油氣田采出水結(jié)垢趨勢(shì)評(píng)價(jià)方法與展望

高家朋，魚 濤，屈撐囤，郭志強(qiáng)，單巧麗

（1.西安石油大學(xué)化學(xué)化工學(xué)院，陜西 西安 710065；2.陜西省油氣田環(huán)境污染控制技術(shù)與儲(chǔ)層保護(hù)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710065；3.長(zhǎng)慶工程設(shè)計(jì)有限公司，陜西 西安 710065）

當(dāng)前，我國(guó)大部分油田開發(fā)進(jìn)入中后期，普遍采用注水開發(fā)技術(shù)[1]使其保持地層壓力以提高原油采出率。出于水資源短缺以及經(jīng)濟(jì)的考量，目前大多采用采出水回注的技術(shù)[2]，而回注水大多礦化度較高，油井管道結(jié)垢嚴(yán)重，給油田的安全生產(chǎn)以及經(jīng)濟(jì)效益帶來嚴(yán)重影響。因此，更為系統(tǒng)全面的結(jié)垢趨勢(shì)預(yù)測(cè)以及較高的普遍適用性的結(jié)垢模型的建立，這對(duì)油田生產(chǎn)開發(fā)具有重要意義。

油田采出水結(jié)垢類型一般有無機(jī)鹽結(jié)垢[3]（如生成CaCO3沉淀、CaSO4沉淀等）、微生物腐蝕結(jié)垢[4]（如硫酸鹽還原菌、硫細(xì)菌及鐵細(xì)菌大量繁殖結(jié)垢）以及電化學(xué)腐蝕結(jié)垢等，其中最為常見、危害也最大的結(jié)垢類型是無機(jī)鹽結(jié)垢，因此針對(duì)該結(jié)垢類型的預(yù)測(cè)研究也最為廣泛全面。本文把當(dāng)前結(jié)垢預(yù)測(cè)方法分為機(jī)理性結(jié)垢預(yù)測(cè)、神經(jīng)網(wǎng)絡(luò)模型分析兩種類型進(jìn)行梳理總結(jié)，以期為將來高效準(zhǔn)確的采出水結(jié)垢預(yù)測(cè)研究提供參考。

1 機(jī)理性結(jié)垢預(yù)測(cè)及軟件開發(fā)應(yīng)用

機(jī)理性結(jié)垢預(yù)測(cè)公式的得出多經(jīng)過大量室內(nèi)實(shí)驗(yàn)，結(jié)合結(jié)垢機(jī)理初步得出經(jīng)驗(yàn)公式，并進(jìn)一步結(jié)合現(xiàn)場(chǎng)實(shí)際情況對(duì)經(jīng)驗(yàn)公式進(jìn)行修改，其中較為經(jīng)典的公式有Langelier 飽和指數(shù)法[5]、Ryznar 穩(wěn)定指數(shù)法[6]、Davis-Stiff 飽和指數(shù)法[7]、Skillman 熱力學(xué)溶解度法[8]、Oddo-Tomson 飽和指數(shù)法[9]等。另一方面，隨著計(jì)算機(jī)軟件程序設(shè)計(jì)的成熟發(fā)展，基于這些經(jīng)驗(yàn)公式的軟件也隨之得到開發(fā)并利用，如ScaleChem 軟件等。

1.1 機(jī)理性結(jié)垢預(yù)測(cè)模型

1.1.1 Langelier 飽和指數(shù)法 早期就有研究員Tillmans 對(duì)碳酸鹽結(jié)垢進(jìn)行研究，他指出平衡條件不僅表明水結(jié)垢的趨勢(shì)，而且表明其腐蝕性能。之后Tillmans 的工作得到了幾位研究人員的擴(kuò)展，直到1934年，Langelier 形成了一個(gè)闡述碳酸鹽平衡條件的方程式。通過使用這個(gè)方程，可以計(jì)算平衡時(shí)水的pH值。如果實(shí)際pH 值高于計(jì)算的pH 值，則水有形成水垢的趨勢(shì)。如果它較低，則水具有溶解碳酸鈣的趨勢(shì)。

式中：SI-飽和指數(shù)（the Saturation Index），正指數(shù)表示水垢形成，負(fù)指數(shù)表示腐蝕；pH-實(shí)際確定的水樣的pH 值；pHS-CaCO3溶解平衡時(shí)的pH 值；K-常數(shù)，其值取決于總鹽濃度和溫度；pCa-鈣濃度（mol/L）的負(fù)對(duì)數(shù)；pAIK-總堿度（mol/L）的負(fù)對(duì)數(shù)。

張利等[10]以Langelier 飽和指數(shù)法為參考，以球霰石溶度積和碳酸氫根離子活度系數(shù)為相關(guān)參數(shù)建立了基于球霰石飽和指數(shù)的碳酸鈣結(jié)垢趨勢(shì)預(yù)測(cè)模型，準(zhǔn)確率高達(dá)90%。曲立英[11]利用Langelier 飽和指數(shù)法針對(duì)注水管柱結(jié)垢進(jìn)行了分析預(yù)測(cè)，最終在防垢方面得出有效的結(jié)論。

1.1.2 Davis-Stiff 飽和指數(shù)法 通過這個(gè)Langelier 飽和指數(shù)法控制淡水處理多年來一直是標(biāo)準(zhǔn)的教科書實(shí)踐，該方程已被證明適用于總固體濃度高達(dá)0.4%的水。然而，大多數(shù)油田水含有超過0.4%的鹽分，因此通過經(jīng)驗(yàn)方法，Davis 和Stiff 將Langelier 飽和指數(shù)法的應(yīng)用擴(kuò)展到高鹽濃度的水域。通過使用該方程，可以預(yù)測(cè)油田水沉積碳酸鈣的趨勢(shì)。

事實(shí)上，由于Langelier 飽和指數(shù)法主要應(yīng)用于淡水結(jié)垢情況之中，而不同的鹽對(duì)K 值的影響程度不同，在淡水中這種影響可以忽略不計(jì)，但在鹽水中必須考慮到這一點(diǎn)。Stiff 等通過用離子強(qiáng)度代替總鹽濃度來獲得校正，得到各種離子強(qiáng)度下的K 值，進(jìn)而對(duì)Langelier 飽和指數(shù)法進(jìn)行擴(kuò)展。

式中：SI-飽和指數(shù)（the Saturation Index），正指數(shù)表示水垢形成，負(fù)指數(shù)表示腐蝕；pH-實(shí)際確定的水樣的pH 值；pHS-CaCO3溶解平衡時(shí)的pH 值；K-修正系數(shù)，由不同溫度時(shí)離子強(qiáng)度（μ）與修正系數(shù)（K）的關(guān)系圖可查得；pCa-鈣濃度（mol/L）的負(fù)對(duì)數(shù)；pAIK-總堿度（mol/L）的負(fù)對(duì)數(shù)。

劉書杰等[12]利用Davis-Stiff 飽和指數(shù)法對(duì)中東M油田地層水與注入水進(jìn)行結(jié)垢趨勢(shì)預(yù)測(cè)，開展了化學(xué)防垢優(yōu)選和金屬防垢器防垢效果評(píng)價(jià)，優(yōu)選復(fù)配后的復(fù)合防垢劑HSI 取得了良好的防垢效果，從而控制了注入成本。陳海陽(yáng)等[13]基于Davis-Stiff 飽和指數(shù)法、Oddo-Tomson 飽和指數(shù)法以及結(jié)垢最大量預(yù)測(cè)方程，建立了長(zhǎng)慶油田多層系集輸結(jié)垢預(yù)測(cè)模型，在實(shí)際應(yīng)用中有良好的適應(yīng)性。

1.1.3 Ryznar 穩(wěn)定指數(shù)法 Langelier 飽和指數(shù)法的應(yīng)用重點(diǎn)是市政供水系統(tǒng)中水管的腐蝕保護(hù)，在確定水（就碳酸鈣而言）是否在結(jié)垢或腐蝕方面是有益的。然而，飽和指數(shù)在預(yù)測(cè)這一點(diǎn)時(shí)并不總是可靠的，因?yàn)橐恍┚哂姓笖?shù)的水實(shí)際上可能具有很強(qiáng)的腐蝕性。為了消除將正飽和指數(shù)誤解為無腐蝕或結(jié)垢的可能性，Ryznar 采用新的經(jīng)驗(yàn)表達(dá)式。

式中：SI-穩(wěn)定指數(shù)（the Stability Index），SAI>6，結(jié)垢較輕；SAI≤6，結(jié)垢嚴(yán)重；pH-實(shí)際確定的水樣的pH值；pHS-CaCO3溶解平衡時(shí)的pH 值。

吳新民等[14]利用Ryznar 穩(wěn)定指數(shù)法對(duì)姬塬油田注入水與地層水進(jìn)行配伍性研究，得出該油田注入水與采出水配伍性差而產(chǎn)生的結(jié)垢現(xiàn)象是造成姬塬長(zhǎng)8 儲(chǔ)層注水壓力高的主要原因之一的結(jié)論。

1.1.4 Skillman 熱力學(xué)溶解度法 Skillman 利用熱力學(xué)條件的影響和沉淀-溶解平衡理論預(yù)測(cè)了硫酸鈣的結(jié)垢趨勢(shì)，已被列為油田標(biāo)準(zhǔn)（SY/T 5523—2016《油田水分析方法》（現(xiàn)行））。

式中：S-CaSO4結(jié)垢預(yù)測(cè)值，mmol/L；KSP-溶度積常數(shù)，由水的離子強(qiáng)度（μ）和溫度的關(guān)系曲線查得；XCa2+與SO42-的濃度差，mmol/L。

馬云等[15]采用Skillman 熱力學(xué)溶解度法對(duì)吳定區(qū)塊各層系采出水進(jìn)行不同配比的結(jié)垢預(yù)測(cè)，得出該區(qū)域多層系開發(fā)油井集輸管線中的堵塞物主要是由結(jié)垢和腐蝕的相互作用引起的無機(jī)物。林剛等[16]采用Ryznar 穩(wěn)定指數(shù)法以及Skillman 熱力學(xué)溶解度法對(duì)閃蒸分液罐罐水分別進(jìn)行碳酸鈣與硫酸鈣的結(jié)垢預(yù)測(cè)，得出污水站結(jié)垢主要原因是產(chǎn)出水不配伍。

1.1.5 Oddo-Tomson 飽和指數(shù)法 雖然已經(jīng)有很多研究人員（如Langelier、Stiff，Davis 等）總結(jié)了許多飽和指數(shù)公式來確定結(jié)垢是否、何時(shí)以及在何處發(fā)生并在油田中廣泛使用，但預(yù)測(cè)潛在的結(jié)垢問題依然可能是一件很困難的事情。Oddo 等對(duì)碳酸鹽垢預(yù)測(cè)方法進(jìn)行了改進(jìn)，主要是通過考慮井中CO2溶解度隨溫度、壓力、含水率和存在的碳?xì)浠衔锏暮瘮?shù)的逸度效應(yīng)和變化的修正項(xiàng)來進(jìn)一步確定CaCO3飽和度指數(shù)；其中硫酸鹽垢預(yù)測(cè)方法（用于石膏、半水合物和硬石膏）易于使用、可靠，并且專為未經(jīng)化學(xué)培訓(xùn)的操作員現(xiàn)場(chǎng)使用而設(shè)計(jì)。Oddo-Tomson 飽和指數(shù)法可應(yīng)用于任何出現(xiàn)碳酸鈣、硫酸鈣、硫酸鍶或硫酸鋇結(jié)垢的生產(chǎn)井,該方法不需要測(cè)量pH 值，并且可以適應(yīng)系統(tǒng)中存在的弱酸（例如H2S）和弱有機(jī)酸。

倪兵等[17]采用Oddo-Tomson 飽和指數(shù)法對(duì)高鈣鎂海水中的硫酸鈣進(jìn)行結(jié)垢預(yù)測(cè)，得出在該環(huán)境下的結(jié)垢預(yù)測(cè)趨勢(shì)預(yù)測(cè)范圍，并提出研究離子濃度與Oddo-Tomson 飽和指數(shù)法相結(jié)合，可以更準(zhǔn)確地預(yù)測(cè)硫酸鈣的結(jié)垢趨勢(shì)。程杰成等[18]以O(shè)ddo-Tomson 飽和指數(shù)法和硅鉬黃法測(cè)定低聚硅為基礎(chǔ)，建立了大慶油田三元復(fù)合驅(qū)鈣、硅混合垢各階段結(jié)垢的量化預(yù)測(cè)方法。袁存光等[19]采用Oddo-Tomson 飽和指數(shù)法考察含硫酸鹽的鹵水輸送管道的硫酸鈣結(jié)垢趨勢(shì)并確定判斷方法，預(yù)測(cè)結(jié)果與現(xiàn)場(chǎng)采集的結(jié)垢樣品的分析結(jié)果基本一致。王新強(qiáng)等[20]利用Oddo-Tomson 飽和指數(shù)法對(duì)陜北某氣田氣液降壓分離系統(tǒng)污水結(jié)垢原因進(jìn)行分析，并成功研究出防垢方法。

1.2 相關(guān)軟件開發(fā)及應(yīng)用

1.2.1 OLI ScaleChem 軟件 總部位于美國(guó)新澤西州的OLI Systems 公司是一家知識(shí)密集型企業(yè)，自創(chuàng)立起一直深耕電解質(zhì)和水化學(xué)計(jì)算分析領(lǐng)域，迄今已有五十余年的發(fā)展歷史。其軟件產(chǎn)品被廣泛應(yīng)用于油氣、化工、礦產(chǎn)、電力、水處理、環(huán)保、學(xué)術(shù)研究等行業(yè)，其中產(chǎn)品ScaleChem 被開發(fā)用來預(yù)測(cè)石油和天然氣生產(chǎn)、工業(yè)水處理和相關(guān)應(yīng)用過程中結(jié)垢問題的經(jīng)典產(chǎn)品，其全面的熱力學(xué)框架和靈活、優(yōu)化的界面允許進(jìn)行多種類型的生產(chǎn)化學(xué)計(jì)算等優(yōu)勢(shì)使得廣大結(jié)垢方面的研究者所青睞。

謝娟等[21]通過采用ScaleChem 軟件對(duì)稠化酸返排液與注入水的不同配比混摻進(jìn)行結(jié)垢預(yù)測(cè)分析，結(jié)合預(yù)測(cè)結(jié)果分析得出稠化酸返排液混摻比例不少于60%。柯從玉等[22]通過采用ScaleChem 軟件在實(shí)驗(yàn)室對(duì)延長(zhǎng)油田采出水與地表水以及淺層水的配伍進(jìn)行結(jié)垢預(yù)測(cè)分析并結(jié)合現(xiàn)場(chǎng)實(shí)驗(yàn)得出最優(yōu)加藥配方體系。王雨等[23]采用ScaleChem 軟件模擬凈化水在地層條件下的結(jié)垢趨勢(shì)，得出污水配制聚合物溶液的配方。暢平等[24]采用ScaleChem 軟件對(duì)采出水及其與地表水、地層水的配伍進(jìn)行結(jié)垢預(yù)測(cè)，得出延長(zhǎng)油田長(zhǎng)2 儲(chǔ)層采出水的復(fù)配絮凝處理工藝。朱本智等[25]采用Scale-Chem 軟件對(duì)渤西油氣處理廠的水質(zhì)進(jìn)行結(jié)垢分析，調(diào)整了加藥濃度與注藥方式，成功控制了該處理廠污水泵結(jié)垢問題。

1.2.2 其他軟件 崔付義等[26]基于Oddo-Tomson 飽和指數(shù)法、Langelier 飽和指數(shù)法以及Ryznar 穩(wěn)定指數(shù)法3 種結(jié)垢預(yù)測(cè)模型，并針對(duì)勝利油田具體注水特征，研制了可進(jìn)行無機(jī)結(jié)垢預(yù)測(cè)的“油井堵塞診斷與解堵決策系統(tǒng)”（Plug1.1）工程軟件，預(yù)測(cè)結(jié)果與實(shí)驗(yàn)結(jié)果較好吻合。

閆方平等[27]利用預(yù)測(cè)軟件OFISTP3.0 對(duì)中原油田文72 塊注水井進(jìn)行了結(jié)垢預(yù)測(cè)，預(yù)測(cè)結(jié)果與現(xiàn)場(chǎng)情況基本一致。

2 神經(jīng)網(wǎng)絡(luò)模型分析

幾年前，阿爾法狗接連戰(zhàn)勝人類頂尖圍棋高手，一度讓大家對(duì)人工智能產(chǎn)生好奇與關(guān)注。其實(shí)人工智能技術(shù)早在幾十年前就提出，而人工智能的關(guān)鍵技術(shù)之一就是深度學(xué)習(xí)。值得說明的是，深度學(xué)習(xí)是以神經(jīng)網(wǎng)絡(luò)為主要模型的，其主要原因是神經(jīng)網(wǎng)絡(luò)模型可以使用誤差反向傳播算法，從而可以比較好地解決貢獻(xiàn)度分配問題[28]。而其實(shí)在阿爾法狗出現(xiàn)之前，以深度學(xué)習(xí)為代表的人工智能技術(shù)已經(jīng)在模式識(shí)別、計(jì)算機(jī)視覺、語(yǔ)音識(shí)別與生成、自然語(yǔ)言處理、機(jī)器翻譯等方面取得了重要進(jìn)步[29]。因此，2018年圖靈獎(jiǎng)?lì)C給了對(duì)深度學(xué)習(xí)作出重要貢獻(xiàn)的三位科學(xué)家：Yoshua Bengio、Geoffrey Hinton 和Yann LeCun。

2.1 部分神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)是指一系列受生物學(xué)和神經(jīng)科學(xué)啟發(fā)的數(shù)學(xué)模型。這些模型主要是通過對(duì)人腦的神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，構(gòu)建人工神經(jīng)元，并按照一定拓?fù)浣Y(jié)構(gòu)來建立人工神經(jīng)元之間的連接，來模擬生物神經(jīng)網(wǎng)絡(luò)。在人工智能領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)也常常簡(jiǎn)稱為神經(jīng)網(wǎng)絡(luò)[30]。

基本的深度學(xué)習(xí)相當(dāng)于函數(shù)逼近問題，即函數(shù)或曲面的擬合，所不同的是，這里用作基礎(chǔ)函數(shù)的是非線性的神經(jīng)網(wǎng)絡(luò)函數(shù)[31]。由于神經(jīng)網(wǎng)絡(luò)的非線性與復(fù)雜性，使得它具有更強(qiáng)的表達(dá)能力[32]，即從給定的神經(jīng)網(wǎng)絡(luò)函數(shù)族中可能找到對(duì)特定數(shù)據(jù)集擬合得更好的神經(jīng)網(wǎng)絡(luò)。而在油田采出水結(jié)垢問題上，一方面，結(jié)垢機(jī)理尚不明確，成垢大多是由混合垢形式形成，垢共沉積過程相互影響的研究相對(duì)較少；另一方面，實(shí)際現(xiàn)場(chǎng)環(huán)境影響因素極其復(fù)雜，各個(gè)油田甚至同一個(gè)油田的各個(gè)油井都可能有不同的特征，很難找到一個(gè)準(zhǔn)確而全面的機(jī)理性的公式。因此，一些研究人員借助神經(jīng)網(wǎng)絡(luò)強(qiáng)大的表現(xiàn)能力開展了一系列的結(jié)垢研究。

2.1.1 BP 神經(jīng)網(wǎng)絡(luò)的應(yīng)用 給定一組神經(jīng)元，可以將神經(jīng)元作為節(jié)點(diǎn)來構(gòu)建一個(gè)網(wǎng)絡(luò)。不同的神經(jīng)網(wǎng)絡(luò)模型有著不同網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)。前饋網(wǎng)絡(luò)是一種比較直接的拓?fù)浣Y(jié)構(gòu)[33]。在前饋神經(jīng)網(wǎng)絡(luò)中，各神經(jīng)元分別屬于不同的層，每一層的神經(jīng)元可以接收前一層神經(jīng)元的信號(hào)，并產(chǎn)生信號(hào)輸出到下一層。第0 層為輸入層，最后一層為輸出層，其他中間層為隱藏層。整個(gè)網(wǎng)絡(luò)中無反饋，信號(hào)從輸入層向輸出層單向傳播（圖1）。BP 神經(jīng)網(wǎng)絡(luò)則是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)（圖2）。換言之，相較于單純前饋神經(jīng)網(wǎng)絡(luò)只有前向傳播的過程以外，BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)還具有反向傳遞調(diào)整參數(shù)的過程，因此BP 神經(jīng)網(wǎng)絡(luò)也同樣是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[34]。

圖1 前饋神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

圖2 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

從結(jié)構(gòu)上講，BP 神經(jīng)網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層，因此在構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)結(jié)垢趨勢(shì)的過程中，關(guān)鍵的參數(shù)有輸入向量、神經(jīng)元、激活函數(shù)[35]。

（1）輸入向量：輸入向量包含在輸出層，所有輸入向量的加權(quán)和即為一個(gè)神經(jīng)元所獲得的輸入信號(hào)的加權(quán)和，稱之為神經(jīng)元的凈輸入。每個(gè)輸入向量的選擇應(yīng)該是影響輸出向量因素較大的一部分參數(shù)。

（2）神經(jīng)元：神經(jīng)元即為隱藏網(wǎng)絡(luò)層中的節(jié)點(diǎn)，節(jié)點(diǎn)賦有初始的權(quán)重與閾值，權(quán)重即每個(gè)神經(jīng)元所占的份量，而閾值則為偏置項(xiàng)，相當(dāng)于多元線性回歸中的常數(shù)項(xiàng)。在誤差反向傳播過程中，不斷修改節(jié)點(diǎn)的原有權(quán)重與閾值，以致無限接近輸出向量。此外，神經(jīng)元數(shù)量選擇會(huì)導(dǎo)致不同的后果，選擇過少，則會(huì)出現(xiàn)欠擬合；選擇過多，則會(huì)出現(xiàn)過擬合。

（3）激活函數(shù)：一層神經(jīng)元的凈輸入需要經(jīng)過非線性函數(shù)作用后，得到下一層神經(jīng)元的參數(shù)，這傳遞過程就是前饋傳播。其中的非線性函數(shù)即為激活函數(shù)。激活函數(shù)是為了增強(qiáng)網(wǎng)絡(luò)的表示能力和學(xué)習(xí)能力，因此該函數(shù)的選擇是非常重要的?，F(xiàn)代神經(jīng)元的激活通常要求是連續(xù)可導(dǎo)（允許少數(shù)點(diǎn)上不可導(dǎo)）的非線性函數(shù)?？蓪?dǎo)的激活函數(shù)可以直接利用數(shù)值優(yōu)化的方法來學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，并且該函數(shù)及其導(dǎo)函數(shù)要盡可能簡(jiǎn)單，這樣有利于提高網(wǎng)絡(luò)計(jì)算效率，他們的值域也要在一個(gè)合適的區(qū)間內(nèi)，否則會(huì)影響訓(xùn)練的效率和穩(wěn)定性。常見的激活函數(shù)有sigmoid 型函數(shù)，指一類S 型曲線函數(shù)，為兩端飽和函數(shù)[36]。常用的sigmoid 函數(shù)有Logistic 函數(shù)、Tanh 函數(shù)。

李帥等[37]利用BP 神經(jīng)網(wǎng)絡(luò)建立了三層ANNs 結(jié)構(gòu)，可靠地預(yù)測(cè)地?zé)崃黧w在井筒中結(jié)垢位置。袁兆褀等[38]采用通過測(cè)得川西北氣礦邛西區(qū)塊產(chǎn)出水的一系列水質(zhì)參數(shù)，并利用這些參數(shù)合理地建立神經(jīng)網(wǎng)絡(luò)的結(jié)垢預(yù)測(cè)模型，并最終用現(xiàn)場(chǎng)實(shí)測(cè)情況驗(yàn)證模型的準(zhǔn)確性，結(jié)果表明，該模型可以準(zhǔn)確預(yù)測(cè)邛西區(qū)塊天然氣集輸管道的結(jié)垢。付亞榮等[39]運(yùn)用BP 神經(jīng)網(wǎng)絡(luò)模型對(duì)不同油田的采出水地面集輸管網(wǎng)結(jié)垢情況進(jìn)行了預(yù)測(cè)，得到與現(xiàn)場(chǎng)實(shí)際結(jié)果很高的匹配度，相對(duì)誤差不超過8%。

2.1.2 BP 神經(jīng)網(wǎng)絡(luò)的變種應(yīng)用 BP 神經(jīng)網(wǎng)絡(luò)雖然具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，但依然存在如學(xué)習(xí)效率過低、易陷入局部最小等一系列固有缺陷，因此各種基于BP 神經(jīng)網(wǎng)絡(luò)的改進(jìn)算法應(yīng)運(yùn)而生，如模仿鳥群的粒子群算法（PSO）[40]、模仿生物進(jìn)化的遺傳算法（GA）[41]和模仿布谷鳥特性的布谷鳥算法（CS）[42]等。聶勇恒等[43]利用在BP 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行PSO 算法優(yōu)化，結(jié)果表明PSO-BP 神經(jīng)網(wǎng)絡(luò)能夠更好的擬合模型并且其平均相對(duì)誤差更小。

2.1.3 小波神經(jīng)網(wǎng)絡(luò)應(yīng)用 此外，在結(jié)垢方面除了有基于BP 神經(jīng)算法的改進(jìn)研究應(yīng)用外，一些本身優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)的拓?fù)浼軜?gòu)如小波神經(jīng)網(wǎng)絡(luò)也有應(yīng)用。李娜等[44]通過構(gòu)建小波神經(jīng)網(wǎng)絡(luò)模型與BP 神經(jīng)網(wǎng)絡(luò)模型相比，小波神經(jīng)網(wǎng)絡(luò)確實(shí)在收斂速度與學(xué)習(xí)效率上有著不可比擬的優(yōu)勢(shì)。

3 總結(jié)與展望

（1）采出水的結(jié)垢影響因素是非常復(fù)雜的，傳統(tǒng)的結(jié)垢趨勢(shì)預(yù)測(cè)方法理論不僅眾多，而且相關(guān)公式極其繁雜，并且目前大多理論主要針對(duì)單一垢型，而油田采出水結(jié)垢以混合垢為主，因此傳統(tǒng)結(jié)垢趨勢(shì)預(yù)測(cè)方法以及相應(yīng)的結(jié)垢趨勢(shì)預(yù)測(cè)軟件在實(shí)際油田應(yīng)用上會(huì)存在固有弊端。

（2）相較于傳統(tǒng)預(yù)測(cè)方法都是經(jīng)過實(shí)驗(yàn)室靜態(tài)實(shí)驗(yàn)?zāi)M得出，神經(jīng)網(wǎng)絡(luò)模型建立來預(yù)測(cè)結(jié)垢趨勢(shì)更具有實(shí)用性與實(shí)際性，但缺少機(jī)理性的支持，此外神經(jīng)網(wǎng)絡(luò)模型也需要更好的算法進(jìn)一步優(yōu)化。

（3）隨著大數(shù)據(jù)的開發(fā)以及神經(jīng)網(wǎng)絡(luò)的發(fā)展，相信在油田采出水結(jié)垢預(yù)測(cè)方面有更為突出的表現(xiàn)。