利用BP神经网络预测注水管道的腐蚀速率

利用人工神经网络的自适应、自组织学习能力 ,通过对训练样本集的学习 ,预测了注水管道的腐蚀速率。通过实例 ,采用 4种不同的预测腐蚀速率的方法 ,即采用传统的预测腐蚀速率的CVDA— 84规范、传统的BP神经网络、改进的Rumelhart和MBP神经网络计算注水管道的腐蚀速率。CVDA— 84规范偏保守 ,采用BP以及改进的BP神经网络预测的腐蚀速率和观测值基本一致。但采用BP人工神经网络预测时 ,迭代次数比CVDA大得多 ,采用改进的Rumel hart和MBP神经网络能有效地提高预测速度 ,改善网络的收敛性 ,并且使预测精度有所提高     

基于遗传算法SVM的海洋环境腐蚀速率预测

建立海洋环境腐蚀速率预测模型,为深海海底管道腐蚀失效风险预测提供参考,构建管道腐蚀失效预警体系。以海洋挂片腐蚀速率测量试验数据作为支持向量机(Support Vector Machine,SVM)的训练样本,SVM的关键参数经过遗传算法优化,从而解决BP神经网络等机器学习方法需要大量训练样本的问题。基于遗传算法SVM的海洋环境腐蚀速率预测模型,与人工神经网络腐蚀速率预测模型对比,可以有效降低预测误差,为深海海底管道腐蚀失效风险预测提供更为可靠的腐蚀缺陷几何参数数据,为海底管道风险预警体系的建立提供准确的数据参考依据。通过实例计算与试验数据的对比验证,证明该方法的适用性和可靠性。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

基于BP神经网络的油气管道环焊缝失效风险预测系统研究

油气管道输送是国民经济基础设施的重要组成部分,随着其腐蚀现象愈发严重,必须对腐蚀管道的失效压力进行预测。针对腐蚀管道失效压力精确预测的问题,提出一种基于神经网络的预测方法。根据不同的腐蚀管道爆破试验数据,分析、筛选出对于管道失效压力影响较大的因素;构建一种环焊缝失效预测BP模型,随机选择训练集数据分为高、中、低三组放入神经网络进行训练;在BP神经网络经过大量训练后,使其用于管道失效压力的预测。通过实例验证表明:基于BP神经网络的训练模型在隐含层为12时预测精度最高,达到了93.8%,相比其他方法有着较高的准确率,证明本预测模型更优的拟合度与预测精度,适用于腐蚀管道失效压力的预测。     

改进BP神经网络模型在长庆气田产能预测中的应用

在改进的神经网络训练算法的基础上,提出了利用神经网络快速预测储层产能的方法步骤。长庆气田属于非常规碳酸盐岩气藏,地质条件复杂,结构特征多样,产能影响因素较多,且各种因素交互重叠,用常规方法进行产能预测,其精度远远不够。为了迅速、准确地判断储层的性质,选用了BP神经网络,利用测井参数,建立了长庆气田产能预测模型,提高了预测的精度。常规神经网络在训练样本时分母项易趋于0,导致运算进入死循环,降低了结果的可信度。改进的神经网络模型克服了上述现象,具有绝对收敛性,且隐含层的神经元个数容易调整。将该改进模型用于储层产能预测,正确率达94%以上。     

基于BP神经网络的钻井安全事故预测

对钻井工程作业进行事故预测,可以有效地减少生产安全事故带来的不良影响。为进一步研究机械伤害事故和机械伤害事件的发生规律,采用随机分配的42个月的历史数据为训练样本,剩下12个月的历史数据为测试样本,引入BP神经网络建立预测模型,并对预测的结果进行分析。结果表明,使用BP神经网络模型所预测出的事故事件数量与真实数据相接近。因此,此预测模型对进行钻井工程作业的事故事件预测具有可行性。     

神经网络构建稠油掺稀黏度预测模型研究

本文利用BP神经网络能够较好地在实验数据基础上建立稠油掺稀黏度预测模型,以对新疆塔河油田稠油掺入四种稀油的黏度预测为例,通过BP神经网络建立预测模型,并与四种传统基于线性回归的建模方法及进行改进的方法进行对比,结果表明：利用神经网络建立模型的最大误差为4.1%,黏度与温度、稀稠比的非线性关系能够较好拟合,对比基于线性回归方法的建模方法及其改进算法有着更高的拟合精度。     

基于BP神经网络的高含硫油井硫化物应力腐蚀预测

基于BP神经网络技术具有较强的收敛性及自适应、自组织学习能力、较好的容错性,并行处理强、识别预测迅速准确、稳健性好的特点,以高含硫油井在含水2.4%~19.0%之间的实际硫化物应力腐蚀(SSC)速率作为训练样本,应用BP网络进行训练,达到精度要求后,对原样本进行回判模拟,再对只知输入信息而输出信息未知的样本进行预测。证明BP神经网络技术能够正确地预测高含硫油井的SSC,且精度高于GM(1,1)预测结果。其预测结果可用来指导油田的开发生产。     

基于BP神经网络的腐蚀管道可靠性分析

利用BP人工神经网络算法建立基于BP神经网络腐蚀管道失效预测模型。通过BP神经网络拟合极限状态方程,借助神经网络的函数映射关系产生大量的极限状态函数值,作为下一步的分析数据。采用蒙特卡洛法随机抽样的思路,对大范围的数据进行概率分析,通过概率分析得到极限状态函数值的均值和标准差,求得腐蚀管道可靠性指标,解决了腐蚀管道的可靠性分析问题。     

基于神经网络模型的混合原油黏度预测

采用BP(back propagation) 神经网络模拟了混合油配比和温度与黏度之间的映射关系,建立了混合油黏度神经网络预测模型.将鲁-宁输油管道混合油的预测黏度与实际黏度进行了对比,结果表明,利用BP神经网络进行混合油黏度预测是可行的,完全可以满足工程需要的精度要求.     

神经网络技术在柴油加氢精制装置生产中的应用

针对柴油加氢精制过程的产品质量难以优化和预测的问题,提出了人工神经网络模型。根据国内某石化企业1.0 Mt/a柴油加氢精制装置生产操作数据,分别应用动量BP神经网络、LMBP神经网络和RBF神经网络建立了用于预测柴油加氢产品硫含量的模型。并对建立的RBF神经网络模型的泛化能力进行了考察。结果表明,动量BP神经网络、LMBP神经网络和RBF神经网络预测的平均相对误差分别为3.50%,2.30%,2.18%,RBF神经网络模型的预测性能最佳,且具有良好的泛化能力,能够在工艺操作参数变化时准确地预测柴油产品的硫含量,为柴油加氢精制装置的良好运行和优化操作提供了指导。     

应用PCA和BP神经网络预测采出水对C20钢的腐蚀速率

分析了气田采出水水质及挂片试验水样对管线钢的腐蚀速率。利用BP神经网络建立了C20钢材的腐蚀速率预测模型。通过改变网络输入参数、隐层节点数对模型进行优化,发现在样本数目一定的情况下,仅通过改变网络结构难以进一步减小输出误差。采用PCA(主成分分析法),用6个主成分代替了原来大量的水质指标作为网络输入,有效地降低了网络输出的误差。结果表明,采用水质指标的主成分分析与BP神经网络可以建立较准确的C20钢腐蚀速率预测模型。     

用BP神经网络预测延迟焦化产品收率

针对传统的焦化产品收率预测方法准确性较差的实际情况,用Matlab编程构造了3层前馈BP神经网络,采用带动量的批处理梯度下降法来训练网络,并用所得模型对已知样本数据进行预测.结果表明,运用BP神经网络对焦化产品收率能够进行准确预测,最大相对误差为3.33%.与传统的预测模型相比,该网络模型的预测精准度更高.     

炼油厂设备腐蚀与防护管理的规范化

论述了炼油厂设备腐蚀与防护管理规范化的重要性,并详细介绍了数据采集过程规范化和数据录入格式规范化的主要内容.炼油厂设备腐蚀与防护管理规范化为石油化工设备厂蚀与防护数据信息网的建立奠定了基础.     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.     

连续油管直缝高频焊热影响区最薄弱区硬度的神经网络预测

通过试验得出了连续油管HFW焊接接头最薄弱区域的力学性能,采用BP神经网络对该区域工艺性能进行仿真预测,研究了不同训练函数对网络性能的影响。对比分析不同训练函数下的网络性能,得出连续油管HFW焊接接头最薄弱区线能量一硬度预测模型,最终选取LM算法、SCG算法和动量BP算法对网络进行训练,采用这3种算法建立起的线能量一硬度模型精度较高,测试数据预测值与实测值平均相对误差分别为0．12％,0．095％和O．11％,表明神经网络模型能够很好地对“未知”硬度进行预测。     

基于BP神经网络的注采比预测

采用编制的计算机程序计算了注采比与水油比法、多元回归法、物质平衡法、GM(1,1)模型和BP神经网络预测法的拟合注采比与实际注采比之间的误差大小,其平均相对误差分别为1.67%、1.08%、19.22%、1.38%和0.88%。对各种预测法产生误差的原因进行了理论分析,得出BP神经网络预测方法的精度最高,而且具有较好的自适应性,能够反映影响注采比的各种因素与注采比的内在关系。因此,BP神经网络方法可用于预测油田注采比。     

钻井岩性实时识别方法研究

地层岩性的实时识别对及时调整钻井参数、有效控制井眼轨迹具有十分重要的作用。以录井资料为基础识别地层岩性,必须综合考虑钻井操作参数、水力参数以及钻头磨损状态的影响,而随钻过程中,就目前的技术还不能够实时测量钻头磨损状态。根据BP神经网络原理,建立了岩性识别双重神经网络模型。第1个神经网络用来在已知钻头磨损状态条件下,识别所钻地层岩性;第2个神经网络用来在已知地层岩性条件下,预测钻头磨损状态。2个神经网络通过钻头磨损状态参数连接起来,选取样本数据分别对2个神经网络进行训练,并结合随钻录井数据,根据岩性识别流程图对岩性进行实时识别。应用该模型在新疆油田进行了岩性实时识别试验,识别结果与测井解释结果相比,符合率达85%。应用结果表明该模型具有一定的合理性和实用性。