BP神经网络模型在管道腐蚀风险智能预测中的应用

通过对5种常见管道腐蚀风险预测方法的适用范围、可靠性和经济性进行比选,确定出了适用于塔河油田的腐蚀风险预测方法.借助遗传算法对经典BP神经网络算法进行了优化,有效提高了BP神经网络的准确性和可靠性.建立了基于改进神经网络模型的管道腐蚀速率计算方法,根据腐蚀速率对管道腐蚀程度进行风险分级,结合塔河油田管道类型、H2 S含...     

基于数值优化的改进 BP 算法用于长输油气管道失效压力预测

利用人工神经网络自组织、自学习和非线性映射的特性,对在役长输油气管道失效压力进行了预测。通过敏感性分析确定了长输油气管道失效压力的影响因素并且采用数值优化的方法对传统BP算法进行改进,得到了基于数值优化的改进BP算法,进而对网络进行训练。实际预测结果表明,基于数值优化算法的BP网络在满足工程需要的前提下,能够很好地预测长输油气管道的失效压力。     

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LM-BP神经网络的防气窜能力评价方法及应用

提出基于LM-BP神经网络进行防气窜能力评价方法,选取地层系数、静液压力系数、泥浆清除系数和水泥浆性能系数作为输入参量,将样本的防气窜能力作为输出量,在进行训练时采用LM算法对BP神经网络进行改进,提高了预测精度,得到基于LM的BP神经网络模型,利用该模型进行防气窜能力评价。研究结果表明:基于LM的BP神经网络模型的计算结果与测试样本拟合精度较高,具有广泛的应用前景。     

BP神经网络预测石化塔顶系统腐蚀的应用研究

塔设备是石化企业一个非常重要的系统,塔设备的腐蚀问题十分严峻。根据某石化企业分馏塔塔顶系统的腐蚀监测数据,探讨利用BP神经网络建立腐蚀预测模型解决石化塔设备在腐蚀过程中产生的问题。本文分别使用min-max和z-score标准化方法对腐蚀监测数据进行处理,比较两种方法对腐蚀预测结果精度的影响;并且分析训练样本个数变化对腐蚀预测模型预测结果产生的影响。结果显示:利用BP神经网络建立的腐蚀预测模型可以为炼油厂的腐蚀控制提供依据;使用min-max标准化方法处理的数据,能够得到更高的预测精度;当训练样本超过20时,模型预测结果的精度和稳定性均较好。     

基于优化RVFLN模型的延迟焦化开工线H2S浓度预测

分析了延迟焦化开工线腐蚀的原因,其主要腐蚀形式为低温湿硫化氢（H2S）腐蚀,集成工业现场异构数据库系统,建立了基于随机权神经网络（RVFLN）的焦化装置开工管线内H2S浓度的数据驱动预测模型。首先用主成分分析法对输出变量进行降维;然后根据相关系数大小筛选影响开工线内H2S浓度变化的主要影响因素,将其作为模型输入用来训练模型;为获得更好的泛化性能,将RVFLN的随机权重控制在［0,1］之内,建立小规范随机权重神经网络（SNRVFL）;最后用现场数据对模型进行测试评估。结果表明,与PLSR、BPNN、SVR模型对比,优化后的RVFLN模型在预测精度和计算速率上都有较好表现,该模型适用于焦化装置开工管线内H2S浓度的实时在线预测,可为延迟焦化装置压力管道内的流动腐蚀风险评估提供基础数据。     

酸化期间基于BP神经网络法的井底压力计算

为解决酸化期间井底压力直接获取难度大、常规计算方法计算精度低的难题,建立了一种基于BP神经网络法的井底压力计算方法 :根据井底压力计算多参数输入、单参数输出的特点,搭建出基于误差反向传播、正向反馈的三层结构模式的BP神经网络;利用历史井施工数据(井口压力、井底压力、流量、管柱尺寸、流体性质)在神经网络上开展训练,获得井筒摩阻系数计算的网络矩阵;后期把地面酸化施工数据输入该网络矩阵即可计算出井底压力数据。分析表明利用神经网络法计算井底压力最主要的影响因素是液体排量和液体性质,另外历史训练数据覆盖范围和数据量决定神经网络的适应性和计算结果精度。利用川渝气田灯影组15口酸化井历史施工数据开展训练,获得了适应于该区域气井井底压力计算的BP神经网络,并开展了4井次现场应用,与实测井底压力对比,最大误差7.8%,相比于常规井底压力计算模型(误差20%左右),精度得到大幅提升。     

基于人工神经网络的致密储层渗透率预测

致密储层渗透率求解困难.在基于流动单元指数与岩石粒度研究的基础上,通过设置3组不同输入参数的BP神经网络模型比较分析,发现采用微球电阻率测井值、自然伽马相对值、岩石骨架相关的中子和密度值(M、N)和孔隙度值作为输入参数的BP模型预测精度最高,然后用这些输入参数做为广义回归神经网络算法的输入,对岩心渗透率进行训练与预测.对比3种线性模型与2种神经网络模型对3口验证井岩心渗透率数据的预测误差,结果表明,针对研究靶区致密储层,线性模型对于渗透率的预测精度较低,神经网络模型可有效提高渗透率的预测精度,在训练样本较小的情况下,BP神经网络对渗透率的预测效果比广义回归神经网络略差.通过22口井实际资料处理结果分析表明,基于广义回归神经网络算法的渗透率模型可提高预测精度.     

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PCA-WNN模型的油田回注水管道腐蚀速率预测

针对油田回注水管道的腐蚀问题,对引起回注水管道腐蚀的相关因素进行系统分析,建立PCA-WNN模型,使用PCA (主成分分析)算法对回注水管道腐蚀影响因素进行优选,使用WNN (小波神经网络)算法对回注水管道的腐蚀速率进行预测,将预测结果与实际腐蚀速率、PCA-BP神经网络和PCA-GM (1, m)模型的预测结果进行对比,并计算每种算法预测结果的平均绝对误差和数据训练时间,以此验证该模型应用的可行性。研究表明:管道内涂层完好性和CO_2含量对管道腐蚀速率的影响较大,而回注水压力对管道腐蚀速率的影响较小;PCAWNN模型预测结果的平均绝对误差仅为1.35%,远小于其他两个模型预测的平均绝对误差,模型学习时间仅为2.39 s,远小于其他两个模型的学习时间,证明该模型可用于油田回注水管道腐蚀速率预测。     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。     

基于组合模型的油气管道腐蚀速率预测

对预测管道腐蚀速率的2种主要方法——灰色预测方法和神经网络方法的优缺点进行分析,在此基础上,提出一种基于双改进的复合灰色神经网络预测方法。该算法总体思路为:首先计算灰色预测样本和真实值之间的残差,其次将残差作为神经网络的输入样本进行训练,然后利用马尔柯夫过程对预测残差进行修正,得到1组最终修正残差,最后根据灰色预测值和最终修正残差确定下一时刻数据的预测值。通过实例应用,并与相关文献结果进行比较,结果表明,基于双改进的灰色神经网络组合预测模型预测精度更高。     

基于FOA-SVM模型的油田采出液管道结垢趋势预测

针对油田采出液管道的钙镁无机盐结垢趋势问题,建立了FOA-SVM模型,使用新疆油田实验和测算得到了136组管道结垢趋势及影响因素数据,利用其中的116组数据对模型进行训练,对剩余的20组数据进行预测,并将预测结果与BP神经网络模型、CV-SVM模型以及LS-SVM模型进行对比,以此验证FOA-SVM模型在该领域应用的先进性。研究表明:影响采出液管道结垢趋势的相关因素较多,这是制约结垢趋势预测准确度的主要原因;应用FOA-SVM模型对结垢趋势进行预测,预测结果的误差小于其他预测模型,模型训练时间为2.68 s,仅略高于BP神经网络模型,证明FOA-SVM模型应用于管道结垢量预测具有很强的先进性。     

改进神经网络在预测评判油气田设备腐蚀分析中的应用

主要针对一般BP神经网络易陷入局部最小值、收敛速度慢、引起扬荡效应的缺点,提出用一种改进遗传算法对BP网络的权值、阈值进行训练,构建优化的混合算法神经网络模型。在华北油田某管道的腐蚀情况分析中,证明了该方法的正确性和优越性。     

基于长短期记忆神经网络的油田新井产油量预测方法

针对油田常用人工智能产油量预测方法无法考虑数据在时间上相关性的问题,提出了采用基于长短期记忆(简称LSTM)神经网络的油田新井产油量预测方法。在分别介绍反向传播(简称BP)神经网络、循环神经网络(简称RNN)、LSTM神经网络原理以及建模步骤的基础上,以某油田新井单井年产油量预测为例,对影响新井单井年产油量的开发指标进行了筛选,对相应LSTM神经网络进行了训练,并对新井单井年产油量进行了预测。将预测结果与支持向量回归模型和BP神经网络进行了对比,结果表明,该预测模型拟合效果更好,预测精度更高。基于LSTM神经网络的预测方法可以作为一种新的人工智能方法用于油田新井产油量的预测,为准确预测油田新井产量,指导油田开发决策提供了一种新的方法。     

含硫气田集输管道腐蚀预测软件应用

针对川渝地区含硫气田集输管道材料腐蚀问题,结合几种经典的、应用较广的腐蚀速率预测模型进行了对比分析.根据对影响腐蚀的主要因素CO2分压、H2 S分压、液体流速、运行温度等开展机理分析,推导建立了一种腐蚀速率预测半经验模型,并通过试验数据确定了模型中的待定系数.在此腐蚀预测模型的基础上,开发了基于BP神经网络算法的含硫气...     

地层破裂压力测井预测的统计模式研究

目前计算地层破裂压力的理论模型或公式虽较多,但缺乏能直观反映地层破裂压力随测井岩石力学参数变化的统计模型。基于地层破裂压力与岩石力学参数的关系,优选出了对地层破裂压力影响较大的杨氏模量、体积弹性模量、泊松比和深度等4个参数作为建立统计模型的输入变量。同时利用BP神经网络和多元回归分析法对碳酸盐岩地层实测破裂压力数据进行统计建模和预测研究。多元回归模型形式简单直观,易于使用,但精度不高;而BP神经网络模型复杂,建模较难,但预测的地层破裂压力误差小,精度高。两种统计模型都不失为预测地层破裂压力的可行方法。     

应用BP神经网络预测石脑油热裂解产物收率

采用BP神经网络模型建立了石脑油裂解产物收率的预测方法。BP神经网络模型的输入层设12个结点,输出层设22结点,设一层隐含层。在保证学习训练数据具有代表性的情况下,BP神经网络模型的预测结果与实验数据相比,误差约为5%。BP神经网络模型的预测结果比非线性回归方法的预测结果要好。BP神经网络模型的外延性不强,外延的部分数据预测结果偏差较大。在能够保证基础学习训练数据的准确性和合理选取的条件下,BP神经网络模型能够应对乙烯装置原料变化频繁的情况。     

海底输油管道腐蚀剩余寿命评估

以受腐蚀海底输油管道中的应力超过屈服应力极限为失效形式,基于第4强度理论进行管道中相当应力的计算,在此基础上提出一种管道腐蚀剩余寿命的预测方法,并用于海底受腐蚀管道的检测修复;此外,提出一种考虑腐蚀裕度的管道腐蚀剩余强度预测方法。