غلامحسین روشنی

جریان های چند فازی رایج ترین جریان ها در محیط و طبیعت هستند. به عنوان مثال جریان خون در بدن جانوران، حباب های درون ظرف حاوی مایع و... نمونه هایی از جریان های چند فازی هستند. ایران به دلیل داشتن رتبه قابل توجه در میان صادر کنندگان نفت جهان از تنوع محصولات بیشتری برخوردار است. با تغییرات و کاهش فشار چاه و افزایش تولید گاز و آب اضافی، نیاز به اطلاع از جریان سیالات چندفازی و میزان تولید هر فاز اهمیت پیدا می کند. راه حل این دسته از مسایل استفاده از جریان سنج هاست که به صورت لحظه ای دبی حجمی هر فاز جریان های چند فازی را مشخص کنند. هر سیستم جریان سنج به چندین پارامتر نیاز دارد تا بر اساس آن نرخ دبی سیالات را تعیین کند که شاخص ترین و مهم ترین آن، کسر حجمی هریک از فازهاست.روش های متنوعی برای این منطور وجود دارد که مهم ترین آن ها، روش تضعیف گاماست. در این زمینه این نکته قابل ذکر است که استفاده از روش های هوش مصنوعی و همچنین استخراج ویژگی در زمینه ی پیش بینی جریان های چندفازی عضوی جدانشدنی از این مجموعه است. امروزه به منظور افزایش دقت و کاهش خطای ناشی از تشخیص فازها و درصدهایشان نیاز به استفاده از روش های پردازش و تحلیل سیگنال ها در کنار شبکه های عصبی حس می شود. به منظور کاهش حجم محاسبات و کار با داده های کمتر به جای کار با کل سیگنال ها و همچنین قابل درک بودن سیگنال ها برای شبکه های عصبی لازم است از روش های استخراج مشخصه که روشی بسیار مفید در تحلیل سیگنال های دیجیتال هستند، استفاده نمود. این ویزگی ها به گونه ای استخراج می شوند که در کنار کم شدن حجم اطلاعات، ویژگی های اصلی سیگنال حفظ شده و از طرفی بتوان سیگنال اصلی را با استفاده از این مشخصه ها بازسازی نمود. از جمله روش های استخراج ویژگی در تحلیل سیگنال ها می توان به تحلیل حوزه فرکانس ، تحلیل در حوزه زمان، تبدیل موجک و... اشاره نمود. این نکته قابل ذکر است که در کارهای گذشته از مشخصه های تمام انرژی پیک و شمارش کل استفاده شده است که به دلیل وجود خطا ناگزیر باید از روش های تحلیلی دیگری استفاده شود که در این کار از تحلیل در حوزه فرکانس و تبدیل موجک استفاده خواهد شد. در پژوهش پیشین با استفاده از ویژگی شمارش ثبت شده زیر قله تمام انرژی درصد های حجمی با میانگین خطای نسبی 5/1 تشخیص داده شدند اما در این مطالعه با بهره مندی از استخراج ویژ