摘 要
碳捕集与封存（Carbon Capture and Storage，CCS）技术是减少碳排放的有效途径。CCS主要包括捕集、运输和存储三个环节。本项目主要研究的是CO2管道运输过程中的流量测量与监控问题。受到CO2自身物性影响，管道运输过程中CO2可能呈现气相、液相和气液两相流动状态。精准测量管道中CO2的质量流量在管道安全运输过程中起到重要作用，同时也是大宗碳交易计量的重要依据。
本项目依托多相流及燃烧过程检测技术中心搭建的一套气液两相CO2流量标准实验装置，本文基于数据驱动模型的气液两相流智能测量与状态监控方法。项目使用的基础仪表为科里奥利质量流量计，差压变送器，温度变送器及压力变送器。测量系统基础数据已由前期实验获得，数据驱动模型通过查阅相关论文学习，使用卷积神经网络（CNN）、长短期记忆网络（LSTM）算法建立模型。
本综合实践项目的主要研究内容有：（1）分析测量系统数据，完成数据特征提取；（2）完成适用于二氧化碳流量智能测量与监控的数据驱动模型，采用卷积神经网络（CNN），长短期记忆网络（LSTM）构成数据驱动模型；（3）模型对比，优化与分析。
绪论
课题研究的背景和意义
工业革命以前，大气中的二氧化碳等温室气体在强烈的吸收了地面的长波辐射以后，再向地面反过来辐射波长更长的长波辐射，该长波辐射本对地面起到了保温作用，但自工业革命以来，人类的活动积聚了大量的二氧化碳等温室气体，使得大气中温室气体的浓度快速升高，造成温室效应日益增强。据统计工业化以前全球年均大气二氧化碳浓度为278ppm，而2014年4月大气中月均二氧化碳浓度超过400ppm，大气温室效应的不断加重导致全球气候变暖，产生一系列目前的科学手段无法预测的全球性气候问题。根据国际气候变化经济学报告显示，如果人类一直维持如今的生活方式，到2100年，全球平均汽温将有50%可能上升4℃。地球两极冰川融化，海平面因此上升，全世界40多个岛屿国家和世界人口最集中的沿海大城市都将面临淹没的危险，甚至产生全球性的生态平衡紊乱，最终导致全球发生大规模的迁徙和冲突。然而目前来说CCS技术是再短期内能够应对全球气候变化最重要的技术之一。
碳捕集与封存（Carbon Capture and Storage，简称CCS，也被译作碳捕获与埋存、碳收集与储存等）是指将大型发电厂所产生的二氧化碳（CO2）收集起来，并用各种方法储存以避免其排放到大气中的一种技术。CCS的重要意义在于、它是利用煤、石油等化石能源的同时实现CO2 近零排放的唯一有效技术。CCS包含捕集、运输和封存三个环节，每个环节都已有成熟的技术，但在串联起来应用于大规模CO2的减排尚需要通过各种途径降低成本。目前CCS的三个环节也是国内外学者研究的热点。我国是CO2的排放大国，排放量为世界第二，随着我国经济的快速发展，CO2的排放量也将持续增加，因此开展CCS相关技术的研究也是我国目前极其重要的需求。
捕集到的二氧化碳必须运输到合适的地点进行封存，可以使用汽车、火车、轮船以及管道来进行运输。一般说来，管道是最经济的运输方式。受到CO2自身物性影响，管道运输过程中CO2可能呈现气相、液相和气液两相流动状态。精准测量管道中CO2的质量流量在管道安全运输过程中起到重要作用，同时也是大宗碳交易计量的重要依据
Wang和Yan曾发表长篇理论文章，在文章中提出了一种基于科里奥利质量流量计与最小二乘支持向量机（LSSVM）模型相结合的测量CCS工况下气液两相CO2流量的新方法。该方法使用分类器识别流型，并分别用LSSVM模型测量CO2质量流量和预测CO2气体体积分数。实验工作是在多相CO2流实验装置上进行的。对一般的LSSVM模型和基于流型的LSSVM模型进行了性能比较。Wang和Yan的结果表明，采用LSSVM模型结合流型识别算法的科里奥利质量流量计性能明显优于常规LSSVM模型。在250～3200kg/h的流量范围内，水平管和垂直管的CO2质量流量测量误差分别小于±2%和±1.5%。
尽管在过去的几十年里，人们已经进行了大量的研究，但由于多相流的复杂性，这一问题仍然具有很大的挑战性。而基于机器学习和深度学习近年来的表现Hu和Li 首次将卷积神经网络应用于多相流的流量预测，并取得了良好的效果。此外，考虑到训练样本和测试样本数据分布的差异及其对测试样本CNN模型预测精度的负面影响，提出了一种能从原始输入中提取域不变和流量判别特征的流对抗网络（FANs）。对不同流动条件和操作环境下不同多相流的动态实验数据进行了评价。Hu和Li的实验结果表明可以有效地防止由于训练样本和测试样本之间的差距而导致的精度下降，在流量预测领域具有比现有方法更好的性能。
许多科研人员致力于用不同的测量系统对多相流质量流量的测量，并将模型与卷积神经网络和长短期记忆模型相匹配，Dang和Gao就设计了一种多通道复阻抗测量系统。首先对分布式多电极阻抗传感器的几何尺寸进行了优化，并开发了一套匹配的硬件测量系统。通过性能评价，建立了基于卷积神经网络和长短期记忆的流量测量模型，以实现高精度的流量参数测量。含水率和总流速的平均绝对误差分别为0.36%和0.77%。进一步，从Lempel-Ziv复杂性和互信息的角度，探讨了不同流动结构与空间流动行为之间的关系，从而加深了人类对油水流动的认识。Dang和Gao的实验和分析结果表明，深度学习和设计的阻抗传感器测量系统相结合，可以测量复杂的流动参数，从而表征流动的结构和行为。这为探索工业多相流、油田高效开发开辟了新的途径
本文主要介绍了实验室测量二氧化碳的基础仪表、二氧化碳在水平管道内气液两相流流形，并依托多相流及燃烧过程检测技术中心搭建的一套气液两相CO2流量标准实验装置获得的数据构造卷积升级网络模型以及长短期记忆网络模型、分析模型中变量的选择，通过表观质量流量、表观密度、温度、绝对压力、压差等数据训练模型并，对测试集进行预测，同时在单独完成上述两种模型的同时研究了如何将卷积神经网络算法与长短期记忆网络算法相结合构造CNN—LSTM模型训练后对所得到的数据进行预测。
科里奥利质量流量计
2.1 基本结构
科里奥利质量流量计(Coriolis Mass Flowmeter, CMF)是直接式质量流量测量仪表，又因其单相高精确度、非侵入式及可多参量测量，被采用作为本研究实验装置的标准参考表，同时也被选为气液两相CO2流量的测试表。根据测量管的形状，CMF分为直形、Ω形、S形、U形和V形;根据测量管的数量，CMF又分为单管型、双管型和多管型。
科里奥利质量流量计是利用流体在振动管中流动时能产生与流体质量流量成正比的科里奥利力原理制成的。双U型科里奥利流量传感器的基本结构如图2-1所示。两根几何形状和材料力学性质完全一致的U形管，牢固的焊接在流量计进出口间的支撑座上，并在一驱动线圈的作用下以一定的频率绕流量计进出口、出口轴线震动。被测流体从U型管中流过，其流动方向与震动方向垂直。
图2-1 双U型科里奥利流量传感器基本结构
2.2 科里奥利力
CMF是基于科里奥利力原理的基础上设计的。科里奥利力简称为科氏力，是一种惯性力，它是对旋转体系中进行直线运动的质点由于惯性相对于旋转体系产生的直线运动的偏移的一种描述。
2.3 科里奥利质量流量计测量原理
CMF主要由传感器和变送器两部分组成，其中传感器用于流量信号的检测，主要由测量管、驱动线圈和检测线圈构成，如图2-2所示。变送器主要是提供正弦激励信号并将流量检测信号经过运算和转换后输出相应的标准信号或将流量显示在屏幕上，变送器主要运算和驱动电路等。
CMF工作时，驱动线圈接收变送器提供的正弦信号，激励测量管振动，这就相当于测量管绕着以出入口形成的固定轴作周期性的往复旋转，从而形成了一个作微小幅度的周期性往复振动的旋转体系。当流体流过测量管时，流体即在此旋转体系中产生科氏力。由于入口段与出口段的流体流动方向是相反的，根据右手螺旋法则判定，它们产生的科氏力的方向也正好相反，因此，测量管在两个方向相反的科氏力的作用下被扭曲。所以，两个检测线圈的检测到的测量管运动信号存在一定的时间差。又因为质量流量与这个时间差成正比关系，与其他变量无关，所以通过计算就可以得到流体流过时的质量流量。
图2-2 Ω形传感器基本结构
2.4 本章小节
本章主要介绍了气液两相CO2流量标准实验装置中的基础仪表科里奥利质量流量计（CMF），包括其不同的类型，设计的原理，以及质量流量的测量原理。对于在实验室前期的测量仪表做了简单的介绍。