. Однако применение сложной иерархической нейросетевой модели позволило достичь удовлетворительной точности.

В данной работе предлагается и исследуется новый метод измерения расхода фаз многофазных потоков, названный эвристическим, в котором используется комбинация и развитие идей, заложенных в упомянутых методах. Новый метод измерения использует измерительный преобразователь спектрометрического метода и методы теории нейронных сетей для построения модели расхода фаз потока. Таким образом, объединены сильные стороны обоих методов: формирователь потока спектрометрического метода, обеспечивающий инвариантность к режиму течению и упрощающий таким образом модель потока, а также мощный аппарат эмпирического моделирования — теория нейронных сетей. Используемая комбинация должна обеспечить следующие преимущества: о увеличение точности измерения; о расширение динамического диапазона измерения

Целью работы является исследование и разработка метода и ИИС расхода многофазной продукции добывающих нефтегазовых скважин на базе нейросетевой модели, использующей спектрометрическую информацию о флуктуациях давления в трубопроводе.

Для достижения цели необходимо решить следующие научно-технические задачи:

1. Проведение сравнительного анализа современных методов измерения расхода фаз многофазной продукции скважин и выяснение практической применимости базирующихся на них измерительных систем в условиях Крайнего Севера

2. Исследование и разработка метода измерения расхода многофазного потока, основанного на нейросетевой модели, входная информация для которой извлекается из спектра флуктуаций давления потока после специального формирователя потока

3. Исследование и разработка нейросетевой модели расхода многофазного потока: a. Определение структуры входных переменных нейросетевой модели расхода фаз b. Построение нейросетевой модели многофазного потока, определение архитектуры и алгоритма обучения на основе данных эксперимента. c. Аналитическое и экспериментальное исследование потенциальной точности нейросетевой модели

4. Разработка информационной структуры ИИС

5. Разработка функциональных блоков ИИС, их структуры и схемотехнических решений

6. Анализ источников погрешностей ИИС и оценка ее потенциальной точности

Заключение

Основной целью работы являлось исследование и разработка метода измерения и ИИС расхода многофазных потоков на базе нейросетевой модели, использующей спектрометрическую информацию о флуктуациях давления в трубопроводе. В работе показано, что цель достигается решением следующих задач:

1. Исследование и разработка метода измерения расхода многофазного потока. Определение структуры входных переменных нейросетевой модели расхода. Исследование и разработка нейросетевой модели.

2. Разработка ИИС предложенного метода. Разработка информационной структуры ИИС. Разработка структуры функциональных блоков и их схемотехнических решений.

3. Анализ источников погрешностей ИИС и оценка ее потенциальной точности

При решении поставленных задач получены следующие основные результаты:

1. Разработан и исследован новый метод измерения расхода фаз многофазных потоков - эвристический метод

2. Определена обобщенная структура входного вектора нейросетевой модели расхода фаз с произвольным числом информативных спектральных параметров потока

3. Разработана и исследована архитектура нейросетевой модели расхода и выбран алгоритм ее обучения

4. Проведена аналитическая и экспериментальная оценка потенциальной точности нейросетевой модели расхода

5. Разработана информационная структура ИИС расхода фаз на базе предложенного эвристического метода измерения, определены этапы и алгоритмы обработки измерительной информации

6. Предложен и обоснован критерий рационального выбора частоты дискретизации сигнала флуктуаций давления, допускающий наложения периодических компонентов спектра дискретизированного сигнала вне его информативной области

7. Показано, что применение предложенного критерия позволяет уменьшить частоту дискретизации по сравнению с частотой Найквиста и снизить требования к антиэлайзинговым фильтрам, АЦП и программно-вычислительному комплексу

8. Разработана функциональная структура ИИС, функциональные блоки которой реализуют этапы и алгоритмы обработки измерительной информации.

9. Предложены схемотехнические решения функциональных блоков и разработана стилизованная принципиальная схема ИИС

10.Проведен анализ источников погрешности ИИС, и дана оценка потенциальной точности ИИС

Разработанная ИИС расхода на основе нейросетевой модели потока рекомендуется к применению на добывающих скважинах нефтегазовых промыслах.

1. Энергетическая стратегия России на период до 2030 года.

2. Прил. к обществ.-дел. журн. "Энергетическая политика".-М.: ГУ ИЭС, 2010.-184 с.

3. Brill J.P., Mukherjee Н. Multiphase flow in wells, Society of Petroleum Engineers Inc., 1999

4. Кремлевский П.П. Расходомеры и счетчики количества веществ: Справочник / Под общ. ред. Е.А. Шорникова. 5-е изд., перераб. и доп. -СПб.: Политехника, 2004. - 412 е.: ил.

5. Dahl Е. Handbook of multiphase flow metering, NFOGM, 2005

6. Браго E.H., Царев A.B., Ермолкин O.B. Особенности применения флуктуационного метода измерения дебита газлифтных скважин // Нефтяное хозяйство.-1987.-№1.

7. Ермолкин О.В., Ланчаков Г.А., Кучеров Г.Г., Кульков А.Н. Оперативный контроль дебита скважин, эксплуатирующих нефтяные оторочки // Газовая промышленность-1993.-№ 11.

8. Браго Е.Н., Ермолкин О.В. Информационная модель газожидкостного потока // Приборы и системы управления.-1995.-№3.

9. Браго Е.Н., Ермолкин О.В., Битюков B.C., Ланчаков Г.А. Автоматизированный контроль режимов работы скважины // Газовая промышленность-1995 .-№ 12.

10. Карташов В.Ю., Гавшин М.А., Храбров И.Ю., Толстунов А.К. Оперативный контроль дебита скважин и выноса механических примесей. //Газоваяпромышленность-1996—№1-2. Стр. 55-57

11. Ремизов В.В., Сулейманов Р.С., Браго Е.Н. Новые принципы и средства контроля многофазной продукции скважин // Газовая промышленность — 1998-№9. Стр. 15-19.

12. Битюков B.C., Ланчаков Г.А., Браго Е.Н, Ермолкин О.В. Информационно-измерительные системы оперативного контролярежима работы скважин серии «ПОТОК» // Наука и техника в газовой промышленности-2002. Стр. 43-52.

13. Великанов Д.Н. Разработка информационно-измерительной системы контроля параметров газодобывающих скважин : дис. . кандидата технических наук : 05.11.16 / Рос. гос. ун-т нефти и газа им. И.М.1. Губкина; М., 2003

14. Ермолкин О.В. Разработка и исследование спектрометрического метода и информационно-вычислительных систем измерения расхода многофазных потоков: Дис. докт. техн. наук; 05.11.16; М., 1998

15. Ермолкин О.В., Храбров И.Ю. Система контроля расходных параметров потока продукции нефтяных скважин «Поток-ЗМ» // Автоматизация, телемеханизация и связь в нефтяной промышленности.-2005.-№4. Стр. 19-24

16. Храбров И.Ю. Разработка информационно-измерительной системы оперативного контроля жидких и твердых включений в сложных потоках продукции газовых скважин : дис. . канд. техн. наук : 05.11.16 / Рос. гос. ун-т нефти и газа им. И.М. Губкина; М., 2005

17. Южанин В.В. Эвристический метод измерения расходов компонентов многофазного потока // Автоматизация, телемеханизация и связь в нефтяной промышленности 2006 - №11.

18. Браго Е.Н., Великанов Д.Н., Южанин В.В. Нейросетевая модель многофазного потока // Датчики и системы.-2007.- №10.

19. Браго Е.Н., Великанов Д.Н., Южанин В.В. Информационно-измерительная система расхода с нейросетевой моделью многофазного потока // Автоматизация, телемеханизация и связь в нефтегазовой промышленности.- 2007.-№11.

20. Орехов Ю.И. и др. Способ определения покомпонентного расхода потока газожидкостной смеси продуктов газонефтедобычи в трубопроводе и устройство для его реализации. Патент РФ RU 2 164 340.

21. Agar J., Cayman G. Oil/water measurement. Патент США US 5 101 163.

22. Dykesteen E., Kalsaas O.P. Method and apparatus for measuring nonhomogeneous phase velocities. Международный патент WO 2006/132 546.

23. Farchi D., Agar J. Apparatus and method for measuring two- or three- phase fluid flow utilizing one or more momentum flow meters and volumetric flow meter. Патент США US 5 551 305.

24. Roux G., Dyhanyan N. Method and apparatus for measuring the flow rates of the individual phases of a multiphase fluid mixture. Международный патент W02006/094 669.

25. Web-сайт компании Agar Corporation Электронный ресурс.- Режим доступа: http://agar.ru/datasheets.html, свободный.

26. Web-сайт компании Roxar Электронный ресурс.- Режим доступа: http://www.roxar.com/multiphase, свободный.

27. Web-сайт компании Framo Engineering Электронный ресурс.- Режим доступа: http://www.framoeng.no/meter.php, свободный.

28. Web-сайт компании Schlumberger Электронный ресурс.- Режим доступа: http://www.slb.com/content/services/testing/multiphase, свободный.

29. Web-сайт компании FMC Technologies Электронный ресурс.- Режим доступа:http://www.fmctechnologies.com/Subsea/Products/FlowManagement, свободный.

30. Web-сайт компании Phase Dynamics Inc. Электронный ресурс.- Режим доступа: http://phasedynamics.com, свободный.

31. Cai S., Toral Н., Flow rate measurement in air-water horizontal pipeline by neural networks, Proc. Int. Joint Conf. On Neural Networks, 1993, Vol. 2, Nagoya, Japan, 25-29 October, 2013-2016

32. Cai S., Toral H., Qiu J., Archer J.S. Neural network based objective flow regime identification in air-water two phase flow // The Canadian journal of chemical engineering. 1994. - Volume 9, June

33. Toral H., Cai S., Akartuna E., Stothard K., Jamieson A. Field Tests of The ESMER Multiphase Flowmeter, 16th North Sea Flow Measurement Workshop 1998, 26-29 октября 1998

34. Toral H., Cai S., Peters B. A method for characterisation of the turbulence properties of wet gas flow across a V-Cone, Richard Steven (McCrometer Inc). FLOMEKO 2004 Gulin 14-17 Sep 2004

35. Toral H., Cai S., Peters В., Steven R. Characterization of the turbulence properties of wet gas flow in a V-Cone meter with neural nets, 22nd North Sea Flow Measurement Workshop, 25-28 октября 2004

36. Cai S., Toral H., Sinta S., Tajak M. Experience in field tuning and operation of a multiphase meter based on neural net characterization of flow conditions, FLOMEKO 2004, Пекин 14-17 сентября 2004

37. Toral H., Darwich T. Method and apparatus for the measurement of gas/liquid flow. Патент США US 5 101 163

38. ESMER T2A Datasheet R.2004.11 Электронный ресурс. Режим доступа: http://www.petroleumsoftware.co.uk, свободный.

39. ESMER ТЗА Datasheet R.2004.11 Электронный ресурс. Режим доступа: http://www.petroleumsoftware.co.uk, свободный.г

40. ESMER Т6А Datasheet R.2004.11 Электронный ресурс.- Режим доступа: http://www.petroleumsoftware.co.uk, свободный.

41. Ежов А. А., Шумский С. А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. - 222 с.

42. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиций непрерывных функций одного переменного и сложения // Докл. АН СССР, том 114, с. 953-956, 1957.

43. Осовский С. Нейронные сети для обработки информации. — М.:Финансы и статистика, 2004. 344 с.

44. Терехов В, А., Ефимов Д. В., Тюкин И. Ю. Нейросетевые системы управления. М.: ИПРЖР, 2002. - 480 с:

45. Хайкин С. Нейронные сети: полный курс, 2-е изд. — М.: ООО «И. Д. Вильяме», 2006. 1104 с.

46. Cybenko G. Approximation by Superpositions of a Sigmoidal Function. // Mathematical Control Signals Systems, 1989, 2.

47. Funahashi. On the Approximate Realization of Continuous Mappings by Neural Networks. Neural Networks, 1989, v. 2, № 3.

48. Hecht-Nielsen R. Kolmogorov's mapping neural network existence theorem, Proc. 1st IEEE Int'l Joint Conf. Neural Network, June 1987.

49. Hornick, Stinchcombe, White. Multilayer Feedforward Networks are Universal Approximators. Neural Networks, 1989, v. 2, № 5.

50. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 1943.

51. Minski M. L., Papert S. A. Perceptron, 1969.

52. Nocedal J., Wright S.J. Numerical optimization. New York.: Springer, 1999634 c.

53. Rosenblatt F. Principles of Neurodynamics: perceptrons and the theory of brain mechanisms, 1961.

54. Rosenblatt F. Principles of Neurodynamics, 1962.i

55. Sontag E.D. Feedback stabilization using two-hidden-layer nets // IEEE Transactions on neural networks, vol. 3, 1992, Стр. 981-990

56. Chan C.C., Jin W., Rad A.B., Demokan M.S. Simultaneous measurement of temperature and strain: artificial neural network approach // IEEE Photonics technology letters, vol. 10, no. 60, june 1998, Стр. 854-856

57. Ninomiya Y. Quantitative of Si02 content in igneous rocks using thermal infrared spectra with neural network approach // IEEE Transactions of geoscience and remote sensing, vol. 33, no. 3, may 1995, Стр. 684-690

58. Dawson M.S., Fung A.K, Manry M.T. A robust statistical-based estimator-for soil moisture retrieval from radar measurements // IEEE Transactions on geoscience and remote sensing, vol. 35, no. 1, jan 1997, Стр. 57-66

59. Антонью А. Цифровые фильтры: анализ и проектирование М. «РАДИО И СВЯЗЬ», 1983.

60. Айфичер Э., Джервис Б. Цифровая обработка сигналов — практический подход М. Вильяме 2004, 992 с.

61. Лэм. Г. Аналоговые и цифровые фильтры. Расчет и реализация. Пер. с англ.- М.: Мир, 1982

62. Джонсон Д. и др. Справочник по активным фильтрам: Пер. с англ.-М.:Энергоатомиздат, 1983. 128 е., ил.

63. Макс Ж. Методы и техника обработки сигналов при физических измерениях: В 2-х томах. Пер. с франц.- М.: Мир, 1983

64. Рабинер Л. Голд Б. Теория применение цифровой обработки сигналов. Пер. с англ.-М.: Мир, 1978

65. Бендат Дж., Пирсол А. Прикладной анализ случайных данных: Пер. с англ.- М.: Мир, 1989.- 540 е., ил.

66. Гмурман В.Е. Теория вероятностей и математическая статистика.- М.: Высш. шк., 2003.- 479 е., ил.

67. Марпл.-мл. С.Л. Цифровой спектральный анализ и его приложения: Пер. с англ. М.: Мир, 1990. - 584 е., ил.

68. Сергиенко А.Б. Цифровая обработка сигналов.- СПб.: Питер, 2002.- 608 е.: ил.

69. Welch P.D. The Use of Fast Fourier Transform for the Estimation of Power Spectra: A Method Based on Time Averaging Over Short, Modified Periodograms", IEEE Transactions on Audio Electroacoustics, AU-15 (июнь 1967), стр. 70-73

70. Яковлев В.П. Применение теоремы интерполяции Уитекера-Котельникова-Шеннона // Успехи современной радиоэлектроники.- №8, 2009, Стр. 5-38

71. Орнатский П.П. Теоретические основы информационно-измерительной техники. — Киев: Издательское объединение «Вища школа», 1976. 432 с.

72. Цапенко М.П. Измерительные информационные системы. 2-е изд., перераб. и доп. -М.: Энергоатомиздат, 1985.- 440 с.

73. Атамалян Э.Г. Приборы и методы измерения электрических величин.-М.: Высш. шк., 1989.- 384 е.: ил.

74. Мирский Г.Я. Электронные измерения: 4-е изд., перераб. и доп. М.: Радио и связь, 1986 . - 440 е., ил.

75. Шевчук В.П. Расчет динамических погрешностей интеллектуальных измерительных систем. М.: ФИЗМАТЛИТ, 2008. - 288 с.

76. Андреев Ю.Н., Антонян А.И. и др. Резисторы (справочник) .- М.: Энергоиздат, 1981 . 352 е., ил.

77. Горячева Г.А., Добромыслов Е.Р. Конденсаторы: Справочик .- М.: Радио и связь, 1984 . 88 е., ил.

78. Конденсаторы: Справочник / И.И.Четвертков, М.Н. Дьяконов, В.И. Присняков и др.: Под ред. И.И. Четверткова, М.Н. Дьяконова .- М.: Радио и связь, 1993 .- 392 с.

79. Резисторы: Справочник / В.В. Дубровский, Д.М. Иванов, Н.Я. Патрусевич и др.: Под ред. И.И. Четверткова и В.М. Терехова 2-е из., перераб. и доп.- М.: Радио и связь, 1991 .- 528 с.

80. Операционные усилители и компараторы 12. 2-е издание.- М.: Издательский дом «Додэка-ХХ1», 2001.- 560 с.

81. Микросхемы АЦП и ЦАП. М.: Издательский дом «Додэка-ХХТ», 2005. - 432 е., ил.

82. Солонина А.И., Улахович Д.А., Яковлев JI.A. Алгоритмы и процессоры цифровой обработки сигналов. СПб.: БХВ-Петербург, 2001. - 464 е.: ил.

83. Волович Г.И. Схемотехника аналоговых и аналого-цифровых электронных устройств.- М.: Издательский дом «Додэка-ХХ1», 2005.528 с.

84. High Speed Operational Amplifier OPA-847 Электронный ресурс. -Режим доступа: http://www.analog.com/static/imported-files/datasheets/OP37.pdf, свободный.

85. МАХ274, МАХ275: 4th- and 8th-Order Continuous-Time Active Filters Электронный ресурс.- Режим доступа: http://datasheets.maxim-ic.com/en/ds/MAX274-MAX275.pdf, свободный.

86. ADSP-21261/ADSP-21262/ADSP-21266: Embedded Processor Электронный ресурс.- Режим доступа: http://www.analog.com/static/ imported-files/datasheets/ADSP-21261 2126221266.pdf, свободный.

87. AD780: High Precision Reference Электронный ресурс.- Режим доступа: http://www.analog.com/static/imported-files/data sheets/AD780.pdf, свободный.

88. Web-сайт компании РСВ Piezotronics Электронный ресурс.- Режим доступа: http://www.pcb.com, свободный.

89. Web-сайт компании Analog Devices Электронный ресурс.— Режим доступа: http://www.analog.com, свободный.

90. Web-сайт компании Texas Instruments Электронный ресурс.- Режим доступа: http://www.ti.com, свободный.

91. Web-сайт компании Freescale Semiconductor Электронный ресурс.— Режим доступа: http://www.freescale.com, свободный.

92. Web-сайт компании NXP Semiconductors Электронный ресурс.- Режим доступа: http://www.nxp.com, свободный.

93. Web-сайт компании MAXIM Электронный ресурс.- Режим доступа: http://www.maxim-ic.com, свободный.