人工神經(jīng)網(wǎng)絡(luò)在含蠟原油黏度預(yù)測中的應(yīng)用

王文紅

(國家管網(wǎng)集團北方管道有限責(zé)任公司長春輸油氣分公司,長春 130000)

原油是一種復(fù)雜的多組分有機混合物,主要由烴類和少量非烴類組成,一般成分分為飽和烴、芳烴、樹脂及瀝青質(zhì),有些飽和化合物熔點高,在低溫下容易凝固,當(dāng)溫度下降到一定程度(通常低于80 ℃)時就會從液體中析出,稱之為蠟的膠體[1]。成蠟分子主要是正鏈烷烴和支鏈烷烴,而一些長碳鏈環(huán)烷也可能是成蠟分子。原油的壓力、溫度及成分變化會導(dǎo)致其熱力學(xué)不穩(wěn)定,令瀝青質(zhì)從原油的體相中分離出來。近年來,使用人工神經(jīng)網(wǎng)絡(luò)預(yù)測瀝青質(zhì)沉淀重量百分比的智能模型得到了發(fā)展,而當(dāng)原油在滴定前被任何石蠟稀釋時,模型則不能預(yù)測瀝青質(zhì)的行為。目前,降凝劑處理是保證含蠟原油管道安全經(jīng)濟運行的主要技術(shù)之一,添加適當(dāng)?shù)慕的齽┛娠@著改善含蠟原油的凝點/凝膠點、黏度等流動性能。而原油黏度是影響原油管道蠟質(zhì)沉積的主要因素,對于含有高黏度原油的油藏必須密切監(jiān)測其自由流動的操作溫度,防止蠟沿管道長度沉積,破壞管道的完整性。預(yù)測不準確可能導(dǎo)致管道失效,造成嚴重的環(huán)境污染[2],而流動特性對剪切作用及原油黏度非常敏感,故研究降凝劑處理含蠟原油黏度、建立流動特性的預(yù)測方法具有重要意義。

1 人工神經(jīng)網(wǎng)絡(luò)在含蠟原油黏度預(yù)測中的模型構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)是一種統(tǒng)計處理程序,用于基于生物神經(jīng)網(wǎng)絡(luò)鏈接輸入變量和輸出結(jié)果,具有多層認知網(wǎng)絡(luò),包括輸入層、隱藏層、輸出層。神經(jīng)元是神經(jīng)網(wǎng)絡(luò)中用于數(shù)據(jù)處理的單處理器。每個神經(jīng)元連接到其他神經(jīng)元,這些神經(jīng)元由偏置(b)、傳遞函數(shù)(f)及權(quán)重(w)組成,輸入(x)乘以每個連接的相關(guān)權(quán)重,將神經(jīng)元的偏置加到加權(quán)輸入的和中,輸出是通過對其凈輸入使用線性或非線性傳遞函數(shù)產(chǎn)生的。

(1)

神經(jīng)網(wǎng)絡(luò)是由并行操作的簡單元素組成的,這些元素的靈感來自生物神經(jīng)系統(tǒng)。與自然界一樣,網(wǎng)絡(luò)功能在很大程度上是由元素之間的聯(lián)系決定的,可通過調(diào)整元素之間的連接值(權(quán)重)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)執(zhí)行特定的功能。通常對神經(jīng)網(wǎng)絡(luò)進行調(diào)整或訓(xùn)練,使特定的輸入導(dǎo)致特定的目標輸出,圖1描述了這種情況,基于輸出和目標的比較來調(diào)整網(wǎng)絡(luò),直到網(wǎng)絡(luò)輸出與目標匹配。目前有許多不同類型的人工神經(jīng)網(wǎng)絡(luò)(ANN),如多層感知器(MLP),通常用誤差反向傳播算法、徑向基函數(shù)、自適應(yīng)線性神經(jīng)元和基于自適應(yīng)網(wǎng)絡(luò)的模糊推理系統(tǒng)進行訓(xùn)練。一些人工神經(jīng)網(wǎng)絡(luò)被分類為前饋,而另一些則是循環(huán)的,這取決于數(shù)據(jù)如何通過網(wǎng)絡(luò)處理[3]。另一種對人工神經(jīng)網(wǎng)絡(luò)類型進行分類的方法是根據(jù)其學(xué)習(xí)方法,因為一些人工神經(jīng)網(wǎng)絡(luò)采用監(jiān)督訓(xùn)練,而另一些則是無監(jiān)督或自組織。反向傳播型神經(jīng)網(wǎng)絡(luò)有一個輸入、一個輸出,在大多數(shù)應(yīng)用中有一個隱藏層,神經(jīng)網(wǎng)絡(luò)輸入和輸出的數(shù)量則根據(jù)應(yīng)用特點來確定。

圖1 人工神經(jīng)網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)Fig.1 Network in the artificial neural network model

在大多數(shù)情況下是一個隱藏層,一層的每個神經(jīng)元與前一層的神經(jīng)元相連,通過重復(fù)向前和向后傳播的步驟執(zhí)行所需的學(xué)習(xí)。當(dāng)輸入模式給定時,前向傳播步驟開始。計算激活級別,將結(jié)果通過隱藏層向前傳播,直到到達輸出層。每個處理單元對各自的輸入求和,應(yīng)用一個函數(shù)來計算其輸出。網(wǎng)絡(luò)輸出是在輸出層創(chuàng)建的,輸入層和隱藏層的偏置單元在加權(quán)和中加入常數(shù)項,提高了收斂性。將網(wǎng)絡(luò)的輸出模式與目標向量進行比較,計算隱藏單元的誤差值并改變其權(quán)重。反向傳播從輸出層開始,通過隱藏層向后移動,直到到達輸入層,網(wǎng)絡(luò)拓撲如圖2所示。

圖2 反向傳播多層神經(jīng)網(wǎng)絡(luò)Fig.2 Backpropagation multilayer neural networks

在構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型的初始階段,為其隨機分配了權(quán)重w。在神經(jīng)網(wǎng)絡(luò)中,激活函數(shù)負責(zé)將來自節(jié)點的加權(quán)輸入轉(zhuǎn)換為該節(jié)點的激活或該輸入的輸出。整流線性激活函數(shù)簡稱ReLU,是一個分段線性函數(shù),如果輸入為正,則直接輸出輸入,否則將輸出零。以部署ReLU作為激活函數(shù),可以在獲得良好預(yù)測性能的同時更容易訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)。由于正在構(gòu)建一個回歸模型,因此在ANN模型的輸出層中沒有使用ReLU激活函數(shù),使得人工神經(jīng)網(wǎng)絡(luò)的輸出可以取任何實值。通過測量網(wǎng)絡(luò)的性能迭代調(diào)整網(wǎng)絡(luò)的權(quán)值來訓(xùn)練網(wǎng)絡(luò),這個過程一直持續(xù),直到達到停止標準,即Epoch的個數(shù)。Epoch表示機器學(xué)習(xí)算法完成整個訓(xùn)練數(shù)據(jù)集的次數(shù),表示用所有訓(xùn)練數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)1個周期。所建模型的準確性由損失函數(shù)(也稱為成本函數(shù))決定,損失函數(shù)被認為是均方誤差(MSE),如式(2)所示。

(2)

式中,N為數(shù)據(jù)點個數(shù);Y和Y分別是實際輸出和預(yù)測輸出。過度擬合是訓(xùn)練過程中的主要問題之一,其中生成的人工神經(jīng)網(wǎng)絡(luò)模型只能對已知數(shù)據(jù)集給出準確的預(yù)測,不能對新數(shù)據(jù)集產(chǎn)生良好的預(yù)測。利用早期停止技術(shù)控制了神經(jīng)網(wǎng)絡(luò)模型的過擬合,提高了模型的泛化能力。提前停止方法將整個數(shù)據(jù)集隨機劃分為3個適當(dāng)?shù)淖蛹?包括訓(xùn)練集、驗證集及測試集。訓(xùn)練集用于訓(xùn)練網(wǎng)絡(luò),如更新網(wǎng)絡(luò)權(quán)重和偏差,驗證數(shù)據(jù)集用于確認訓(xùn)練過程。當(dāng)驗證數(shù)據(jù)的誤差增加時,網(wǎng)絡(luò)訓(xùn)練過程停止,將繼續(xù)最小化訓(xùn)練數(shù)據(jù)的誤差。測試集被保護為不可見的數(shù)據(jù),在訓(xùn)練步驟中不應(yīng)用。網(wǎng)絡(luò)訓(xùn)練結(jié)束后,利用測試集驗證訓(xùn)練后網(wǎng)絡(luò)的泛化能力。該模型使用壓力、溫度及黏度作為專有模型的輸入?yún)?shù),避免了在估計原油黏度時常見的不確定性。

2 人工神經(jīng)網(wǎng)絡(luò)在原油黏度預(yù)測中的應(yīng)用

2.1 利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測納米潤滑油黏度

原油黏度通常是在油藏溫度下對井底樣品或在不同油藏壓力下的地面復(fù)合樣品進行等溫測量的。Abedini等[4]利用伊朗不同油藏樣品的大量不飽和油黏度實驗數(shù)據(jù),建立了人工神經(jīng)網(wǎng)絡(luò)(ANN)模型和模糊模型來預(yù)測和計算不飽和油黏度。以壓力、泡點壓力、泡點黏度為輸入數(shù)據(jù),以各系統(tǒng)對應(yīng)的不飽和油黏度為輸入數(shù)據(jù),以對應(yīng)的不飽和原油黏度為目標數(shù)據(jù),對每個神經(jīng)網(wǎng)絡(luò)集都采用單隱層網(wǎng)絡(luò)的反向傳播學(xué)習(xí),在訓(xùn)練算法中實現(xiàn)了縮放共軛梯度、Levenberg-Marquardt (LM)、動量梯度下降、彈性反向傳播和自適應(yīng)學(xué)習(xí)率反向傳播。由于用LM訓(xùn)練的網(wǎng)絡(luò)在訓(xùn)練集上的效果明顯優(yōu)于其他算法,故將其用于不飽和原油黏度預(yù)測的建模。開發(fā)的人工神經(jīng)網(wǎng)絡(luò)模型有1個輸入層、3個隱藏層、1個輸出層,分別有3個、5個、1個神經(jīng)元,如圖3所示。所有實驗數(shù)據(jù)的65%用于訓(xùn)練網(wǎng)絡(luò),其余的用于測試網(wǎng)絡(luò)。圖4為不飽和油黏度的實驗值與人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測值的對比。實驗結(jié)果表明,人工神經(jīng)網(wǎng)絡(luò)模型與模糊模型的結(jié)果與實驗數(shù)據(jù)有較好的一致性。

圖3 人工神經(jīng)網(wǎng)絡(luò)模型Fig.3 Artificial neural network model

圖4 將實驗值與基于人工神經(jīng)網(wǎng)絡(luò)模型的計算值進行比較[4]Fig.4 Comparison of experimental values with the calculated values based on the artificial neural network model

2.2 基于人工神經(jīng)網(wǎng)絡(luò)和遺傳算法的原油黏度預(yù)測

黏度是衡量流體抗剪切應(yīng)力的重要指標,需有效估計各種工況下的油黏度。原油黏度的估算采用原油API度(API)、壓力(P)、飽和壓力(Pb)、儲層溫度(Tf)等變量。Ghorbani等[5]提出了一種基于遺傳算法優(yōu)化的混合群數(shù)據(jù)處理人工神經(jīng)網(wǎng)絡(luò)方法,以獲得有效的多項式相關(guān)性來估計油品黏度。該神經(jīng)網(wǎng)絡(luò)必須能夠表示這種神經(jīng)網(wǎng)絡(luò)的不同長度和大小。圖5顯示了API、P和Tf參數(shù)變化對黏度的影響。

圖5 氣泡點以下(a)API、Tf和黏度的三維圖;(b) API、P和黏度的三維圖;(c) Tf, P和黏度的三維圖[5]Fig.5 (a) 3D diagram of API, Tf and viscosity; (b) 3D maps of API, P and viscosity; (c) Three-dimensional plots of Tf, Pand viscosity below the bubble point

由圖可知,黏度與API和Tf的用量成反比。根據(jù)GMDH法提出了原油黏度的計算公式,利用決策變量繪制三維靈敏度分析圖。由圖5(a)可知,在高API和低API條件下增加Tf對黏度的影響分別為較小和較大。由圖5(b)可知,API在高壓下的變化對黏度的影響大于低壓。從圖5(c)可以看出,在低壓下,隨著Tf的增大,黏度急劇增大。為了獲得更好的性能,采用遺傳算法對相關(guān)參數(shù)進行優(yōu)化。這種相關(guān)性通過一系列操作條件(如壓力和溫度)的數(shù)據(jù)集進行訓(xùn)練和測試。研究表明,該模型的有效性和準確性較高,包括平均絕對相對誤差百分比、誤差標準差和相關(guān)系數(shù)。這些模型對于估計原油黏度非常接近。

3 結(jié)束語

人工神經(jīng)網(wǎng)絡(luò)在處理非線性、多變量關(guān)系方面具有獨特的優(yōu)勢,為實際生產(chǎn)中原油輸送、處理和加工提供了可靠的指導(dǎo),可進一步優(yōu)化神經(jīng)網(wǎng)絡(luò)模型,提高其預(yù)測的準確性和穩(wěn)定性?？紤]引入更多的特征變量,更全面地捕捉原油的性質(zhì)和環(huán)境因素對黏度的影響,同時,人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和優(yōu)化算法也值得深入研究,以進一步提升其性能。人工神經(jīng)網(wǎng)絡(luò)在含蠟原油黏度預(yù)測方面的應(yīng)用為石油工業(yè)的智能化和精細化提供了新的思路和方法,為人工智能在能源領(lǐng)域的廣泛應(yīng)用奠定了基礎(chǔ)。