资源描述：
《基于人工神经网络混合油品粘度预测模型研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、石油与天然气化工第36卷第4期CHEMICALENGINEERINGOFOIL&GAS335*基于人工神经网络混合油品粘度预测模型研究1222赵会军张青松王宏陆炎洪(1江苏工业学院江苏省油气储运技术重点实验室)(2.瑞吉格泰油气工程有限公司)摘要在分析前向BP神经网络基本原理的基础上,对3种混油建立了人工神经网络混油粘度预测模型,该模型结构为1-7-1的三层BP网络模型。运用实测数据对BP网络进行训练和仿真。结果表明,三种模型预测误差全在2.5%以内,比前苏联学者提出的混油粘度计算公式克恩达尔-莫恩罗
2、埃公式和兹达诺夫斯基公式更具有计算精度高、适用性强的特点,可完全满足工程实际需要。关键词管道BP神经网络混油粘度预测模型大多数石油产品都是经过调合而成的调制品。凡士林润滑油的混油,克恩达尔-莫恩罗埃公式的[4]油品调合后的特性表现在调合组分间的线性和非线误差是90%,兹达诺夫斯基公式的误差是30%。性关系上,即表现在组分间有无加和效应的关系为此,本文将建立满足工业应用需要的粘度预[1]上。为了保证调合质量,必须对调合产品的性能测模型,旨在为炼油厂调整和优化操作条件以及炼指标加以控制。石油产品的性能指标,如密度、馏油设计、工程计算等提供可靠计算方法。同时也能程、蒸气压等,
3、在调合前后呈体积加成的线形关系,够为成品油管道安全运行与混油的检测和切割处理而粘度、闪点、凝点等指标,在调合前后呈非线形关提供依据和帮助。系。同时在油品调合的过程中,还可能出现改善了1神经网络概述某些性质而恶化了其它性质的情况,如在调整油品的运动粘度时,可能出现调合油的闪点或残炭不合人工神经网络在处理复杂系统的建模问题上表格的问题。这样很难给出非线性油品调合后油品质现出了较强的优越性,它通过对简单的非线性函数量模型的表达式。进行复合来表达复杂的系统过程,具有自组织、自在成品油管道输送过程中,为了最大限度地提学习的特点,不需要预先对模型的形式及参数加以高管道利用率,常采用顺序输送方
4、式输送不同种油限制,只需根据训练样本的输入、输出数据来自动品。而两种油品在管内流动,在交界面处必产生混寻找其中的相关关系,给出过程对象的具体数学表[2]油。在混油段内,两种油品的浓度以界面为中心达。同时,由于其信息具有分布存储的特点,使建呈衰减分布,油品物性(如密度和粘度)也发生变[5]立的模型具有一定程度的抗干扰性。化。在深入研究和分析混油段的混油特性和水力特BP神经网络是目前最常用的神经网络之一。性(例如水力摩阻)时,需要力求准确地计算油品物[3]对于具有n个输入、m维输出节点的BP神经网络,性的变化。由于混油粘度不可以仿照混油密度输入到输出的关系可以看作是n维欧氏空间到m简单
5、的组分比例进行计算,苏联学者提出了克恩达尔-莫恩罗埃公式与兹达诺夫斯基公式。但随着组维欧氏空间的映射。网络运行时,输入数据首先通分粘度差异的增加,克恩达尔-莫恩罗埃公式的误过加权值传到隐含层节点,通过传递函数的作用再差明显增加。按B.M杰格佳列夫的数据,对汽油和送到输出节点。传递函数f(x)通常取sigmoid函数*中石化集团公司项目X504007;江苏省油气储运重点实验室资助ZDK0602004。336基于人工神经网络混合油品粘度预测模型研究2007或者tansig函数。由于网络中存在着大量的非线性溢出,需要将输入、输出样本集进行归一化处理,使节点,因此,网
6、络的输入/输出映射具有高度的非其变换到(0~1)之间。输入样本已经满足因此无线性。对于BP神经网络,只要有足够多的隐含层需处理。输出样本归一化处理为:节点,理论上可以实现任意输入到输出的映射。BPYj=(Yj-Y,jmin)/(Y,jmax-Y,jmin)神经网络由两部分构成:信息的正向传递和误差的3计算实例反向传播。在正向传递中,输入信息从输入层经隐以31组实验数据为基础,以其中的25组数据含层逐层计算传向输出层,每层神经元的状态只影构成训练集(见表1),以不同于训练集中的6组数响下一层神经元状态。如果输出层没有得到期望的输出,则计算输出层的误差变化值,然后反向传据构成测试集。
7、利用上述BP网络法分别对三种混播,通过网络将误差信号沿原来的连接通路反向传油情况的训练集数据进行网络学习。网络通过对样本的学习,对网络的权值和阈值进行调整,不断获取回来,修改各层神经元的权值,直至达到期望的目标。具有一个输入层、一个隐含层、一个输出层的三混油粘度与混油浓度之间的非线性关系,并将其分层BP神经网络如图1所示。布储存在网络的连接权上,最终将混油粘度与混油 表1混油运动粘度原始训练数据序汽油体粘度,mm2/s序汽油体粘度,mm2/s号积分 数混油1混油2混
