稠油掺稀后混油粘度数学模型研究

稀释输送是传统的稠油降粘输送方法,因其工艺简单,降粘效果在管输过程中较稳定,一直在国内外得到广泛应用。但稠油中加入稀油后其混油粘度又是一个难点,混油粘度是摩阻计算的重要参数,是输油管道设计和运行管理的重要参数,其准确性对水力计算结果至关重要。混合原油的粘度计算,国内外学者提出了不少经验公式、半经验公式以及计算图表,且大多是利用实验数据通过线性回归得到的,每种模型都有一定的适用范围。依据风城油田的普通稠油、特稠油、超稠油的掺稀实验数据,结合单对数Shu模型、双对数修正Ⅲ模型、Cragoe修正模型,分析了不同模型的最佳适用范围。对于风城油田稠油掺稀输送的混油粘度计算问题具有一定的指导意义。     

基于人工神经网络原油中气油体积比预测模型研究

针对国外原油气油体积比预测模型在国内一些油田并不适用,在分析BP神经网络基本原理的基础上,提出了原油气油体积比新的预测模型。该模型结构为4-10-1的三层BP网络模型,它考虑了压力、温度、地面原油重度和气体的相对密度对气油体积比的影响。利用该模型对大庆油田实测值进行了训练与测试。测试结果表明:利用人工神经网络方法建立的气油体积比预测模型比国外模型精度高,基本合理可靠。     

管道顺序输送高差混油研究

成品油管道线路起伏时相邻油品的密度差和粘度差是影响混油形成的重要因素.分析了两者对混油过程的影响,推导出了与混油区的物质分布相关的轴向有效分散系数,提出了管道顺序输送高差混油模型.湍流时,粘度对流速断面形成的影响在油流核心不明显,主要是密度差别导致流速断面变化而影响有效分散系数,因此,可忽略混油区粘度的变化.在此基础上简化模型,推导出了高差混油浓度分布的基本方程.通过算例对雷诺数、管长和倾角等影响混油的因素进行了分析.结果表明,倾角对混油的影响程度随着输送距离的增长和雷诺数的提高逐渐减小,特别是在高于临界雷诺数的高度湍流和长距离输送时,倾角对混油的影响程度相当小.     

PHOENICS数值模拟顺序输送管道混油浓度

建立了顺序输送混油紊流模型，利用PHOENICS软件对它进行了模拟计算，通过算例分析了批次对混油浓度的影响。结果表明前行油品粘度小所形成的混油段长度比前行油品粘度大时长，截面浓度分布也相对较均匀的结论，与工程现象完全吻合。验证了顺序输送混油紊流模型能真实反映顺序输送管内混油浓度分布情况和该紊流模型的正确性。证明了使用一些较为成熟的流体力学软件进行计算机模拟能够为顺序输送混油机理的研究提供一个较为准确而便利的手段。     

石太管道顺序输送的混油问题

对顺序输送过程中汽油前行柴油后行的混油过程进行数值模拟分析,借助CFD仿真软件建立油品交替输送的二维流动传质耦合模型。模拟结果表明,混油段并非始终以楔形向前行油品楔入扩散,当混油段发展至一定长度后,混油头形状由楔形变为混油浓度梯度较大的楔形面突入前行油品。利用一维理论公式和修正后的Austin经验公式对不同运行方案下的混油量进行计算,并与各站产生的实际混油量做对比分析,分析结果表明,用修正后的经验公式计算的混油量值与管线实际下载混油量之间的误差在允许误差范围之内,石太成品油管道应用此经验公式指导现场估算混油量是可行的。     

原油中气油体积比神经网络预测模型研究

针对国外原油气油体积比预测模型在国内一些油田并不适用,在分析前向BP神经网络基本原理的基础上,提出了原油气油体积比新的预测模型。该模型结构为4—10—1的三层BP网络模型,它考虑了压力、温度、地面原油重度和气体的相对密度对气油体积比的影响。利用该模型对大庆油田实测值进行了训练与测试。测试结果表明：利用人工神经网络方法建立的气油体积比预测模型比国外模型精度高,基本合理可靠。     

不同因素对混油形成的影响

成品油的顺序输送是在不停输的情况下循环进行的。有四种因素对混油的形成产生影响，即初始混油、流速变化、粘度差异、密度和停输的影响。初始混油对短管道有很大影响，因此在短管道上采取减少混油量的措施最为有效。     

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。     

基于PHOENICS的顺序输送大落差管道混油研究

建立了顺序输送高差混油模型,通过计算流体力学软件PHOENICS对它进行了模拟。分析了竖直管道顺序输送油品时,密度和粘度对混油的影响,并给出了模拟结果。结果表明,密度对大落差管道顺序输送过程中层流底层的影响比较明显,不可忽略。研究结果对于研究我国西部地形复杂地区的顺序输送管道混油问题具有理论指导意义。     

可预知的油库混油量的控制

以管道顺序输送运动粘度为180mm2/s和380mm2/s的燃料油混油为例,介绍了黄岛油库处理类似混油的两段切割法,依前行和后行油品的性质、体积及对混油最低质量指标的要求,计算确定最大混油量,根据这一预先判断的结果,精心组织混油段切割,合理分配两种燃料油的进罐量,在不损失卸油效率的同时,保证收油的数量和质量。     

基于BP神经网络的海洋平台振动载荷识别

利用ANSYS软件建立了W12-1海洋平台的有限元模型，通过在模型识别点上施加激励得到的响应方法获得了BP神经网络的训练数据。建立了关于W12-1海洋平台的BP神经网络模型，并对其振动载荷进行了识别。识别结果表明，在对海洋平台这样的大型复杂结构进行载荷识别时，神经网络方法相对于传统载荷识别方法具有更高的识别精度。     

GA辅助BP神经网络预测催化裂化装置汽油产率

催化裂化反应-再生系统是一个高度非线性和强耦合的操作系统,用传统建模方法很难描述。鉴于人工神经网络（ANN）非线性预测和自学习自适应能力强,而遗传算法（GA）全局寻优能力强的特点,将两者结合,先通过GA寻得BP神经网络最优的权值和阈值初值,再赋予BP,从而改善BP模型随机不确定选择初值的方法,提高其映射精度。以某炼油厂2.8 Mt/a MIP装置反应-再生系统为研究对象,选取第一反应器温度、第二反应器温度、第一再生器温度、第二再生器温度、反应器压力、再生器压力等6个变量为神经网络的输入变量,汽油产率为输出变量,建立6-11-1的BP神经网络,并采用GA来对BP神经网络的权值和阈值进行优化。结果表明,未经GA优化时BP神经网络对催化裂化汽油产率的预测数据的均方误差为5.16,而经GA优化后预测数据的均方误差为4.92。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

西非及亚太地区海上油田钻井完井投资估算模型

以西非及亚太地区86个具有代表性的油田作为样本,以BP神经网络方法为基础,将油价、水深、井数、井深、地质条件这5个影响因素作为输入层参数,钻井完井投资额作为输出层参数,构建海上油田钻井完井投资的BP神经网络模型,并与回归分析模型进行比较分析。结果表明,由于BP神经网络方法是一个主动学习的过程,可以有效地描述变量之间的非线性关系,体现其解决复杂问题的优势,构建的模型具有合理性和实际参考价值。构建的钻井完井投资BP神经网络估算模型具有很好的拟合精度,大部分样本的预测误差在30%以内,基本满足工程开发所要求的误差精度,而且误差水平远远低于回归分析模型。     

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。     

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。     

基于改进神经网络的渗透率预测方法

由于传统BP算法具有收敛速度慢、易陷入局部极小值等不足,文中对其进行了改进。在Kozeny-Carman方程和杨正明研究的基础上,借助于MATLAB神经网络工具箱,建立了预测岩石渗透率的3层前馈型BP神经网络模型。对改进的神经网络模型进行的仿真训练结果表明:改进模型具有更快的收敛速度和更高的精度,模型预测值与实验室测试值的一致性比较好,其相对误差小于10%,完全能够满足现场精度要求。     

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%。     

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.