基于深度学习的油气水多相管流量预测研究

摘要：

为改善现有油气水多相流量预测时存在精度低的问题,建立了一种基于深度学习的多相流量预测模型.设计了多相流测试实验及数据采集方案,为多相流量预测提供数据支撑;设计了特征提取器、标签预测器和域鉴别器3个模块,可通过最小化损失函数实现域鉴别器区分源域和目标域特征.对油、水、空气 3种不同的转移场景进行试验,并与CNN和DNN模型进行对比.结果表明,基于深度学习的多相流量预测模型性能更优,3种场景下流量预测平均绝对百分比误差(MAPE)分别为8.41％、11.05％和9.08％.仿真结果进一步验证了基于深度学习的多相流量预测模型的有效性和准确性.

关键词：多相流、流量预测模型、深度学习、流对抗网络、平均绝对百分误差

所属期刊栏目：42

分类号：TE355.3;TP393;TE974.1

在线出版日期：2023-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：14-19