基于大數(shù)據(jù)平臺(tái)的集油管道運(yùn)行特性預(yù)測(cè)方法研究

李玉春 李治東 李越 孟嵐 姚毅立 孫巍 成慶林 孫海英

1大慶油田設(shè)計(jì)院有限公司

2東北石油大學(xué)

3大慶油田有限責(zé)任公司第五采油廠

隨著信息技術(shù)的高速發(fā)展，工程上獲得數(shù)據(jù)的難度越來越低、手段越來越多、效率越來越高，從而導(dǎo)致信息數(shù)據(jù)庫的規(guī)模不斷增大，其復(fù)雜程度也持續(xù)增大，演變成為龐大復(fù)雜的信息數(shù)據(jù)體系[1-3]。因此有必要基于大數(shù)據(jù)平臺(tái)，針對(duì)雙管摻水流程建立水力熱力回歸預(yù)測(cè)模型[4-6]。

目前，很多學(xué)者在管道預(yù)測(cè)方面進(jìn)行了大量研究。張青松利用人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射能力，建立了人工神經(jīng)網(wǎng)絡(luò)混油黏度預(yù)測(cè)模型，該方法誤差小，并能夠同時(shí)考慮溫度變化等因素的影響[7]；高山卜利用BP神經(jīng)網(wǎng)絡(luò)建立輸油管道的能耗預(yù)測(cè)模型，其預(yù)測(cè)誤差不超過4.06%，為管輸能耗提供了新的預(yù)測(cè)方法[8]；李建松建立灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)輸油管道運(yùn)行費(fèi)用進(jìn)行預(yù)測(cè)，結(jié)果表明預(yù)測(cè)模型精度高，計(jì)算量小，收斂速度快[9]；林冉用人工神經(jīng)網(wǎng)絡(luò)建立了管道耗能的預(yù)測(cè)模型，該模型的計(jì)算結(jié)果相對(duì)偏差在±5%以內(nèi)，滿足工程實(shí)際需要，為預(yù)測(cè)管道的能耗總量提供了便利[10]；李樹杉根據(jù)大數(shù)據(jù)思想，基于管道SCADA 系統(tǒng)提供的大量管道運(yùn)行歷史數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)構(gòu)建了管道預(yù)測(cè)模型，并用其替代傳統(tǒng)的管道數(shù)學(xué)模型，計(jì)算油品的溫度和壓力，求解能耗優(yōu)化的目標(biāo)函數(shù)，得出優(yōu)化方案，提高了方案的準(zhǔn)確性和實(shí)用性[11]。

通過調(diào)研發(fā)現(xiàn)，采用傳統(tǒng)理論公式計(jì)算得到的管道傳熱系數(shù)以及水力摩阻系數(shù)通常與現(xiàn)場(chǎng)實(shí)際情況不符[12-13]，因此構(gòu)建了雙管摻水流程大數(shù)據(jù)平臺(tái)。運(yùn)用水力熱力基礎(chǔ)運(yùn)行參數(shù)，通過python語言編程，分別建立了BP 神經(jīng)網(wǎng)絡(luò)管線傳熱系數(shù)和水力摩阻系數(shù)的預(yù)測(cè)模型，并通過迭代自修正權(quán)重和偏置，經(jīng)過參數(shù)的降維處理校正了傳統(tǒng)的計(jì)算公式，最終對(duì)所得出的預(yù)測(cè)模型進(jìn)行了驗(yàn)證，其滿足實(shí)際工程標(biāo)準(zhǔn)，可以用來計(jì)算管線的節(jié)點(diǎn)參數(shù)，為計(jì)算管線節(jié)點(diǎn)參數(shù)奠定了基礎(chǔ)，也為后續(xù)的預(yù)測(cè)管線能耗提供了數(shù)據(jù)保障。

1 大數(shù)據(jù)預(yù)測(cè)模型建立

1.1 大數(shù)據(jù)平臺(tái)

大數(shù)據(jù)平臺(tái)由三個(gè)數(shù)據(jù)集構(gòu)成：初始數(shù)據(jù)集、存儲(chǔ)數(shù)據(jù)集和應(yīng)用數(shù)據(jù)集。雙管摻水流程大數(shù)據(jù)平臺(tái)的特點(diǎn)是數(shù)量大、種類多、更新快、季節(jié)性明顯。數(shù)量大：數(shù)據(jù)“量的大小”是直接影響所建立預(yù)測(cè)模型準(zhǔn)確程度的主要因素之一，數(shù)據(jù)越多，預(yù)測(cè)模型的精度越高；種類多：如管道起點(diǎn)和終點(diǎn)壓力、起點(diǎn)和終點(diǎn)溫度、環(huán)境溫度、管線輸量等，通過多個(gè)參數(shù)得到多元預(yù)測(cè)模型，并向水力熱力理論公式靠攏，增強(qiáng)了預(yù)測(cè)模型的理論性；更新快：各基礎(chǔ)參數(shù)的采集采用數(shù)字化技術(shù)，按設(shè)定頻次定時(shí)采集，不間斷更新；季節(jié)性明顯：管線各基礎(chǔ)參數(shù)，尤其是熱力參數(shù)受季節(jié)變化影響較大，由于冬夏氣溫差異較大，管線運(yùn)行參數(shù)的變化也較為明顯。雙管摻水流程大數(shù)據(jù)平臺(tái)的結(jié)構(gòu)與特點(diǎn)如圖1所示。

圖1 大數(shù)據(jù)平臺(tái)結(jié)構(gòu)特點(diǎn)Fig.1 Structural characteristics of big data platform

1.2 熱力預(yù)測(cè)模型

基于傳統(tǒng)傳熱系數(shù)的計(jì)算方法，即軸向溫降基本公式，也稱作舒霍夫溫降公式[14]，可以看出采出液溫度的變化受土壤環(huán)境溫度、管徑、管道長度、流量、采出液比熱容等參數(shù)的影響。舒霍夫溫降公式表達(dá)式為

式中：T2為管線終點(diǎn)溫度，℃；T0為環(huán)境溫度，℃；T1為管線起點(diǎn)溫度，℃；L為管道長度，m；a為參數(shù)，無量綱；G為油井產(chǎn)液量，kg/s；C為井口采出液比熱容，J/(kg·℃)；D為管道直徑，m；K為管道傳熱系數(shù)實(shí)際值，W/(m2·℃)。

由上式得出管線傳熱系數(shù)的基本公式（3）。

但在現(xiàn)場(chǎng)實(shí)際運(yùn)行過程中，不同管道的傳熱系數(shù)還與管道內(nèi)結(jié)蠟厚度、保溫層完整性、管道直徑、土壤溫度等數(shù)據(jù)相關(guān)。因此，僅通過理論公式的計(jì)算難以滿足現(xiàn)場(chǎng)的實(shí)際應(yīng)用，需要建立以油田數(shù)字系統(tǒng)為基礎(chǔ)的大數(shù)據(jù)平臺(tái)，將難以直接測(cè)量的多組固定參數(shù)降維處理[15]。對(duì)于同一條管道來說，C、π、D、L等參數(shù)是固定不變的，因此將這些參數(shù)全部融合到新的參數(shù)A中，同時(shí)，由于擬合管道傳熱系數(shù)的目的是計(jì)算管道終點(diǎn)的溫度，因此利用參數(shù)A、B將模型中的T2隱去，用新的回歸關(guān)系式的形式來表示簡化后的熱力模型為

式中：A、B均為待回歸參數(shù)，無量綱。

1.3 水力預(yù)測(cè)模型

在水力參數(shù)方面，主要針對(duì)水力摩阻系數(shù)進(jìn)行研究，水力摩阻系數(shù)是與起終點(diǎn)壓力、混輸流量、管道外徑和管道長度相關(guān)的參數(shù)，將混輸水力模型簡化為與起點(diǎn)和終點(diǎn)壓力、流量相關(guān)的數(shù)學(xué)模型，如式（5），得到水力摩阻系數(shù)的理論公式，從而對(duì)此理論公式進(jìn)行修正，最后得出實(shí)際管線水力摩阻系數(shù)的回歸模型。

聯(lián)立式（5）與式（6）得

式中：λ為管線水力摩阻系數(shù)；L為管道長度，m；D為管道內(nèi)徑，m；V為混合物平均流速，m/s；p1、p2分別為管線起點(diǎn)和終點(diǎn)壓力，MPa；Q為井口產(chǎn)液量，m3/s；g為重力加速度，m/s2；ρ為井口采出液密度，kg/m3。

同管道傳熱系數(shù)，對(duì)于同一條管道來說，ρ、π、D、L等參數(shù)是固定不變的，因此將這些參數(shù)全部融合到新的參數(shù)A′中。同時(shí)，由于擬合水力摩阻系數(shù)的目的是計(jì)算管道終點(diǎn)的壓力，因此利用參數(shù)A′、B′將模型中的p2隱去，用新的回歸關(guān)系式的形式來表示簡化后的水力模型為

式中：A′、B′均為待回歸參數(shù)，無量綱。

由于Q的數(shù)量級(jí)較小，擬合后系數(shù)的數(shù)量級(jí)極小，因此將Q的單位改為m3/h后再進(jìn)行擬合。

2 BP神經(jīng)網(wǎng)絡(luò)模型

2.1 BP神經(jīng)網(wǎng)絡(luò)模型建立

雙管摻水流程水力熱力運(yùn)行參數(shù)的BP 神經(jīng)網(wǎng)絡(luò)模型具體搭建過程如下：

（1）建立大數(shù)據(jù)平臺(tái)。進(jìn)行收集數(shù)據(jù)，數(shù)據(jù)預(yù)處理，大數(shù)據(jù)清洗、分類與儲(chǔ)存等。

（2）數(shù)據(jù)集劃分。從建立好的大數(shù)據(jù)庫中提取待預(yù)測(cè)的數(shù)據(jù)集，將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集。先用訓(xùn)練集訓(xùn)練模型，再通過測(cè)試集對(duì)訓(xùn)練的模型進(jìn)行測(cè)試，導(dǎo)入訓(xùn)練集數(shù)據(jù)，檢驗(yàn)?zāi)Ｐ褪欠窈侠怼?/p>

（3）確定隱含層數(shù)及神經(jīng)元數(shù)。本項(xiàng)目在以往的BP 神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上進(jìn)行簡化，建立三層神經(jīng)網(wǎng)絡(luò)模型，設(shè)置單隱層，且該隱層僅設(shè)置一個(gè)神經(jīng)元，輸入層和輸出層也各含一個(gè)神經(jīng)元。

（4）設(shè)置超參數(shù)。設(shè)置神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的學(xué)習(xí)率、迭代的總次數(shù)和輸出預(yù)測(cè)結(jié)果的步長。這些超參數(shù)決定了預(yù)測(cè)速度及結(jié)果的準(zhǔn)確度。

（5）構(gòu)造損失函數(shù)。以訓(xùn)練集中數(shù)據(jù)的預(yù)測(cè)值和實(shí)際值的二維歐式距離之和，即總誤差和最小構(gòu)造損失函數(shù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型。

（6）訓(xùn)練模型。根據(jù)初始設(shè)置超參數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，通過BP 神經(jīng)網(wǎng)絡(luò)中的誤差反向傳播算法修正權(quán)重w和偏置b，直至損失函數(shù)達(dá)到最小值，認(rèn)為此時(shí)的w和b為該組數(shù)據(jù)集下最右的權(quán)重與偏置。

（7）得到預(yù)測(cè)模型。根據(jù)步驟（6）中預(yù)測(cè)得到的w和b，建立轉(zhuǎn)油站系統(tǒng)管線運(yùn)行水力熱力參數(shù)—管線傳熱系數(shù)和水力摩阻系數(shù)的預(yù)測(cè)模型。

（8）檢驗(yàn)?zāi)Ｐ汀?dǎo)入測(cè)試集數(shù)據(jù)，通過預(yù)測(cè)的模型計(jì)算得出計(jì)算值，再與實(shí)際值進(jìn)行比較，檢驗(yàn)誤差結(jié)果是否在設(shè)置的運(yùn)行范圍內(nèi)。

模型具體搭建過程如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型流程Fig.2 BP neural network model flow

2.2 BP神經(jīng)網(wǎng)絡(luò)模型求解

對(duì)大慶油田某計(jì)量間及其所轄6口采油井運(yùn)用上述搭建的BP 神經(jīng)網(wǎng)絡(luò)模型，采集超過700 組現(xiàn)場(chǎng)運(yùn)行數(shù)據(jù)，訓(xùn)練管線傳熱系數(shù)和水力摩阻系數(shù)，計(jì)算方程中的權(quán)重、偏置等參數(shù)。各管線傳熱系數(shù)與水力摩阻系數(shù)計(jì)算模型的訓(xùn)練結(jié)果見表1。

表1 各管線計(jì)算模型訓(xùn)練結(jié)果Tab.1 Training results of each pipeline calculation model

經(jīng)過以上步驟可以得出管線傳熱系數(shù)和水力摩阻系數(shù)的計(jì)算方程。為檢驗(yàn)計(jì)算方程的準(zhǔn)確性，通過計(jì)算預(yù)測(cè)值與實(shí)際值之間的偏差，從客觀數(shù)字的角度上分析預(yù)測(cè)結(jié)果的準(zhǔn)確性。引入平均相對(duì)誤差概念，平均相對(duì)誤差=，根據(jù)平均相對(duì)誤差的計(jì)算值是否在工程允許的范圍內(nèi)來判斷預(yù)測(cè)方程的可行性。通過實(shí)際值和預(yù)測(cè)方程得出的計(jì)算值來計(jì)算該組數(shù)據(jù)的平均相對(duì)誤差，繪制各訓(xùn)練結(jié)果的誤差曲線，來判斷預(yù)測(cè)方程的準(zhǔn)確程度。各管線傳熱系數(shù)與水力摩阻系數(shù)的相對(duì)誤差如表2所示，誤差曲線如圖3與圖4所示。

表2 各管線計(jì)算模型相對(duì)誤差Tab.2 Relative error of each pipeline calculation model

圖3 傳熱系數(shù)誤差曲線Fig.3 Error curve of heat transfer coefficient

圖4 水力摩阻系數(shù)誤差曲線Fig.4 Error curve of hydraulic friction coefficient

通過分析管線傳熱系數(shù)誤差曲線可以看出，存在一個(gè)新參數(shù)?=Gln(T1-T0)，使得管線傳熱系數(shù)隨之變化。6口采油井的管線傳熱系數(shù)K*均隨著的?的增大而增大，呈線性關(guān)系。管線傳熱系數(shù)相對(duì)誤差最小的是井4，為2.186%，而相對(duì)誤差最大的是井1，為3.344%，均滿足工程計(jì)算所需的精度。

通過分析水力摩阻系數(shù)誤差曲線可以看出，存在一個(gè)新參數(shù)σ=，使得水力摩阻系數(shù)隨之變化。6口采油井集輸管線的水力摩阻系數(shù)λ*均隨著σ的增大而增大，呈線性關(guān)系。水力摩阻系數(shù)相對(duì)誤差最小的是井3，為3.564%，而水力摩阻系數(shù)相對(duì)誤差最大的是井4，為4.716%，均滿足工程計(jì)算所需的精度。

經(jīng)計(jì)算，各集輸管道的管線傳熱系數(shù)和水力摩阻系數(shù)的平均相對(duì)誤差均在工程允許的誤差范圍內(nèi)，因此認(rèn)為此BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)于管線傳熱系數(shù)以及水力摩阻系數(shù)計(jì)算方程的預(yù)測(cè)準(zhǔn)確性高，回歸后的方程可以用于該計(jì)量間集輸管線的實(shí)際運(yùn)行參數(shù)計(jì)算。

3 結(jié)論

構(gòu)建了雙管摻水流程大數(shù)據(jù)平臺(tái)，通過python語言編程，建立了BP 神經(jīng)網(wǎng)絡(luò)管線傳熱系數(shù)和水力摩阻系數(shù)的回歸預(yù)測(cè)模型，并通過迭代自修正權(quán)重和偏置，經(jīng)過參數(shù)的降維處理校正了傳統(tǒng)的計(jì)算公式。對(duì)所建立的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，發(fā)現(xiàn)大慶油田某計(jì)量間所轄6口井集輸管道的管線傳熱系數(shù)和水力摩阻系數(shù)的平均相對(duì)誤差均小于5%，滿足實(shí)際工程計(jì)算的精度，因此所建立的模型可以用來計(jì)算現(xiàn)場(chǎng)管道實(shí)際運(yùn)行參數(shù)，也為各管段的節(jié)點(diǎn)計(jì)算以及后期的能耗預(yù)測(cè)分析打下了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。