基于改進(jìn)AFSA—BP算法的油水界面軟測(cè)量

大慶油田設(shè)計(jì)院

基于改進(jìn)AFSA—BP算法的油水界面軟測(cè)量

時(shí)晟楠大慶油田設(shè)計(jì)院

人工魚(yú)群算法具有較強(qiáng)的全局收斂性和較強(qiáng)的魯棒性，且對(duì)初值不敏感。將AFSA算法和BP算法相結(jié)合，不僅能延續(xù)神經(jīng)網(wǎng)絡(luò)的適應(yīng)能力，而且能夠加速收斂到目標(biāo)值并提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力。運(yùn)用改進(jìn)的AFSA算法優(yōu)化BP算法并結(jié)合聯(lián)合站的工藝需求，得出油水界面高度變化率的軟測(cè)量模型。數(shù)值結(jié)果表明，模型具有較高的擬合精度和較強(qiáng)的泛化能力，將油水界面高度的硬件測(cè)量發(fā)展到軟件在線測(cè)量，通過(guò)實(shí)驗(yàn)仿真結(jié)果驗(yàn)證了所研究算法的有效性。

油水界面；人工魚(yú)群算法；BP神經(jīng)網(wǎng)絡(luò)；軟測(cè)量

原油中經(jīng)常含有大量的水、鹽和泥沙類(lèi)機(jī)械雜質(zhì)等，這些物質(zhì)會(huì)增大液流的體積流量，降低設(shè)備和管路的有效利用率，給原油的集輸和煉制帶來(lái)很大的麻煩。在線測(cè)量油水界面對(duì)工程現(xiàn)場(chǎng)意義重大。

軟測(cè)量技術(shù)的核心問(wèn)題是建立軟測(cè)量模型以實(shí)現(xiàn)二次變量對(duì)主導(dǎo)變量的最佳估計(jì)[1-2]。建立軟儀表的方法很多，如線性估計(jì)、機(jī)理推導(dǎo)、回歸分析和神經(jīng)網(wǎng)絡(luò)方法等。BP神經(jīng)網(wǎng)絡(luò)通過(guò)現(xiàn)場(chǎng)實(shí)驗(yàn)采集樣本數(shù)據(jù)，然后訓(xùn)練和學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，從而建立油水界面測(cè)量模型。人工魚(yú)群算法具有較強(qiáng)的全局收斂性和較強(qiáng)的魯棒性，且對(duì)初值不敏感。將AFSA算法和BP算法相結(jié)合，不僅能延續(xù)神經(jīng)網(wǎng)絡(luò)的適應(yīng)能力，而且能夠加速收斂到目標(biāo)值并提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力[3]。

1 問(wèn)題描述

BP算法廣泛應(yīng)用于函數(shù)擬合、自動(dòng)控制、信號(hào)處理等領(lǐng)域，是人工神經(jīng)網(wǎng)絡(luò)經(jīng)典且易于應(yīng)用的部分。BP網(wǎng)絡(luò)數(shù)據(jù)信息從輸入層經(jīng)過(guò)隱含層流向輸出層，是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)。

一條人工魚(yú)的當(dāng)前活動(dòng)位置為X=(x1,x2,???,xn)，魚(yú)的視野范圍為visual，它在某時(shí)刻v的即時(shí)位置可表示為Xv=,,???)，如果當(dāng)前位置的食物濃度低于時(shí)刻v位置的食物濃度，則由當(dāng)前位置向時(shí)刻v的位置方向移動(dòng)一個(gè)步長(zhǎng)Step，隨即到達(dá)位置Xnext；如果當(dāng)前位置的食物濃度高于時(shí)刻v的位置Xv處，則不采用位置Xv的方向并搜尋視野內(nèi)的其他位置。隨著搜尋次數(shù)的增加，人工魚(yú)對(duì)視野范圍內(nèi)的信息認(rèn)知更加全面，從而對(duì)其周?chē)h(huán)境有立體清晰的認(rèn)識(shí)。人工魚(yú)不需要一一遍歷狀態(tài)多的環(huán)境，不但減小運(yùn)算量、節(jié)省搜尋時(shí)間，而且一定的隨機(jī)性對(duì)跳出局部極值有所幫助，對(duì)快速搜尋全局最優(yōu)解有益。Xn1，Xn2為視野范圍內(nèi)兩條魚(yú)的位置。

人工魚(yú)尋優(yōu)過(guò)程可由式（1）、式（2）表示。其中，r是[-1，1]區(qū)間的隨機(jī)數(shù)。

用AFSA算法將神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練后，將最優(yōu)權(quán)值代入BP網(wǎng)絡(luò)作為初始權(quán)值，建立油水界面變化率的預(yù)測(cè)模型。

2 主要算法

利用改進(jìn)的人工魚(yú)群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值閾值，再利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)。

（1）根據(jù)輸入、輸出訓(xùn)練樣本集，確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

（2）確定人工魚(yú)群算法基本參數(shù)。通過(guò)構(gòu)造人工魚(yú)來(lái)模擬魚(yú)群的三個(gè)基本行為，以實(shí)現(xiàn)尋優(yōu)。

第一步，確定魚(yú)群規(guī)模fishnum。最大迭代次數(shù)為MAXGEN，最多試探次數(shù)為try_number，感知距離為visual，擁擠度因子為δ，移動(dòng)的最大步長(zhǎng)為Step。

第二步，采用變步長(zhǎng)方式，人工魚(yú)根據(jù)當(dāng)前的環(huán)境惡劣程度調(diào)整移動(dòng)的步長(zhǎng)。

其中FCi為人工魚(yú)當(dāng)前的食物濃度，F(xiàn)Cm為視野范圍內(nèi)的最大食物濃度，F(xiàn)Cw為視野范圍內(nèi)的最低食物濃度。

第三步，自動(dòng)適應(yīng)魚(yú)群的聚集現(xiàn)象，感知距離visual隨迭代次數(shù)的增加逐漸變小。視野自適應(yīng)公式如下

其中Vmax和Vmin分別是感知距離visual的最大值和最小值，gen是當(dāng)前迭代次數(shù)。

（3）計(jì)算網(wǎng)絡(luò)實(shí)際輸出與期望輸出的差值，尋找出一組網(wǎng)絡(luò)權(quán)值使得網(wǎng)絡(luò)誤差達(dá)到最小，取均值誤差E作為目標(biāo)函數(shù)，即

式中N為網(wǎng)絡(luò)訓(xùn)練樣本集輸入、輸出樣本對(duì)個(gè)數(shù)；n為輸出層節(jié)點(diǎn)數(shù)；yjk，yˉjk為當(dāng)輸入第k個(gè)樣本時(shí)，第j個(gè)輸出節(jié)點(diǎn)的期望輸出與實(shí)際輸出。

每個(gè)人工魚(yú)的食物濃度函數(shù)值為

（4）每條人工魚(yú)執(zhí)行游動(dòng)，并且比較游動(dòng)后食物濃度函數(shù)值大小，以判斷三種行為中應(yīng)執(zhí)行的最佳游動(dòng)行為。

第一步，進(jìn)行魚(yú)群初始化。人工魚(yú)群中的每條人工魚(yú)均是[-1，1]范圍內(nèi)的一個(gè)隨機(jī)實(shí)數(shù)數(shù)組。

第二步，魚(yú)群覓食行為。一條人工魚(yú)當(dāng)前位置活動(dòng)狀態(tài)為Xi，在視野范圍內(nèi)隨機(jī)位置選擇活動(dòng)狀態(tài)Xj。若FCi＜FCj，則向該隨機(jī)方向移動(dòng)一個(gè)步長(zhǎng)Step；與此相反則重新選擇Xj，繼續(xù)比較食物濃度大小是否滿足前進(jìn)條件。覓食按式（7）進(jìn)行。

第三步，魚(yú)群群聚行為。人工魚(yú)搜索當(dāng)前鄰域內(nèi)的伙伴數(shù)目nf及中心位置Xc，若＞δFCi，則Xi|next=XC+rand()?Step即向著人工魚(yú)同伴的中心位置方向移動(dòng)一步；反之則執(zhí)行覓食。

第四步，魚(yú)群的追尾行為。人工魚(yú)搜索當(dāng)前鄰域內(nèi)的伙伴數(shù)目nf及Yj最大的伙伴Xj，若即向著人工魚(yú)同伴方向移動(dòng)一步；反之則執(zhí)行覓食。

第五步，魚(yú)群的隨機(jī)行為。在人工魚(yú)視野范圍內(nèi)隨機(jī)方向選擇一個(gè)狀態(tài)，向此隨機(jī)方向前進(jìn)，遵循式如下

（5）輸出神經(jīng)網(wǎng)絡(luò)初始權(quán)值，并執(zhí)行BP網(wǎng)絡(luò)循環(huán)。

3 實(shí)驗(yàn)仿真

以沉降罐原油來(lái)液流量、油出口流量、水出口流量和原油含水率為輸入節(jié)點(diǎn)，油水界面的變化率為輸出節(jié)點(diǎn)，建立油水界面變化率的預(yù)測(cè)模型。其中AFSA算法用于確定BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)。

魚(yú)群規(guī)模fishnum為70，最大迭代次數(shù)MAXGEN為500，最多試探次數(shù)try_number為100，感知距離visual為1，最大感知距離Vmax為1，最小感知距離Vmin為0.3，最大步長(zhǎng)Step為0.5，擁擠度因子δ為0.618。

仿真結(jié)果如圖1所示，圖中綠色虛線表示優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型誤差值，橫坐標(biāo)為測(cè)試網(wǎng)絡(luò)所用數(shù)據(jù)，共101組，縱坐標(biāo)為沉降過(guò)程中油水界面高度變化率。

圖1 軟測(cè)量模型的仿真結(jié)果

用Matlab對(duì)輸出數(shù)據(jù)進(jìn)行分析，得出軟測(cè)量模型性能指標(biāo)。其中最大絕對(duì)誤差為0.0714，均方差為0.0227。分析仿真結(jié)果及性能指標(biāo)可知，AFSA算法優(yōu)化后的BP網(wǎng)絡(luò)得出的預(yù)測(cè)輸出與實(shí)際輸出整體上吻合，模型可適用于油田現(xiàn)場(chǎng)控制。

4 結(jié)論

運(yùn)用改進(jìn)的AFSA算法優(yōu)化BP算法并結(jié)合聯(lián)合站的工藝需求，得出油水界面高度變化率的軟測(cè)量模型。結(jié)果表明，模型具有較高的擬合精度和較強(qiáng)的泛化能力，將油水界面高度的測(cè)量由硬件測(cè)量發(fā)展到軟件在線測(cè)量，通過(guò)實(shí)驗(yàn)仿真結(jié)果驗(yàn)證了所研究算法的有效性。

[1]陳通．穩(wěn)定原油脫水工藝的措施[J]．油氣田地面工程，2010，29（2）：83-84.

[2]李朝陽(yáng)，馬貴陽(yáng)，陳林，等．原油脫水技術(shù)數(shù)值研究[J]．天然氣與石油，2011，29（5）：68-71.

[3]李慧，喬光輝，張小龍，等．高效三相分離器在姬塬油田原油脫水中的應(yīng)用[J]．石油工程建設(shè)，2011，37（4）：67-70.

（欄目主持 楊軍）

10.3969/j.issn.1006-6896.2014.7.025