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...     

利用BP神经网络预测高含硫油井的硫化物应力腐蚀

基于ＢＰ神经网络技术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,对高含硫油井含水２．４％￣１９．０％的实际硫化物应力腐蚀（ＳＳＣＣ）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未知输出信息的样本进行预测。证明ＢＰ神经网络技术能够正确地预测高含硫油井的ＳＳＣＣ,且精度高于ＧＭ（１,１）的预测结果     

高含硫气田腐蚀特征及腐蚀控制技术

我国高含硫气藏H₂S、CO₂含量高,还伴随有大量的气田水,开发过程中腐蚀问题非常突出。为此,分析了高含硫气田的腐蚀特征,展示了该类气田开发在材料选择与评价、缓蚀剂防腐技术、腐蚀监测与检测技术等方面的进展：①提出了镍基合金评价方法、双金属复合管及其焊缝抗环境应力开裂试验方法和耐蚀性能评价程序、缓蚀剂筛选评价程序;②研发的专利缓蚀剂CT2- 4水溶性环空保护液体系能实现对套管内壁和油管外壁的有效保护,CT2-19缓蚀剂、地面管线清管器预膜技术和缓蚀剂连续加注技术较好地控制了湿气密闭输送系统内的腐蚀;③FSM、氢探针技术、电化学噪声技术等腐蚀监测新技术在研究点蚀、缝隙腐蚀和氢致开裂等方面具有独特的优势。最后提出在高含硫气田开发设计时,就应全面引入腐蚀控制设计和腐蚀监测体系,从腐蚀控制技术的集成与优化入手,形成高含硫气田整体防腐方案,建立数字化腐蚀数据管理系统和数据库,全面跟踪评价缓蚀剂效果,从而实现腐蚀控制的整体设计和完整性管理。     

高含硫气田钻具腐蚀研究进展

介绍了高含硫气田钻井过程中H2S对钻井的危害特点及应力腐蚀机理,探讨了钻具硫化氢腐蚀的影响因素,提出预防钻柱失效的四条措施即正确选材,改善工作环境,降低服役载荷或应力以及加强管理。指出含硫气田钻具腐蚀与防护研究的热点及发展发向是:开展高温高压、H2S CO2 Cl-共存、以及高矿化度地层水等恶劣环境腐蚀研究;加强对H2S CO2共存环境中的腐蚀基础理论研究;开发经济性抗硫钻杆及制定相关标准,为我国高含硫气的开发提供指导的借鉴。     

高含硫气田CHJ系列缓蚀剂的研制与评价

为解决高含硫气田高H2S/CO2分压、单质硫共存条件下集输系统的腐蚀问题,将咪唑啉季铵盐、噻唑衍生物与助剂按一定比例复配形成棕红色的CHJ系列缓蚀剂。在模拟普光气田集输系统介质条件下,缓蚀剂CHJ-1和CHJ-7存在下抗硫钢L360的腐蚀速率大于0.08 mm/a,其余5种缓蚀剂均使L360的腐蚀速率小于0.076 mm/a。其中加有缓蚀剂CHJ-4和CHJ-5的腐蚀速率最小,分别为0.046、0.038 mm/a,其缓蚀率分别为92.6%、93.9%。在连续加注与油溶性缓蚀剂预膜复合使用时,连续加注CHJ-4、CHJ-5和现场在用国外缓蚀剂CI-12的腐蚀速率分别为0.032、0.025、0.058 mm/a,CHJ缓蚀剂的缓蚀效果较好。腐蚀样片形貌分析和电化学实验表明,缓蚀剂在金属基体表面形成了较好的保护膜。并且缓蚀剂与现场溶硫剂配伍良好。图4表3参8     

川渝含硫气田腐蚀控制方法

川渝含硫气田H2S、CO2含量高,同时伴有气田水,生产过程中腐蚀问题非常突出。分析了川渝气田金属材料的主要腐蚀行为,并根据川渝含硫气田井下管线、站内采气管线、站外集气管线及净化厂的不同工况,在腐蚀控制、腐蚀检测及腐蚀数据管理方面开展了针对性研究。     

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。     

高含硫气田电化学腐蚀现场试验研究

针对高含硫气田开发的腐蚀问题,开展了现场和室内腐蚀评价研究。研究结果表明,在目前试验井争件下,介质的电化学腐蚀性不强,材料的平均腐蚀速率小于0．1mm／a,腐蚀以局部点蚀为主。室内研究表明,水中Cr含量对腐蚀影响严重。高含硫气田在生产过程中,可能会产出含Cl^-的地层水或出现元素硫沉积的问题,其对腐蚀的影响及防护措施应引起高度重视。     

高含硫气田元素硫沉积及其腐蚀

高含硫气田在开发和维护过程中容易出现硫沉积并引发严重硫腐蚀,由此造成的管道堵塞、管道腐蚀穿孔、设备损毁失效都会严重影响油气田的正常生产。为此,分析了高含硫气田中元素硫的来源：①烃类硫酸盐的热化学反应;②高温高压下H₂S的缩聚反应;③硫烷的分解;④离子多硫化物的分解;⑤氧气对H₂S的氧化;⑥溶解在液态烃中的元素硫。阐述了硫沉积的发生机理：元素硫能溶解在酸性气体中,主要是溶解在硫化氢中。剖析了硫腐蚀机理：包括以元素硫的水解为基础的催化机理、水解机理、电化学机理和直接反应机理。探讨了硫腐蚀的影响因素：温度、压力、氯离子、硫的存在形式和流速等。最后建议：针对硫沉积区的特殊环境,开展多介质多相混合流体中管线的硫腐蚀机理研究,并建立其腐蚀模型。该研究成果可为高含硫油气田的安全有效开发提供参考。     

高含硫集气管线腐蚀监控技术研究

针对高含硫集气管线输送特点,采用无损氢通量监测技术,研究了缓蚀剂涂覆预膜技术在高含硫集气管线上的应用效果。结果表明,缓蚀剂涂覆预膜技术能明显控制高含硫集气管线腐蚀,涂覆后缓蚀剂在管线各个方向分布均匀,涂覆预膜有效保护周期约为58天。     

基于PCA-SVM的油气管道腐蚀速率预测技术研究

为了对油气管道的腐蚀速率进行有效预测,对影响油气管道腐蚀速率的原因进行了梳理和总结。应用PCA主成分分析法对10大影响因素进行降维处理,选取累计贡献率大于98%的前8项影响因素代替原所有影响因素,忽略流速和压力的影响,利用LS算法对惩罚因子C、核参数σ和不敏感参数ε的取值进行了寻优。对PCA-SVM、PCA-BP、PCA-GRNN和PCA-WNN四种腐蚀速率预测模型进行对比,其中PCA-SVM模型的预测效果最好,平均绝对误差为1.04%,均方根误差为0.01339,但训练时间比其他模型长,今后应集中进行算法优化。     

The Prediction of Permeability Using an Artificial Neural Network System

Abstract

The authors studied the efficiency and accuracy of neural network model for prediction of permeability as a key parameter in reservoir characterization. So, some multilayer perceptron (MLP) neural network models with different learning algorithms of Levenberg-Margnardt, back propagation, improved back propagation (IBP), and quick propagation with three layers and different node numbers (3, 4, 5, 6, 7) in the middle layer have been presented. These models have been obtained by 630 permeability data from one of offshore reservoirs located in Saudi Arabia. The accuracy of models was studied by comparing the obtained results of each model with experimental data. So, the neural network with IBP learning method and five nodes in the middle layer has the most accuracy.     

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。     

基于人工神经网络的油-水乳状液粘度智能预测研究

油水混合粘度受温度、剪切速率、含水率3种因素协同影响,很难用常规方程准确计算.提出了采用人工神经网络进行油水乳状液粘度预测的新方法.建立了三层结构BP神经网络模型,输入层有3个神经元,分别代表温度、剪切速率、含水率,输出层有一个神经元,代表油水混合物粘度,隐层神经元数目为30个.在实验室配置一定比例的油水乳状液,通过流...     

炼制高硫原油设备防腐蚀对策

分析了近几年来扬子石化公司炼制高硫原油设备的腐蚀类型、原因 ,总结了防护措施和使用经验 ,为今后炼制进口低品质高含硫原油提出了防护途径     

人工神经网络在砂砾岩油藏采收率预测中的应用

目前砂砾岩油藏采收率标定存在很大难度,常规方法预测采收率与实际相比偏差很大。通过调研砂砾岩油藏开发实例及相关资料,选取我国东部某典型砂砾岩油藏,确定了砂砾岩油藏采收率的主要影响因素,并编写BP神经网络程序计算砂砾岩油藏水驱采收率,计算结果精度较高。因此,认为应用BP神经网络方法预测砂砾岩油藏水驱采收率是可行的、有效的。     

A Dew Point Pressure Model for Gas Condensate Reservoirs Based on an Artificial Neural Network

Dew point pressure (DPP) is one of the most important parameters to characterize gas condensate reservoirs. Experimental determination of DPP in a window pressure-volume-temperature cell is often difficult especially in case of lean retrograde gas condensate. Therefore, searching for fast and robust algorithms for determination of DPP is usually needed. This paper presents a new approach based on artificial neural network (ANN) to determine DPP. The back-propagation learning algorithms were used in the network as the best approach. Then equations for DPP prediction by using weights of the network were generated. With the obtained correlation, the user may use such results without a running the ANN software. Consequently, this new model is compared with results obtained using other conventional models to make evaluation among different techniques. The results show that the neural model can be applied effectively and afford high accuracy and dependability for DPP forecasting for the wide range of gas properties and reservoir temperatures.     

萨曼杰佩气田腐蚀防护技术探讨

萨曼杰佩气田H2S和CO2的含量均较高,为了解决由此带来的腐蚀问题,保证气田顺利开发,在对俄罗斯奥伦堡凝析气田的腐蚀防护技术进行调研的基础上,对其采用的金属材料和缓蚀剂的防腐效果进行了全面的总结,同时提出了萨曼杰佩气田在防腐方面应该注意的问题。     

新型拓扑指数和神经网络研究咪唑啉衍生物的缓蚀性能

 基于分子图论提出了一种用于表征咪唑啉衍生物分子局部化学微环境及原子杂化状态的新颖结构描述子,即电性连接性指数⁰K^v、¹K^v和咪唑啉环非氢原子平衡总电荷分数 MCI,用于研究15种咪唑啉类缓蚀剂抗 CO₂、H₂S 腐蚀性能的定量构效关系。结果表明,模型计算值、留一法交互检验预测值的复相关系数分别为0.9764、 0.9546,所建模型具有良好的稳定性和外部预测能力;同多元回归方法比较,运用人工神经网络法的复相关系数为0.9848,结果更精确;增加咪唑啉环上取代基长度、减小分子的支化度和降低咪唑环非氢原子平衡总电荷分数能显著提高咪唑啉缓蚀剂的缓蚀效率。     

基于人工神经网络（BP）方法预测汽油辛烷值

本文基于人工神经网络（ＢＰ）方法,用毛细管色谱法预测汽油馏分的辛烷值,其预测最大绝对误差为０．２８,平均误差为０．１２２,比常用的线性回归数学模型法更能准确地预报辛烷值。