基于径向基网络模型的含蜡原油触变性预测

国丽萍,徐 枭,王 帅,陈 锐,鞠国帅

(1.东北石油大学 石油工程学院,黑龙江 大庆 163318;2.中海石油技术检测有限公司,天津 300452;3.国家石油天然气管网集团有限公司油气调控中心,北京 100013)

易凝高粘的含蜡原油在我国石油产量中占主体地位,这种原油管道输送大多需要加热处理[1]。热油管输由于检修等原因停输后,由于管道的环境温度低于管道内原油的温度,原油中的蜡组分在油温降至析蜡点以下时开始结晶析出。当油温降到凝点温度附近时,原油中大量析出的蜡晶形成空间网络结构[2]。由于蜡晶搭建的空间网状结构具有一定强度,故处于该胶凝状态的含蜡原油具有触变特性[3]。触变特性是低温含蜡原油管道输送经济评价和安全问题的重要基础资料。传统的触变特性描述方法是通过实验获得实验数据,依据理论分析建立数学模型,由实验数据获取数学模型参数[4,5],含蜡原油触变特性的数学描述在用于管道停输再启动数值计算时,依赖于数学模型的准确性或参数获取的合理性,致使出现过数值计算不收敛的状况。本文应用人工神经网络中的径向基(Radial basis function,RBF)网络模型[6,7],通过MATLAB软件编程预测了胶凝含蜡原油在恒定剪切速率、剪切速率阶跃变化、剪切速率线性变化3种加载模式下的力学响应曲线[8]。

1 预测模型

RBF网络的基本原理是以RBF为隐层单元的“基”来构造隐层空间结构。该方法可以将输入向量直接反映在隐层空间中。因此,输入向量与隐层空间之间关系的建立取决于RBF网络中的核心点。一旦建立了关系,隐层空间就通过线性过程反映到输出向量,即用线性加权和法对输出向量进行线性组合得到的最优值就是RBF网络输出值。在线性组合中,每个目标根据其重要性赋予相应的权重系数,这里的权重是指RBF网络中的可调参数。

RBF网络是一种三层神经网络,由起始层输入层、中间层隐含层和末尾层输出层所组成。类似于前向多层神经网络[9]。在起始层中,每个源结点构成施加到中间层中的计算结点的输入信号。根据输入信号和中间层结点对应的权重系数值进行加权计算,然后通过非线性函数(本文中使用RBF函数)得到中间层的输出信号[10]。最后,将中间层的输出信号作为末尾层的输入信号,通过线性加权得到最终的输出层结果。因此,从起始层到中间层的过程是非线性的,而从中间层到末尾层的过程是线性的[11]。

设网络输入x为M维向量,输出y为L维向量,网络的起始层到中间层实现非线性映射,而RBF神经网络中间层结点的作用函数采用高斯激活函数,则中间层第j个结点的输出可表示为[12]

(1)

中间层到结尾层实现uj(x)～yh线性映射为[13]

(2)

T个训练样本的误差函数为

(3)

模型输出表达式为

a=f(‖W-p‖·b)=radbad(‖W-p‖·b)

(4)

式中:radbad为径向基函数,一般为高斯函数

a(n)=radbad(n)=e-n2

(5)

其径向对称,形式简单,有

(6)

RBF网络预测模型建立后,需要随机选取一部分输入数据对网络进行训练,以获得较高的网络拟合度。主要方法是通过输入部分数据对权重系数进行修正,以减小模型拟合的平均绝对偏差。然而,要评价一个好的RBF网络性能指标,不仅需要精确的拟合,还需要良好的泛化能力。因此,改进后的模型需要通过另一部分数据来检验其泛化能力。此外,还需要确定训练样本的目标误差、分布密度和结点数量。在选择输入层结点数量时,过多的结点会增加计算量,降低收敛速度,同时容易造成样本共线性的问题,而过少的结点不能更好地表示变量之间的关系。在选择隐含层结点数量时,RBF网络为单隐层网络,其非线性映射能力较弱,为了达到更好的映射关系,需要增加更多的隐含层结点,从而增加网络的可调参数。输出层节点的输出值则是预测的含蜡原油触变性曲线。因此,本文RBF神经网络预测模型的模拟参数为:目标误差为0.000 1,分布密度为2,输入层、隐含层、输出层的结点数量分别为7、15、1。

2 预测结果及分析

为考察RBF网络模型对含蜡原油触变特性的适用性,本节利用大庆原油凝点附近的3种典型加载模式(恒定剪切速率、剪切速率阶跃变化、剪切速率线性变化)下的实验数据,采用平均绝对偏差作为评价标准,验证预测曲线的准确程度,检验模型的预测能力。

剪切速率阶跃增加加载模式共计预测了5个实验温度点、4阶加载量的12 000个数据点,其平均绝对偏差见表1。图1为大庆原油剪切速率阶跃加载的预测结果对比图。剪切速率滞回环(剪切速率线性增加再线性减小)加载模式共计预测了4个实验温度点、4个剪切速率变化率的10 800个数据点,其平均绝对偏差见表2。图2为大庆原油剪切速率滞回环实验的预测结果对比图。恒定剪切速率加载模式共计预测了5个实验温度点、4个剪切速率的12 000个数据点,其平均绝对偏差见表3。图3为大庆原油恒定剪切速率实验的预测结果对比图。

表1 模型对大庆原油剪切速率阶跃实验预测的平均绝对偏差

图1 模型对大庆原油剪切速率阶跃实验的预测结果

表2 模型对大庆原油剪切速率滞回环实验预测的平均绝对偏差

图2 模型对大庆原油剪切速率滞回环实验的预测结果

表3 模型对大庆原油恒定剪切速率实验预测的平均绝对偏差

图3 模型对大庆原油恒定剪切速率实验的预测结果

由统计结果,在剪切速率阶跃增加模式的预测中,预测5个温度下大庆原油触变性数据预测的平均绝对偏差均小于8%。在恒定剪切速率测试中,预测5个温度下的大庆原油触变性数据的平均绝对偏差均小于5%。在剪切速率滞回环测试中,预测4个温度下的大庆原油触变性数据的平均绝对偏差均小于7%。

3 结束语

本文构建了人工神经网络中的径向基网络模型(RBF网络模型),仅需少量的实验数据,即可较准确预测胶凝含蜡原油在恒定剪切速率、剪切速率阶跃变化、剪切速率线性变化3种加载模式下的触变特性。传统模型的触变特性描述方法是通过实验获得实验数据,依据理论分析建立数学模型,由实验数据获取数学模型参数,将模型参数输入模型中进行拟合,从而得到拟合值。该方法步骤繁琐,拟合值的可靠性依赖于模型的选取和模型参数获取的准确性,因此误差较大。本文构建的径向基神经网络模型仅需要将实验数据输入,通过神经网络算法便可得到拟合偏差最小的拟合值,从而避免了传统触变性数学模型准确性和其参数合理性带来的影响。