基于改进AFSA—BP算法的油水界面软测量

大庆油田设计院

基于改进AFSA—BP算法的油水界面软测量

时晟楠大庆油田设计院

人工鱼群算法具有较强的全局收敛性和较强的鲁棒性，且对初值不敏感。将AFSA算法和BP算法相结合，不仅能延续神经网络的适应能力，而且能够加速收敛到目标值并提高神经网络学习能力。运用改进的AFSA算法优化BP算法并结合联合站的工艺需求，得出油水界面高度变化率的软测量模型。数值结果表明，模型具有较高的拟合精度和较强的泛化能力，将油水界面高度的硬件测量发展到软件在线测量，通过实验仿真结果验证了所研究算法的有效性。

油水界面；人工鱼群算法；BP神经网络；软测量

原油中经常含有大量的水、盐和泥沙类机械杂质等，这些物质会增大液流的体积流量，降低设备和管路的有效利用率，给原油的集输和炼制带来很大的麻烦。在线测量油水界面对工程现场意义重大。

软测量技术的核心问题是建立软测量模型以实现二次变量对主导变量的最佳估计[1-2]。建立软仪表的方法很多，如线性估计、机理推导、回归分析和神经网络方法等。BP神经网络通过现场实验采集样本数据，然后训练和学习神经网络，从而建立油水界面测量模型。人工鱼群算法具有较强的全局收敛性和较强的鲁棒性，且对初值不敏感。将AFSA算法和BP算法相结合，不仅能延续神经网络的适应能力，而且能够加速收敛到目标值并提高神经网络学习能力[3]。

1 问题描述

BP算法广泛应用于函数拟合、自动控制、信号处理等领域，是人工神经网络经典且易于应用的部分。BP网络数据信息从输入层经过隐含层流向输出层，是一种按误差反向传播算法训练的多层前馈网络。

一条人工鱼的当前活动位置为X=(x1,x2,∙∙∙,xn)，鱼的视野范围为visual，它在某时刻v的即时位置可表示为Xv=,,∙∙∙)，如果当前位置的食物浓度低于时刻v位置的食物浓度，则由当前位置向时刻v的位置方向移动一个步长Step，随即到达位置Xnext；如果当前位置的食物浓度高于时刻v的位置Xv处，则不采用位置Xv的方向并搜寻视野内的其他位置。随着搜寻次数的增加，人工鱼对视野范围内的信息认知更加全面，从而对其周围环境有立体清晰的认识。人工鱼不需要一一遍历状态多的环境，不但减小运算量、节省搜寻时间，而且一定的随机性对跳出局部极值有所帮助，对快速搜寻全局最优解有益。Xn1，Xn2为视野范围内两条鱼的位置。

人工鱼寻优过程可由式（1）、式（2）表示。其中，r是[-1，1]区间的随机数。

用AFSA算法将神经网络权值训练后，将最优权值代入BP网络作为初始权值，建立油水界面变化率的预测模型。

2 主要算法

利用改进的人工鱼群算法优化神经网络权值阈值，再利用神经网络进行分类。

（1）根据输入、输出训练样本集，确定BP神经网络的拓扑结构。

（2）确定人工鱼群算法基本参数。通过构造人工鱼来模拟鱼群的三个基本行为，以实现寻优。

第一步，确定鱼群规模fishnum。最大迭代次数为MAXGEN，最多试探次数为try_number，感知距离为visual，拥挤度因子为δ，移动的最大步长为Step。

第二步，采用变步长方式，人工鱼根据当前的环境恶劣程度调整移动的步长。

其中FCi为人工鱼当前的食物浓度，FCm为视野范围内的最大食物浓度，FCw为视野范围内的最低食物浓度。

第三步，自动适应鱼群的聚集现象，感知距离visual随迭代次数的增加逐渐变小。视野自适应公式如下

其中Vmax和Vmin分别是感知距离visual的最大值和最小值，gen是当前迭代次数。

（3）计算网络实际输出与期望输出的差值，寻找出一组网络权值使得网络误差达到最小，取均值误差E作为目标函数，即

式中N为网络训练样本集输入、输出样本对个数；n为输出层节点数；yjk，yˉjk为当输入第k个样本时，第j个输出节点的期望输出与实际输出。

每个人工鱼的食物浓度函数值为

（4）每条人工鱼执行游动，并且比较游动后食物浓度函数值大小，以判断三种行为中应执行的最佳游动行为。

第一步，进行鱼群初始化。人工鱼群中的每条人工鱼均是[-1，1]范围内的一个随机实数数组。

第二步，鱼群觅食行为。一条人工鱼当前位置活动状态为Xi，在视野范围内随机位置选择活动状态Xj。若FCi＜FCj，则向该随机方向移动一个步长Step；与此相反则重新选择Xj，继续比较食物浓度大小是否满足前进条件。觅食按式（7）进行。

第三步，鱼群群聚行为。人工鱼搜索当前邻域内的伙伴数目nf及中心位置Xc，若＞δFCi，则Xi|next=XC+rand()∙Step即向着人工鱼同伴的中心位置方向移动一步；反之则执行觅食。

第四步，鱼群的追尾行为。人工鱼搜索当前邻域内的伙伴数目nf及Yj最大的伙伴Xj，若即向着人工鱼同伴方向移动一步；反之则执行觅食。

第五步，鱼群的随机行为。在人工鱼视野范围内随机方向选择一个状态，向此随机方向前进，遵循式如下

（5）输出神经网络初始权值，并执行BP网络循环。

3 实验仿真

以沉降罐原油来液流量、油出口流量、水出口流量和原油含水率为输入节点，油水界面的变化率为输出节点，建立油水界面变化率的预测模型。其中AFSA算法用于确定BP神经网络的训练参数。

鱼群规模fishnum为70，最大迭代次数MAXGEN为500，最多试探次数try_number为100，感知距离visual为1，最大感知距离Vmax为1，最小感知距离Vmin为0.3，最大步长Step为0.5，拥挤度因子δ为0.618。

仿真结果如图1所示，图中绿色虚线表示优化后的BP神经网络模型误差值，横坐标为测试网络所用数据，共101组，纵坐标为沉降过程中油水界面高度变化率。

图1 软测量模型的仿真结果

用Matlab对输出数据进行分析，得出软测量模型性能指标。其中最大绝对误差为0.0714，均方差为0.0227。分析仿真结果及性能指标可知，AFSA算法优化后的BP网络得出的预测输出与实际输出整体上吻合，模型可适用于油田现场控制。

4 结论

运用改进的AFSA算法优化BP算法并结合联合站的工艺需求，得出油水界面高度变化率的软测量模型。结果表明，模型具有较高的拟合精度和较强的泛化能力，将油水界面高度的测量由硬件测量发展到软件在线测量，通过实验仿真结果验证了所研究算法的有效性。

[1]陈通．稳定原油脱水工艺的措施[J]．油气田地面工程，2010，29（2）：83-84.

[2]李朝阳，马贵阳，陈林，等．原油脱水技术数值研究[J]．天然气与石油，2011，29（5）：68-71.

[3]李慧，乔光辉，张小龙，等．高效三相分离器在姬塬油田原油脱水中的应用[J]．石油工程建设，2011，37（4）：67-70.

（栏目主持 杨军）

10.3969/j.issn.1006-6896.2014.7.025