买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉长江大学申请的专利一种基于DAS测井数据的气液两相流流型识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118861797B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410815407.3，技术领域涉及：G06F18/241；该发明授权一种基于DAS测井数据的气液两相流流型识别方法是由宋红伟;王明星设计研发完成，并于2024-06-24向国家知识产权局提交的专利申请。

本一种基于DAS测井数据的气液两相流流型识别方法在说明书摘要公布了：本发明提供了一种基于DAS测井数据的气液两相流流型识别方法，属于气液两相流流型识别技术领域，解决了如何从复杂的声学信号中准确提取与流型相关的特征信息，以及如何构建高效的识别模型来处理这些数据的问题。本发明包括的具体步骤包括S1信号采集、S2预处理和S3流型识别。本发明通过利用分布式光纤声学传感技术DAS连续采集井下动态数据，结合小波变换提取时频图像，使用混合深度神经网络结合CNN和LSTM进一步提升了从复杂信号中准确提取和识别流型的能力，确保了实时和高效的流型分类。

本发明授权一种基于DAS测井数据的气液两相流流型识别方法在权利要求书中公布了：1.一种基于DAS测井数据的气液两相流流型识别方法，其特征在于，所述识别方法包括以下步骤： S1信号采集：将微结构光纤沿井筒过流截面均匀布置，通过微结构光纤使用DAS采集系统连续采集经过井筒过流截面的气液两相流的DAS信号； S2预处理：采用连续小波变换的方法对气液两相流的DAS信号进行转换，得到气液两相流的时频图像； S3流型识别：S3.1建立模型：利用卷积神经网络CNN和长短期记忆递归神经网络LSTM建立混合深度神经网络流型识别模型；混合深度神经网络流型识别模型包括输入层、第一卷积层、第一批归一化层、第一Relu激活层、第一层最大池化层、第一Dropout层、第二卷积层、第二批归一化层、第二Relu激活层、第二最大池化层、第二Dropout层、Flatten层、LSTM层、第一全连接层、第三Dropout层、第二全连接层、第四Dropout层、第三全连接层、Softmax层和分类层； S3.2完善模型：S3.2.1混合深度神经网络模型训练：收集气液两相流不同流型下的时频图像样本；将时频图像样本输入至混合深度神经网络模型中；利用混合深度神经网络模型提取时频图像样本的流型特征，将提取的流型特征进行分类，以识别时频图像样本对应的流型；根据分类结果训练和优化混合深度神经网络模型，得到最终的流型识别模型； S3.2.2嵌入算法：在流型识别模型中嵌入t-分布随机邻域嵌入算法；t-分布随机邻域嵌入算法用于将提取到的流型特征进行降维处理，以便可视化模型流型分类效果； S3.3流型识别：将步骤S2中的气液两相流的时频图像输入至流型识别模型中，流型识别模型的输出结果为气液两相流的具体流型； 在步骤S3.2.1中，在混合深度神经网络模型训练过程中，选择交叉熵作为损失函数，交叉熵作为损失函数的具体公式如下： 其中，hz为时频图像样本z的真实分类结果，fz为时频图像样本z的输出分类结果； 在步骤S3.2中，在对混合深度神经网络流型识别模型进行训练过程中，使用随机梯度下降优化算法更新网络参数；采用Adam优化器，学习率设为0.001，最大迭代次数设为100，批处理大小为32；采用Relu函数作为激活函数，

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人长江大学，其通讯地址为：430100 湖北省武汉市蔡甸区大学路111号长江大学(武汉校区)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。