基于bp 神经网络的多相管流模型优选及应用分析

《基于bp 神经网络的多相管流模型优选及应用分析》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、http://www.paper.edu.cn1基于BP神经网络的多相管流模型优选及应用分析11,2133钟海全，李颖川，刘永辉，李成见，李伟1.西南石油大学，成都（610500）2.“油气藏地质及开发工程”国家重点实验室，西南石油大学，成都（610500）3.中海石油（中国）有限公司北京研究中心，北京（100027）E-mail：jet_haier@126.com摘要：应用91井次的油气井测试数据对Ansari、Hagedorn&BrownRevised、Duns&Ros、Gray以及Beggs&BrillRevised模型进行了评价

2、分析，结果表明：最适合的模型主要有Hagedorn&BrownRevised模型和Ansari模型，其最佳井数分别占50.5％和35.2％。为了对于特定的油井条件优选出最佳的计算模型，本文提出了利用神经网络优选多相管流模型的方法，建立了BP神经网络模型，给出了完整的学习算法程序框图，提出采用动量算法修改隐含层权值，采用基于指数平滑的方法修改输出层权值，从而有效地减少了抖动。应用油气井测试数据及管流模型评价结果，研究了神经网络输入层、输出层及隐含层神经元个数对预测准确率的影响，结果表明：合理的BP神经网络模型能很好的预测最佳管流模型，其预

3、测准确率可高达100％。关键词：BP神经网络；管流模型；BP算法；模型优选；误差井筒多相流动压力梯度无论是在完井管柱设计，预测油气井产能，还是人工举升设计方面都是非常重要的，但由于多相流流型的多变性和流动机理的复杂性，要寻求适用于任何流动条[1～4]件下的多相流压降计算方法是非常困难的。迄今已发展了许多经验相关式和机理模型，但这些方法均具有一定的适用条件。理论上，应该通过测量确定多相流井筒压力分布，但通常测量成本较高或无法下入测量工具而无法获得。因此，只能根据油气井生产的实际条件优选多相流模型来预测井筒压力分布。为了对于特定的油井条件优

4、选出最佳的管流计算模型，本文提出了一种优选多相管流计算模型的新方法，该方法应用了BP神经网络模型确定最佳管流模型，方法的流程如图1所示。1本课题得到高等学校博士学科点专项科研基金项目“气举采油多相瞬态流实验与理论研究”(NO.20060615002)部分成果；四川省自然科学基金项目“深层有水气井球塞助喷气液球三相流动实验与理论研究”(NO.2006ZD042)部分成果的资助。-1-http://www.paper.edu.cn多相管流参数预测流压管流模型各井对应的最佳管流模型多相管流参数测试流压（未经训练的井）对网络试错训练网络各井多相

5、管流参数训练成功及对应最佳管流模型的神经网络（用于训练的井）预测的最佳管流模型评价各井对应最佳管流模型（未经训练的井）（未经训练的井）神经网络优选最佳管流模型的准确率图1优选最佳管流模型的流程Fig.1Flowcharttoselecttheoptimumpipe-flowmodelpwh1fw2ANAPIGLRHBRn-2QLn-1dtin输入层隐含层（n个神经元）输出层图2BP神经网络模型Fig.2BPneuralnetworksmodel1管流模型评价搜集到91井次的测试资料，其井口压力范围为0.21～6.62MPa，原油重度36

6、.0～o33337.0API，含水率0～86.3％，气液比6.7～165.0m/m，产液量189.7～3042.3m/d，油管尺寸50.3～159.4mm，地层水相对密度为1.07，气体相对密度为0.73。应用测试数据对PIPESIM软件中的Gray、Ansari、Hagedorn&BrownRevised、Beggs&BrillRevised及Duns&Ros模型（分别简写为GR、AN、HBR、BBR及DR）进行评价，结果表明：HBR误差最小的有46井-2-http://www.paper.edu.cn次，AN为32井次，GR为7井次

7、，DR为5井次，BBR为1井次，可见HBR模型和AN模型最佳井数分别占50.5％和35.2％，其余三种方法所占百分比均很小。2BP神经网络模型BP模型是一种多层感知机构，是由输入层、隐含层和输出层构成的前馈网络，其功能是[5～8][5]通过对一系列样本点进行学习来实现的，1989年Robert已经证明3层BP网络可以任意精度逼近连续函数，因此本研究采用3层BP网络。影响多相管流计算的参数主要有井口压力，流体密度，含水率，气液比，产液量，油管尺寸，井斜角。由于本次收集到的资料绝大多数为垂直井，且各井地层水和气体相对密度均分别为1.07和0

8、.73。因此确定神经网络的输入层神经元为井口压力pwh，原油API重度，含水率fw，气液比GLR，产液量QL，油管尺寸dti。要建立一个好的神经网络模型，隐含层神经元个数至关重要，但通常很难直接确定神经元个