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。     

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.     

用于FCC汽油辛烷值预测的非线性数学模型

依据汽油正构烷烃、异构烷烃、烯烃、环烷烃和芳烃(PIONA)的烃组成数据,将催化裂化(FCC)汽油单体烃组成分为37组,利用BP神经网络算法和支持向量机回归(SVR)分别建立了FCC汽油研究法辛烷值对37个变量的非线性数学模型。由MATLAB软件编写程序,利用Levenberg-Marquardt优化算法训练BP神经网络。支持向量机回归模型采用粒子群算法优化支持向量机参数及核函数参数,并采取交叉验证方法防止机器学习的欠学习和过拟合问题。计算结果表明:两种模型都能够较好地反映汽油单体烃组成与辛烷值之间的非线性关系;BP神经网络模型对辛烷值的预测性能好于支持向量机回归模型;增加样本数量,两种方法的预测准确性皆变好;针对40个样本的学习结果,两种模型预测的相对误差绝对值的平均值分别为0.148 7和0.167 4。     

泥页岩分类的BP神经网络方法

为探讨X衍射资料与泥页岩理化性能之间的定性关系,建立一种智能化模型对泥页岩的类型进行快速识别。在分析泥页岩理化性能与X射线衍射资料数据关系的基础上,提出了用BP神经网络预测泥页岩理化性能参数的方法及相应的模型。并针对BP神经网络算法进行了改进,使模型网络训练时的收敛速度比常规方法快了4倍以上。通过现场试验数据验证,该模型预测符合率较高,能够满足实际应用的要求。     

一种基于BP神经网络的完井液污染类型识别方法

目的 解决油田目的层钻井过程中完井液受盐水、残酸等污染后不能高效识别污染类型的问题。方法 对完井液进行不同质量占比的盐水、残酸污染测定,采用K-means聚类订正不同污染等级数据样本的标签。根据数据样本特征的获取难易度、隐藏层数目,训练不同的BP神经网络模型,并由留一交叉验证法检验模型的分类准确率。结果 数据样本拥有的特征越多,训练的BP神经网络分类准确率越高,隐层数目越多,分类准确率反而越低。选择包含“流变+老化+滤失+井名”4类特征的数据样本建立1隐藏层的BP神经网络模型,其平均分类准确率达到93.18%。结论 由流变、滤失等特征训练的BP神经网络模型可快速应用于试油现场,解决完井液污染类型识别问题,避免了试油现场因缺少大型仪器而无法鉴别完井液污染类型的难题。     

概率神经网络及其在储层产能预测中的应用

概率神经网络（PNN）是一种基于概率密度函数理论且泛化能力很强的神经网络，并且能够广泛地应用于模式识别等领域。针对储层产能的预测问题，提出了一种具体的概率神经网络方法，包括网络模型的构造、学习训练和预测识别等步骤。基于MATLAB6．5设计出概率神经网络的具体应用软件，实际应用表明，在储层产能预测中效果显著。与BP网络进行对比实验，其预测正确率优于BP网络。     

汽油调合优化神经网络模型的研究

采用BP型神经网络对某炼油企业汽油调合数学模型进行研究,依据汽油生产装置特点,确定了神经网络的拓扑结构,利用采集的汽油生产数据,确定了隐含层节点数和模型学习算法,并经过模型训练,得到了拟合能力和预测能力均较强的企业汽油调合神经网络。所建立的模型不需要调合机理的支持,因而具有较强的自适应能力。实际应用结果表明,该神经网络模型对调合过程中的非线性参数预测精度较高,可提供汽油调合的优化方案。     

GM(1.1)与BP神经网络组合模型在原油产量预测中的应用

为了维持油田能够长期稳定高产，必须制订科学合理的生产方案。而常规预测方法对数据依赖大，预测精度不高。为此，在灰色预测理论的基础上引入BP神经网络模型，建立了GM（1．1）和BP神经网络组合模型。此组合模型兼有灰色预测和BP神经网络预测的优点，克服了原始数据少，数据波动性大对预测精度的影响，同时也增强了预测的自适应性。最后通过实例对比分析，说明了组合模型的有效性及可应用性。     

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。     

BP神经网络预测最小混相压力

应用BP神经网络预测CO2最小混相压力,选择C5＋分子量、油藏温度、挥发油（CH4和氮气）的摩尔分数、中间油（C2-C10）的摩尔分数作为参数,用相关文献的实验结果作为样本进行训练,选取网络模型各层函数、隐含层节点数和算法得出适合的BP神经网络,结合实际细管实验的数据及相关参数修改网络输入参数应用于实际油藏,预测最小混相压力并分析相关的影响因素,指导生产和相应理论研究。     

The Use of ANN and the Mathematical Model for Prediction of the Main Product Yields in the Thermal Cracking of Naphtha

Thermal cracking of naphtha has such numerous reaction routes that the detailed reaction mechanism has not yet been determined. In this regard, a model of artificial neural networks (ANNs), using back propagation (BP), is developed for modeling thermal cracking of naphtha. The optimum structure of the neural network was determined by a trial-and-error method. Different structures were tried with several neurons in the hidden layer. The model investigates the influence of the coil outlet temperature, the pressure of the reactor, the steam ratio (H2O/naphtha), and the residence time on the pyrolysis product yields. A good agreement was found between model results and experimental data. A comparison between the results of the mathematical model and the designed ANN was also conducted and the relative absolute error was calculated. Performance of the ANN model was better than the mathematical model.     

The Use of ANN and the Mathematical Model for Prediction of the Main Product Yields in the Thermal Cracking of Naphtha

Abstract

Thermal cracking of naphtha has such numerous reaction routes that the detailed reaction mechanism has not yet been determined. In this regard, a model of artificial neural networks (ANNs), using back propagation (BP), is developed for modeling thermal cracking of naphtha. The optimum structure of the neural network was determined by a trial-and-error method. Different structures were tried with several neurons in the hidden layer. The model investigates the influence of the coil outlet temperature, the pressure of the reactor, the steam ratio (H2O/naphtha), and the residence time on the pyrolysis product yields. A good agreement was found between model results and experimental data. A comparison between the results of the mathematical model and the designed ANN was also conducted and the relative absolute error was calculated. Performance of the ANN model was better than the mathematical model.     

采用BP神经网络预测石脑油裂解烯烃收率

在乙烯裂解工业装置的典型操作条件下,分别选取正构烷烃、异构烷烃、环烷烃、芳烃为裂解原料,考察了这些模型化合物的蒸汽裂解产物分布情况。结果表明,正构烷烃是优质的乙烯裂解原料,乙烯收率为36%~45%;异构烷烃的丙烯收率约为23%,明显高于正构烷烃;环烷烃裂解乙烯和丙烯收率较低,丁二烯收率则较高,为14%~15%;芳烃很难裂解生成烯烃。建立了包含2个隐层的级联前向BP神经网络,以模型化合物和石脑油样本裂解烯烃收率为依据对该神经网络进行训练,确定了模型参数,并对2种石脑油的裂解烯烃收率仿真数据与实验结果进行了对比。结果表明,二者的误差小于1个百分点,该模型可用于预测石脑油裂解的烯烃收率。     

基于BP神经网络的低温提氦工艺优化

氦气是国家重要性战略物资之一,目前氦气的主要工业来源仍是从天然气中提取。为进一步优化低温提氦工艺,降低工艺能耗水平,对已有低温提氦工艺进行了改进,以一级提氦塔进料温度、压力、回流比、制冷剂高压、低压压力和制冷剂流量6个参数为变量,建立基于BP神经网络算法的综合能耗及提氦浓度预测模型,并对模型进行检验,并运用训练好的BP神经网络对改进工艺的综合能耗及粗氦浓度进行了预测。研究表明:BP模型训练效果较好,可用于综合能耗和粗氦体积分数的预测;通过训练误差分析,确定了模型隐藏层节点数为8时BP模型预测结果最优;利用确定好的BP神经网络预测出最优工艺生产参数,在满足粗氦体积分数不小于63.5%的基础上,综合能耗降低了18.08%。     

BP神经网络磁性体顶面埋深预测方法

基于磁力异常确定磁性体埋深是磁法勘探的研究目的之一,对磁性矿藏、火成岩及磁性基底的研究具有重要意义。为此,通过提取大量理论长方体模型的磁力异常以及垂向一阶、二阶、三阶导数的极大值,获得三个极值比值并形成序列。利用这些极值比序列与相应模型的顶面深度构成训练样本,对构建的BP神经网络进行训练,并存储训练成功的BP神经网络,用于磁性体顶深预测。模型计算结果表明,91%以上训练样本和非训练样本的预测误差都小于10%。将该方法用于中国YX地区火山岩顶面埋深的预测,结果与钻井数据吻合较好,说明了方法的实用性和有效性。     

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。     

蒸汽裂解原料的评价

对齐鲁石化公司烯烃厂使用的裂解原料石脑油进行物性测试和模拟裂解评价 ,得到了多种石脑油的裂解性能数据 ;通过考察正构烷烃、异构烷烃、环烷烃和芳烃含量对石脑油裂解性能的影响 ,确定了外购石脑油的质量指标     

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。     

Prediction of the product yield from catalytic cracking (MIP) process by an 8-lump kinetic model combined with neural network

Based on the characteristics of maximizing iso-paraffins (MIP) process and industrial data, an 8-lump kinetic model for MIP process is developed. And the 47 kinetic parameters of the model are calculated by Runge-Kutta method and genetic algorithm. It is seen that kinetic parameters show good consistence with the reaction mechanism of catalytic cracking. The average relative errors between calculated values and real values of product distribution are all below 5%. Then the model is modified by 14-7-5 type of back propagation (BP) neural network. As a result, the product distribution can be predicted more accurately by the hybrid model. Therefore, the combination of lump model and neural network can provide a new direction for simulation and optimization for heavy oil catalytic cracking.     

BP神经网络模型设计的研究

就BP神经网络应用设计中的网络隐含层数、隐含层神经元个数等具体设计问题进行了研究与探讨,提出一种新的构建BP神经网络模型方法。实验表明,使用该方法构建的网络模型训练曲面图形时,得到的网络输出曲面与原样本曲面非常接近,训练误差满足设定要求。