AUKF-PINN：噪声工业条件下低能伽马多相流测量的自适应框架

《PLOS One》：AUKF-PINN: An adaptive framework for low-energy gamma multiphase flow measurement under noisy industrial conditions

　　

在钻井现场测量多相流面临诸多挑战，包括探测器窗口粘附、电磁干扰和温度漂移。这些因素导致传统低能伽马流量计直接应用于现场条件时测量误差显著增大。为解决这一问题，本文提出一种自适应无迹卡尔曼滤波与物理信息神经网络融合算法（AUKF-PINN），用于实时精确测量气-液-固三相流。该算法构建了一个四维扩展状态空间模型，包含气相、液相、固相的线性质量以及粘附层厚度，实现了物理状态与干扰状态的联合估计；该模型利用无迹卡尔曼滤波精确处理比尔-朗伯定律（Beer-Lambert law）的指数非线性，避免了线性化误差；并引入轻量级物理信息神经网络学习粘附层的动态和噪声演化规律，确保网络输出符合基本物理定律；此外，设计了一种基于新息匹配的自适应噪声融合策略，结合PINN的物理先验与Sage-Husa统计估计，使滤波器始终处于最优增益状态。基于钻井平台现场数据的实验结果表明，AUKF-PINN在预测各相分率方面表现极为出色，为复杂环境下的多相流测量提供了一种有效的物理信息增强滤波范例。

**论文解读：AUKF-PINN——噪声工业条件下低能伽马多相流测量的自适应框架**

**研究背景与问题**

在钻井作业现场，出口流量的精确测量对于控压钻井（managed pressure drilling, MPD）的精度和溢流风险的安全识别至关重要。然而，钻井现场环境恶劣，出口流量为含固量高、排量大的强瞬态气-液-固多相流，其相分布与界面结构受强耦合非平衡物理过程支配，对非分离测量技术构成重大挑战。已有多种传感器技术用于油气多相流测量，如电磁流量计、超声流量计、科里奥利质量流量计（Coriolis mass flowmeter）、核磁共振（nuclear magnetic resonance, NMR）技术以及基于辐射的测量方法。其中，科里奥利流量计在单相流中精度最高，但在气液两相流中，气体过多时可能形成段塞流，导致振动管无法振动，难以完全适应复杂钻井环境；NMR和辐射方法虽精度高，但因潜在环境与人员危害，在油田未获广泛认可。低能伽马流量计是西南石油大学与成都洋湃科技有限公司联合研发的新型多相流量计，利用差压法测量总流量，基于多通道低能伽马全截面测量技术测量相分率，在稳定多相流条件下对油、气、水、固相物质的相分率测量误差在5.0%以内。但面对现场复杂噪声环境（如电磁噪声、探测器表面粘附），会导致低能伽马能量强度测量中出现非线性时变噪声，亟需对能量强度信号进行滤波，以提高相分率测量精度。现有滤波算法如扩展卡尔曼滤波（extended Kalman filter, EKF）在强非线性吸收条件下易引入系统误差，分段式卡尔曼滤波器（如多模型扩展卡尔曼滤波，multi-model extended Kalman filter, MMEKF）对粘附层引起的缓慢基线漂移抑制有限，传统机器学习方法缺乏物理约束，可能产生违反物理规律的预测，且泛化能力差。因此，研究人员提出自适应无迹卡尔曼滤波与物理信息神经网络融合算法（AUKF-PINN），以实现现场噪声环境下的精确测量。

**研究内容与结论**

本文提出AUKF-PINN融合模型，核心思想是利用自适应无迹卡尔曼滤波（adaptive unscented Kalman filter, AUKF）在快时间尺度上实现实时状态估计，利用物理信息神经网络（physics-informed neural network, PINN）在慢时间尺度上学习粘附层的动态规律，并将粘附层厚度作为增广状态变量在线估计，从根本上分离环境干扰与相含率信号。实验基于2024年8月在四川某钻井平台采集的现场数据，DN100低能伽马流量计安装在节流管汇下游出口直管段，距节流阀约3米，井深约6000米，钻井液密度1.2，含伴生气。数据采集样本共1014个，采样间隔约120秒，时长约34小时。结果表明，AUKF-PINN在预测相分率方面表现优异：固相分率预测精度达98.01%，均方根误差（RMSE）仅0.46；气相和液相预测精度分别达93.55%和90.07%，RMSE分别在1.03%和1.51%以内。与卡尔曼滤波（KF）、EKF、标准无迹卡尔曼滤波（UKF）及无PINN辅助的AUKF相比，AUKF-PINN在所有指标上均显著优于对比模型，固相RMSE较次优的AUKF降低60.7%，气相和液相RMSE分别降低45.2%和24.9%。该算法有效抑制了粘附污染引起的缓慢基线漂移以及电磁干扰和温度漂移导致的高频波动，在非平稳现场噪声下保持稳定测量，为钻井溢流早期预警和控压钻井参数优化提供了可靠的分相率和质量流量信息，具有广阔工程应用前景。论文发表在《PLOS One》。

**主要关键技术方法**

（1）四维扩展状态空间模型构建：将探测器窗口粘附层厚度作为显式状态变量，与气相、液相、固相线性质量共同构成四维状态向量，实现粘附干扰与相含率信号的联合在线估计。
（2）无迹卡尔曼滤波（UKF）：利用确定性采样点（Sigma点）直接传播比尔-朗伯定律的指数非线性，避免了EKF的线性化误差，并采用Sage-Husa自适应估计算法在线更新观测噪声协方差，形成自适应UKF（AUKF）。
（3）轻量级物理信息神经网络（PINN）：采用两层隐藏层的多层感知器（multi-layer perceptron, MLP），输入为当前及过去L时刻的观测序列，输出粘附层厚度估计和各通道观测噪声标准差。损失函数中嵌入比尔-朗伯物理残差约束和质量守恒约束，确保网络输出符合光子衰减和总流量平衡的物理定律。
（4）基于新息匹配的自适应噪声融合策略：根据新息协方差与PINN预测噪声的匹配程度动态调整融合权重，将PINN的物理先验噪声与Sage-Husa统计估计加权融合，使滤波器在粘附稳定时信任PINN预测，在流型突变时依赖实时统计反馈，增强对非平稳噪声的鲁棒性。样本数据来自四川钻井平台，使用DN100低能伽马流量计和科里奥利质量流量计、孔板流量计作为参考标准。

**研究结果**

**模型应用效果**：通过对比原始信号与滤波后信号，AUKF-PINN有效抑制了31 keV、81 keV、356 keV三个能级计数信号中的尖峰和基线漂移，同时保留了气-液-固三相变化的关键动态特征。在相分率预测上，固相分率RMSE为0.46，精度达98.01%；气相分率RMSE为1.03，精度93.55%；液相分率RMSE为1.51，精度90.07%。在气相剧烈波动的数据段（600–800样本点），模型通过在线估计和补偿粘附层状态，有效抑制了基线漂移，使滤波输出紧密跟随标准值变化，未出现传统方法常见的累积误差发散现象。

**模型比较**：与KF、EKF、UKF、AUKF四种基准模型对比，AUKF-PINN在RMSE、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）以及基于2%和3%绝对偏差阈值的精度指标上均全面领先。例如，在2%阈值下，AUKF-PINN的气相精度为93.55%，而KF、EKF、UKF、AUKF分别仅为76.56%、82.24%、85.42%、87.60%；固相精度为98.01%，对比模型分别为80.37%、85.41%、87.98%、88.56%。三维指标分布图直观显示AUKF-PINN在所有三相中均为最优，验证了其强抗干扰能力和高精度估计优势。

**讨论与结论**

论文总结部分指出，本文针对现场低能伽马多相流量计因多源时变工业噪声导致的测量精度下降问题，提出了融合物理信息神经网络的AUKF-PINN算法。该算法构建了包含气、液、固和粘附层变量的四维增广状态，利用AUKF实现比尔-朗伯观测模型的高精度非线性传播，在PINN中嵌入物理残差约束学习噪声特征，并自适应融合两种噪声估计使滤波器实时保持最优增益。主要结论如下：（1）三相分率测量精度：固相RMSE仅0.46，2%和3%阈值精度分别达98.01%和98.70%；气相和液相精度分别达96.92%和94.34%，RMSE控制在1.03%和1.51%以内，满足现场技术要求。（2）噪声与粘附层抑制：通过在线联合估计粘附层厚度和观测噪声协方差，有效抑制了粘附污染导致的缓慢基线漂移以及电磁干扰和温度漂移引起的高频波动。（3）优于传统滤波器：在相同现场条件下，AUKF-PINN的所有精度和误差指标均显著优于KF、EKF、UKF及无PINN辅助的AUKF，证实物理信息噪声先验和自适应融合策略共同提供了决定性性能增益。（4）工程意义：该方法为钻井溢流早期预警和控压钻井参数优化提供了可靠的分相率和质量流量信息，为复杂工业环境下的多相流测量提供了有效的物理信息增强滤波范例，具有广阔工程应用前景。未来工作将聚焦于扩展该框架至更广泛的流型，并验证其在连续现场部署中的长期稳定性。