预测管道蜡沉积速率的BP神经网络模型研究

《预测管道蜡沉积速率的BP神经网络模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2014年1月西安石油大学学报(自然科学版)Jan．2014第29卷第1期JournalofXianShiyouUniversity(NaturalScienceEdition)Vo1．29No．1文章编号：1673-064X(2014)01-0066-05预测管道蜡沉积速率的BP神经网络模型研究田震，靳文博，周磊2，安云朋，伍鸿飞(1．西南石油大学石油工程学院，四川成都610500；2．青海油田采油二厂，青海海西州817500)摘要：利用灰色关联法分析了7个影响因素与管道蜡沉积速率的关联度，确定了模型的输入维数；通过建立7—10一l的BP神经网

2、络预测模型预测了所取样本的蜡沉积速率，并对其预测精度进行验证和对比。结果表明：在考虑7个影响蜡沉积速率因素时，模型的精度可控制在0．5％左右，比考虑4个影响因素的精度更高；BP神经网络预测模型的精度与输入维数有关，维数的增大有利于精度的提高，但并不意味维数越高精度就越高；不同的初始权重和阈值对于预测的精度和泛化能力存在较大影响，但模型的精度仍在可接受范围内，因此，该模型可用于蜡沉积速率预测。关键词：蜡沉积速率；灰色关联分析；BP神经网络中图分类号：TE832；TP183文献标识码：A管道输送含蜡原油会带来蜡沉积问题。蜡沉积果，利用BP神经网络模型

3、对蜡沉积速率进行了预使得管道的有效流通截面积减小，流动阻力增大，输测，证实了该模型用于蜡沉积速率预测的可靠性。送能力降低，给原油的采输带来了严重的安全隐患。1BP神经网络模型的建立及蜡沉积因此，准确地预测管道的蜡沉积速率和规律，对于指导含蜡原油管道节能输送具有重要的意义¨。速率预测目前蜡沉积研究仍然以实验为主。为了建立蜡1．1影晌因素的确定沉积的速率模型，需要通过不同的模型和方法对室灰色关联分析方法是根据因素之间发展趋势的内实验数据进行分析和预测，学者们对此已做了相相似或相异程度来衡量因素间关联程度的一种方关研究。周诗岽等考虑4个因素对蜡沉积速率

4、法。运用灰色关联分析方法，对各影响因素(油温、的影响，利用逐步回归的方法及BP神经网络模型壁温、原油黏度、管壁剪切应力、流速、管壁处温度梯对蜡沉积速率进行预测，结果表明神经网络方法比度、管壁处蜡分子浓度梯度)进行灰色关联分析，得逐步回归方法精度高。王军亮等采用二阶微粒到各影响因素与蜡沉积速率的关联度如表1所示。群算法对蜡沉积速率模型进行了研究，指出该方法影响因素与序号的对应关系为：1一油温、2一壁温、的准确性优于逐步回归分析法。众所周知，影响蜡3一原油黏度、4一管壁剪切应力、5一流速、6一管壁沉积的因素很多，且各因素之间具有非常复杂的非处温度梯度

5、、7一管壁处蜡分子浓度梯度。线性关系。考虑到三层BP神经网络在非线性拟合灰色关联分析的具体步骤为：及自学习能力方面的优势，在较全面考虑蜡沉积影(1)数据无量纲化。响因素的基础上，结合文献中蜡沉积实验研究的结(2)确定反映系统行为特征的参考序列和影响收稿日期：2013-06—25作者简介：田震(1990一)，男，在读硕士，主要从事油气集输工艺理论及技术方面的研究E—mail：believemetoo@sina．tom田震等：预测管道蜡沉积速率的BP神经网络模型研究一67一系统行为的比较序列。(4)关联度的计算对Ⅳ个学习样本(这里N=32)，设蜡沉积

6、速率为便于进行整体性比较，将各个时刻的关联系的序列Y=(y1，，⋯，yⅣ)，将其作为参考序列；每数集中为一个值(取其平均值)，并将其作为比较序一个影响因素的序列为X=(置(1)，X(2)，⋯，列与参考序列间关联程度的数量表示。关联度计置(Ⅳ))(i=1，2，3，4，5，6，7)，将其作为比较序列。算公式如下：(3)采用下式求得置与l，的关联系数(2)minm，inlY—L(k)l+maxIIY一墨()I)：÷而面商古。将比较序列对参考序列的关联度按大小顺(1)序排列，得到各影响因素对蜡沉积速率的影响程度。为分辨系数，取值0．5。表1各影响因素与蜡

7、沉积速率的关联度Tab．1Correlationdegreebetweeneachinfluencingfactorandwaxdepositionrate由表1可知，各影响因素对蜡沉积速率存在不MATLAB神经网络工具箱为BP神经网络的预同程度的影响。将关联度按大小顺序排列，得到i贝0提供了极大的方便，通过简单的调用即可获得结3>y7>1>y2>y4>6>y5。本文中7个影果。所用的BP神经网络参数如下：训练函数为响因素对管道蜡沉积速率的关联度均大于0．6945，trainlm函数；目标误差为0．00001；最大训练次数为除普遍认为的4个影响蜡

8、沉积速率的因素(管壁剪10000；学习速率为0．2；动量因子为0．95；网络训练切应力、管壁处温度梯度、管壁处蜡分子浓度梯度和显示间隔为