人工神经网络在含蜡原油黏度预测中的应用

王文红

(国家管网集团北方管道有限责任公司长春输油气分公司,长春 130000)

原油是一种复杂的多组分有机混合物,主要由烃类和少量非烃类组成,一般成分分为饱和烃、芳烃、树脂及沥青质,有些饱和化合物熔点高,在低温下容易凝固,当温度下降到一定程度(通常低于80 ℃)时就会从液体中析出,称之为蜡的胶体[1]。成蜡分子主要是正链烷烃和支链烷烃,而一些长碳链环烷也可能是成蜡分子。原油的压力、温度及成分变化会导致其热力学不稳定,令沥青质从原油的体相中分离出来。近年来,使用人工神经网络预测沥青质沉淀重量百分比的智能模型得到了发展,而当原油在滴定前被任何石蜡稀释时,模型则不能预测沥青质的行为。目前,降凝剂处理是保证含蜡原油管道安全经济运行的主要技术之一,添加适当的降凝剂可显著改善含蜡原油的凝点/凝胶点、黏度等流动性能。而原油黏度是影响原油管道蜡质沉积的主要因素,对于含有高黏度原油的油藏必须密切监测其自由流动的操作温度,防止蜡沿管道长度沉积,破坏管道的完整性。预测不准确可能导致管道失效,造成严重的环境污染[2],而流动特性对剪切作用及原油黏度非常敏感,故研究降凝剂处理含蜡原油黏度、建立流动特性的预测方法具有重要意义。

1 人工神经网络在含蜡原油黏度预测中的模型构建

人工神经网络是一种统计处理程序,用于基于生物神经网络链接输入变量和输出结果,具有多层认知网络,包括输入层、隐藏层、输出层。神经元是神经网络中用于数据处理的单处理器。每个神经元连接到其他神经元,这些神经元由偏置(b)、传递函数(f)及权重(w)组成,输入(x)乘以每个连接的相关权重,将神经元的偏置加到加权输入的和中,输出是通过对其净输入使用线性或非线性传递函数产生的。

(1)

神经网络是由并行操作的简单元素组成的,这些元素的灵感来自生物神经系统。与自然界一样,网络功能在很大程度上是由元素之间的联系决定的,可通过调整元素之间的连接值(权重)来训练神经网络执行特定的功能。通常对神经网络进行调整或训练,使特定的输入导致特定的目标输出,图1描述了这种情况,基于输出和目标的比较来调整网络,直到网络输出与目标匹配。目前有许多不同类型的人工神经网络(ANN),如多层感知器(MLP),通常用误差反向传播算法、径向基函数、自适应线性神经元和基于自适应网络的模糊推理系统进行训练。一些人工神经网络被分类为前馈,而另一些则是循环的,这取决于数据如何通过网络处理[3]。另一种对人工神经网络类型进行分类的方法是根据其学习方法,因为一些人工神经网络采用监督训练,而另一些则是无监督或自组织。反向传播型神经网络有一个输入、一个输出,在大多数应用中有一个隐藏层,神经网络输入和输出的数量则根据应用特点来确定。

图1 人工神经网络模型中的网络Fig.1 Network in the artificial neural network model

在大多数情况下是一个隐藏层,一层的每个神经元与前一层的神经元相连,通过重复向前和向后传播的步骤执行所需的学习。当输入模式给定时,前向传播步骤开始。计算激活级别,将结果通过隐藏层向前传播,直到到达输出层。每个处理单元对各自的输入求和,应用一个函数来计算其输出。网络输出是在输出层创建的,输入层和隐藏层的偏置单元在加权和中加入常数项,提高了收敛性。将网络的输出模式与目标向量进行比较,计算隐藏单元的误差值并改变其权重。反向传播从输出层开始,通过隐藏层向后移动,直到到达输入层,网络拓扑如图2所示。

图2 反向传播多层神经网络Fig.2 Backpropagation multilayer neural networks

在构建人工神经网络模型的初始阶段,为其随机分配了权重w。在神经网络中,激活函数负责将来自节点的加权输入转换为该节点的激活或该输入的输出。整流线性激活函数简称ReLU,是一个分段线性函数,如果输入为正,则直接输出输入,否则将输出零。以部署ReLU作为激活函数,可以在获得良好预测性能的同时更容易训练人工神经网络。由于正在构建一个回归模型,因此在ANN模型的输出层中没有使用ReLU激活函数,使得人工神经网络的输出可以取任何实值。通过测量网络的性能迭代调整网络的权值来训练网络,这个过程一直持续,直到达到停止标准,即Epoch的个数。Epoch表示机器学习算法完成整个训练数据集的次数,表示用所有训练数据训练神经网络1个周期。所建模型的准确性由损失函数(也称为成本函数)决定,损失函数被认为是均方误差(MSE),如式(2)所示。

(2)

式中,N为数据点个数;Y和Y分别是实际输出和预测输出。过度拟合是训练过程中的主要问题之一,其中生成的人工神经网络模型只能对已知数据集给出准确的预测,不能对新数据集产生良好的预测。利用早期停止技术控制了神经网络模型的过拟合,提高了模型的泛化能力。提前停止方法将整个数据集随机划分为3个适当的子集,包括训练集、验证集及测试集。训练集用于训练网络,如更新网络权重和偏差,验证数据集用于确认训练过程。当验证数据的误差增加时,网络训练过程停止,将继续最小化训练数据的误差。测试集被保护为不可见的数据,在训练步骤中不应用。网络训练结束后,利用测试集验证训练后网络的泛化能力。该模型使用压力、温度及黏度作为专有模型的输入参数,避免了在估计原油黏度时常见的不确定性。

2 人工神经网络在原油黏度预测中的应用

2.1 利用人工神经网络预测纳米润滑油黏度

原油黏度通常是在油藏温度下对井底样品或在不同油藏压力下的地面复合样品进行等温测量的。Abedini等[4]利用伊朗不同油藏样品的大量不饱和油黏度实验数据,建立了人工神经网络(ANN)模型和模糊模型来预测和计算不饱和油黏度。以压力、泡点压力、泡点黏度为输入数据,以各系统对应的不饱和油黏度为输入数据,以对应的不饱和原油黏度为目标数据,对每个神经网络集都采用单隐层网络的反向传播学习,在训练算法中实现了缩放共轭梯度、Levenberg-Marquardt (LM)、动量梯度下降、弹性反向传播和自适应学习率反向传播。由于用LM训练的网络在训练集上的效果明显优于其他算法,故将其用于不饱和原油黏度预测的建模。开发的人工神经网络模型有1个输入层、3个隐藏层、1个输出层,分别有3个、5个、1个神经元,如图3所示。所有实验数据的65%用于训练网络,其余的用于测试网络。图4为不饱和油黏度的实验值与人工神经网络模型预测值的对比。实验结果表明,人工神经网络模型与模糊模型的结果与实验数据有较好的一致性。

图3 人工神经网络模型Fig.3 Artificial neural network model

图4 将实验值与基于人工神经网络模型的计算值进行比较[4]Fig.4 Comparison of experimental values with the calculated values based on the artificial neural network model

2.2 基于人工神经网络和遗传算法的原油黏度预测

黏度是衡量流体抗剪切应力的重要指标,需有效估计各种工况下的油黏度。原油黏度的估算采用原油API度(API)、压力(P)、饱和压力(Pb)、储层温度(Tf)等变量。Ghorbani等[5]提出了一种基于遗传算法优化的混合群数据处理人工神经网络方法,以获得有效的多项式相关性来估计油品黏度。该神经网络必须能够表示这种神经网络的不同长度和大小。图5显示了API、P和Tf参数变化对黏度的影响。

图5 气泡点以下(a)API、Tf和黏度的三维图;(b) API、P和黏度的三维图;(c) Tf, P和黏度的三维图[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

由图可知,黏度与API和Tf的用量成反比。根据GMDH法提出了原油黏度的计算公式,利用决策变量绘制三维灵敏度分析图。由图5(a)可知,在高API和低API条件下增加Tf对黏度的影响分别为较小和较大。由图5(b)可知,API在高压下的变化对黏度的影响大于低压。从图5(c)可以看出,在低压下,随着Tf的增大,黏度急剧增大。为了获得更好的性能,采用遗传算法对相关参数进行优化。这种相关性通过一系列操作条件(如压力和温度)的数据集进行训练和测试。研究表明,该模型的有效性和准确性较高,包括平均绝对相对误差百分比、误差标准差和相关系数。这些模型对于估计原油黏度非常接近。

3 结束语

人工神经网络在处理非线性、多变量关系方面具有独特的优势,为实际生产中原油输送、处理和加工提供了可靠的指导,可进一步优化神经网络模型,提高其预测的准确性和稳定性。考虑引入更多的特征变量,更全面地捕捉原油的性质和环境因素对黏度的影响,同时,人工神经网络模型的训练和优化算法也值得深入研究,以进一步提升其性能。人工神经网络在含蜡原油黏度预测方面的应用为石油工业的智能化和精细化提供了新的思路和方法,为人工智能在能源领域的广泛应用奠定了基础。