一种基于 SSA 算法的 TabNet 模型的气固两相流含沙监测方法

《Powder Technology》：A sand monitoring method for gas-solid two-phase flow using a TabNet model based on the SSA algorithm

　　• SSA 去噪提高了信号质量，并提升了 TabNet 的预测精度。• TabNet 利用 16 个特征实现了有效的端到端砂量质量流量预测。• TabNet 表明模糊熵比传统能量指标更为显著。介绍产砂是油气开采过程中常见的现象 [1]。流体通过管道运输的砂粒可能导致泵、阀门和管道组件的堵塞和侵蚀，带来重大的经济风险 [2], [3], [4], [5]。因此，实时监测砂粒对于减轻生产设施的侵蚀至关重要，并具有相当的工业意义 [1]。开发简单、可靠、环保且经济的管道固体颗粒监测方法仍是油气行业面临的重大挑战。目前，许多研究人员采用了各种方法来研究管道中砂粒的监测。Azzopardi 等人采用双通道电容色谱成像来监测空气中的细煤流 [6]。Peng 等人采用静电传感器测量气力输送管道中的固体颗粒 [7]。然而，这些方法成本高、维护困难，且对环境变化敏感。当前的砂粒监测技术主要分为侵入式或非侵入式 [8]。侵入式方法要求传感器插入管道内。例如，Kesana 等人使用电阻（ER）监测方法来研究粒径和流体粘度对环形流和塞流侵蚀效应的影响 [9]。Zheng 等人通过将波导传感器插入管道来实现颗粒流量测量 [10]。尽管侵入式方法具有安装方便和精度高等优点，但存在传感器磨损和维护困难的问题。最近的研究侧重于非侵入式技术 [11]。Hii 等人应用声发射来量化气固两相系统中的固体质量流量 [12]。Droubi 等人系统研究了撞击砂粒的声发射能量 [13]。EI-Alej 等人通过声发射监测两相流中的最小砂运移条件 [14]。Wang 等人使用声波传感器测量砂水流动中的固体颗粒浓度 [2]。Gao 等人开发了一种结合声发射原理与小波去噪的砂监测模型 [15]。Yan 等人利用分布式光纤声波传感（DAS）系统中的动态峰值搜索（DPS）来高效监测水砂流中的砂含量 [16]。基于声信号能量的经验模型广泛用于预测砂粒质量流量，但它们存在局限性，如依赖特定运行条件、模型结构简单以及表达能力有限。此外，这些模型通常需要人工选择有限的一组声学特征，难以全面捕捉流体 - 颗粒系统内复杂的非线性特征相互作用。因此，人工神经网络（ANN）在双相流和三相流研究中引起了极大关注 [17]。例如，Guo 等人结合声学传感器与 ANN 来测量气固两相流中的粒径分布 [18]。Fan 等人成功利用电导率探针和神经网络获得了水平管道中气 - 水塞流的气相和液相流量 [19]。Shaban 等人应用主成分分析（PCA）降低产砂信号的维度，随后结合 ANN 测量气液两相流中的流速 [20]。Aminu 等人通过声学传感器获取多维产砂信号特征，使用邻域成分分析（NCA）去除冗余特征，最终在 ANN 框架内选择了谱质心和谱熵（SE）来预测砂流特征 [21]。同样，Xu 等人采用 PCA 结合 ANN 来预测颗粒流速和质量流量 [22]。尽管 PCA-ANN 和 NCA-ANN 模型在受控实验中表现有效，但它们在实际管道监测中面临两大挑战。首先，PCA 等传统降维方法通常将特征提取与预测分离。这种线性或独立的过程可能会丢弃原始信号中存在细微但关键的 非线性交互特征，从而限制了模型在复杂多相流条件下的泛化能力。其次，大多数现有研究未能充分解决特征空间中背景噪声的干扰，意味着学到的特征可能保留冗余的噪声信息。因此，需要一种将信号去噪与端到端特征选择相结合的框架，以提高砂监测模型的鲁棒性和准确性。在传统去噪技术中，数字滤波器通常无法在同一频带内将信号与噪声分离，而小波阈值去噪对阈值参数和小波基函数的选择非常敏感 [23]。经验模态分解（EMD）是一种基于信号包络的自适应分解方法。它求解信号为若干本征模态函数（IMF），并通过丢弃与噪声相关的 IMF 并重构其余部分进行去噪 [24]。尽管 EMD 消除了对预定义小波基的需求，但它容易出现模态混叠和端点效应，这可能导致信号失真。相比之下，SSA 是一种非参数时间序列处理方法，不需要预定义基函数或截止频率，从而避免了由于次优小波或滤波器选择而导致的失真或信号丢失。通过构建轨迹矩阵并应用奇异值分解（SVD），SSA 基于奇异值的大小从噪声背景中分离和重构代表颗粒撞击的瞬态能量成分，在保留信号特征的同时实现有效去噪。TabNet 由 Arik 等人于 2020 年提出，是一种针对表格数据的可解释模型 [25]。它在端到端架构中融合了稀疏控制的软注意力机制，在每一个决策步骤自动选择最具判别力的特征。从而共同完成特征选择和预测，无需单独的预处理降维。这种设计在保留非线性特征交互的同时，增强了模型的可解释性和泛化能力。在实际砂监测实验中，不同传感器在捕捉信号特征方面表现出不同的能力。与声学传感器相比，振动传感器在相同运行条件下通常能实现更高的信噪比，从而更清晰地提取颗粒撞击信号 [26]。在他们的工作中，Wang 等人直接使用振动传感器收集管道壁振动信号。为了解决砂水两相流中的强烈流体噪声，他们采用短时傅里叶变换（STFT）进行时频分离，有效地区分了背景流体噪声和颗粒撞击特征。因此，他们建立了一种基于振动信号的颗粒识别与表征方法 [27]。本文提出了一种基于 SSA 和 TabNet 模型的气固两相流砂粒质量流量监测方法。首先，采用振动传感器收集原始产砂信号，并分析其不同运行条件下的频带特征。随后，应用 SSA 对信号进行去噪预处理。接下来，从时域和频域提取 16 个与砂粒相关的特征，并输入到经过 SMA 优化的 TabNet 模型中，以预测砂粒质量流量。最后，实验验证表明，与传统砂预测方法以及结合传统降维技术与人工神经网络的模型相比，所提方法在鲁棒性和准确性方面均表现出优越的性能。章节摘要奇异谱分析SSA 是一种用于时间序列数据的非参数信号处理技术，广泛用于去噪、趋势提取和周期成分分解。该方法的核心工作流程包括：(1) 通过嵌入将一维时间序列转换为轨迹矩阵，(2) 应用奇异值分解（SVD），(3) 根据奇异值大小选择主成分进行信号重构，以及 (4) 抑制噪声同时保留关键信息 [28]。实验设备实验在西安石油大学的多相流监测实验平台上进行，该平台能够模拟各种条件下的气 - 固两相流。砂粒监测系统主要由单环供气系统、信号采集电路、振动传感器、加砂混合装置、测试管道以及分离/回收单元组成。图 3 显示了实验装置的示意图。主要的结论本文提出了一种经 SSA 优化的 TabNet 模型，用于监测气 - 固两相流中的砂粒。SMA 被用于对原始振动信号进行去噪，并优化 TabNet 模型的超参数，从而增强了其在不同运行条件下的稳定性。主要结论如下：1. 为解决砂撞击振动信号的非平稳性，引入了 SSA 算法进行有效去噪和重构。实验表明CRediT 作者贡献声明Huiqin Jia：写作 – 审阅与编辑，资源，项目管理，资金获取。Jingui Jiang：写作 – 初稿，方法论，形式分析，概念化。Guangbin Xiao：软件，数据整理。Fei Li：监督指导。Kai Yan：验证。Yuhao Zhang：调查研究。资助信息作者感谢陕西省教育厅项目（项目编号：SJS2025YB018）、陕西省技术创新引导专项资金（项目编号：2024ZC-YYDP-22）提供的财政支持。利益冲突声明作者声明，他们之间没有已知的竞争性财务利益或个人关系，这些关系可能会影响本论文中报告的工作。Huiqin Jia|Jingui Jiang|Guangbin Xiao|Fei Li|Kai Yan|Yuhao Zhang