基于PCA-GRNN模型的原油管道减阻剂减阻率预测研究
2019-07-18王一斌
王一斌
(中国石油工程建设有限公司,北京100101)
在进行原油长距离输送的过程中,一般会加入一定量的减阻剂,该种原料可以增加管道的输送能力。近些年来,随着我国社会对油气能源需求量的不断增加,原油管道的输量要求也不断升高,减阻剂也得到了大面积的推广。该种化工原料主要是通过降低管道内原油的摩阻损失,从而使输送能力得以提高,该种原料的使用,间接给油气管道公司带来了经济利益[1]。但是,由于减阻剂的作用原理并不明确,国内外专家并没有形成一致结论,因此,使得减阻剂减阻率的计算成为了一项难题。
目前,国内外专家对减阻剂减阻率的计算问题进行了大量的研究。国外学者Frank Vejahati 等[2]人在考虑数学中π定理的基础上,考虑管道内减阻剂的浓度以及雷诺数因素,提出了一种减阻剂减阻率的计算方法,但是由于该种计算方法所考虑的减阻率影响因素并不全面,所以使得减阻率的计算结果误差较大;国外学者Karami 等[3]人考虑了影响减阻率的各种因素,提出了一种完善的减阻剂减阻率计算方法,但是由于该方法中的某些参数难以测量,使得该模型无法得到有效的利用。除了上述两种方法外,国内外学者还提出了倒数方程法、负指数法等,但是这些方法都存在计算误差较大的问题。
近些年来,人工智能在石油领域得到了大面积的推广,使用智能算法对减阻剂减阻率进行预测也是未来的发展趋势之一。因此,本次研究将综合分析减阻剂减阻率的影响因素,并使用PCA(主成分分析)算法对影响因素进行降维,使用GRNN(广义回归神经网络)算法对减阻剂减阻率进行预测,并将预测结果与其他方法的计算结果进行对比,以此证明该方法的可行性,从而促进人工智能算法在该领域的发展。
1 减阻剂减阻率影响因素初选
1)加剂浓度
目前的研究结果显示,加剂浓度是影响减阻剂减阻率的主要因素。一般情况下,随着加剂浓度的不断增加,减阻率也会不断增加,但是当加剂浓度达到某一数值时,减阻率将趋于平稳不再增加。因此,如果在管道内加入的减阻剂浓度相对较小,则无法充分发挥减阻剂的作用,如果加入的减阻剂浓度过大,会造成一定的浪费[4]。
2)管道基本参数
减阻剂是通过降低管道内原油的摩阻损失,达到增输的效果,而摩阻损失又和管道的管径、长度以及管道管壁粗糙度具有一定的联系,因此,这三项因素也可能会对减阻率产生影响[5]。但是由于管道管壁粗糙度数据难以准确测量,因此,在本次研究中使用管道的摩阻压降、沿程摩阻以及摩阻系数代替管道管壁粗糙度进行研究。
3)流体性质
流体性质包括原油的黏度、密度等因素。在黏度方面,税碧垣等[6]人通过实验证明,当原油中加入同种类型且浓度相同的减阻剂时,随着原油粘度的降低,减阻率也会随着降低;在密度方面,目前还没有研究成果显示密度会对减阻率产生影响,但原油密度也是摩阻损失的影响因素之一,因此,有必要将密度暂定为减阻率影响因素之一。
4)流动参数
本次研究所讨论的流动参数包括原油的流速、温度、压力以及管道的高程。在流速方面,原油的流速不同,则管道内的流态产生一定的差异,目前的研究成果显示,如果原油处于层流状态,则减阻剂将无法发挥减阻效率,因此,流速也会对减阻率产生一定的影响[7-8];在温度方面,当温度超过某一数值时,减阻剂的分子结构将会被破坏,当温度低于某一数值时,减阻剂分子将无法充分发挥自身作用,因此,温度也会对减阻率产生影响;原油所受压力会对其粘度和密度产生影响,沿程高程会使得原油的各种参数产生变动,因此,压力和管道高程可能会对减阻剂的减阻率产生影响[9]。由于原油的流速数据难以获取,因此,可以将原油的平均流速、平均输量、首站输量、末站输量代替流速数据进行下一步研究;原油温度可以使用管道首末站温度代替;管道沿程高程可以使用首末站高程代替。
5)雷诺数
目前已有研究表面,当雷诺数在[4 000,9 000]内变动时,随着雷诺数的增加,减阻剂的减阻率也会随之增大,但是当雷诺数超出该区间时,随着雷诺数的增加,减阻剂的减阻率会随着减小,因此,雷诺数也是影响减阻剂减阻率的重要因素。
根据以上分析,并将某些因素进行替换后,可以初选加剂浓度、管道管径、管道长度、摩阻压降、沿程摩阻、摩阻系数、油品黏度、油品密度、平均流速、平均输量、首站输量、末站输量、首站温度、末站温度、油品压力、首站高程、末站高程以及雷诺数等18 项数据作为减阻剂减阻率的影响因素进行下一步研究。
2 模型构建
2.1 PCA降维算法
通过上文分析可以发现,可能会引起减阻剂减阻率变化的因素较多,这为下一步的预测研究带来了一定的困难,因此,减少影响因素的数量十分必要,而PCA 算法正是减小影响因素数据的有效方法之一[10]。PCA 算法可以根据影响因素对减阻率影响的大小,从而将高维度数据转化为低维度数据,且在变化的过程中可以最大限度的保存数据的方差信息。该种算法简单可行,因此得到了大面积的推广和应用[11]。
PCA算法首先将初选的减阻率影响因素数据组合为矩阵X ,计算该矩阵的相关系数矩阵R,然后计算相关系数矩阵的特征值λi以及特征向量αi,相关系数矩阵R的计算公式如下所示:
式中:Xij表示矩阵X 第i 行第j 列的数据;R 表示相关系数矩阵;αi表示相关系数矩阵的特征向量;Xi表示矩阵X 的第i 行数据;Zp表示计算得到的主成分。
2.2 GRNN神经网络算法
GRNN 算法是一种成熟的预测算法,该种算法由四层结构组成,分别是输入层、模式层、求和层以及输出层[12]。其基本结构如图1所示。
图1 GRNN模型网络结构
GRNN 算法基于非线性回归理论,首先假设求解变量x和变量y概率密度的函数为f(x,y),如果变量x的观测值为X,此时,变量y相对于X的回归结果可以通过以下公式计算:
式中:Y就是待预测数据的预测结果。函数f(X,y)难以求处其准确值,只能通过估计的方式得到其结果,其估计公式为
式中:Xi为变量x的观测值;Yi为变量y的观测值;n表示样本的数量;p为样本的维度;σ为光滑因子,当光滑因子的取值较大时,则预测结果将趋近于输入数据的平均值,当光滑因子取值较小时,预测效果相对较差[13]。因此,如何对光滑因子进行合理选择是一项难题,在本次研究中,使用交叉验证的方式对光滑因子进行优选。
2.3 模型组合
将PCA算法和GRNN 算法组合后的流程如图2所示。首先将18 种初选影响因素输入PCA 算法中,对其进行主成分分析,优选出累计贡献率高于98%的因素作为最终的减阻率影响因素。使用某公司生产的某种型号减阻剂,在我国某管道公司运营的管道上进行实验,最终得到155 组减阻剂减阻率实验数据,将135 组数据作为组合模型的训练数据,对剩余20组数据进行预测,并将预测结果与实际减阻率进行对比,计算每组数据的平均绝对误差,与Frank Vejahati、Karami所提出的方法、倒数方程法以及负指数方程法的计算结果进行误差对比。
图2 PCA-GRNN模型预测流程
3 结果分析
3.1 降维结果分析
使用MATLAB 编程软件编写PCA 算法,将加剂浓度、管道管径、管道长度、摩阻压降、沿程摩阻、摩阻系数、油品黏度、油品密度、平均流速、平均输量、首站输量、末站输量、首站温度、末站温度、油品压力、首站高程、末站高程以及雷诺数等18 项数据输入PCA 算法中,对其进行主成分分析,分析结果如表1所示。从表1中可以看出,加剂浓度的贡献率高达44.988 6%,证明加剂浓度是影响减阻剂减阻率的主要因素。同时还可以看出,加剂浓度、管道直径、长度、平均输量、平均输送速度以及雷诺数六项影响因素的累计贡献率高达98%,因此,可以使用这六项影响因素代替所有初选影响因素进行GRNN预测。
3.2 预测结果分析
使用加剂浓度、管道直径、长度、平均输量、平均输送速度以及雷诺数六项因素作为减阻剂减阻率的影响因素,在MATLAB程序中建立GRNN模型,该模型的输入向量为7 维,输出向量为1 维,将135 组实验数据作为训练数据,对20 组数据进行预测,使用交叉验证的方式对光滑因子进行优选,优选结果为0.3。PCAGRNN 模型的预测结果如图3 所示,误差如图4 所示,PCA-SVM 模型、Frank Vejahati 所提出的方法、Karami所提出的方法、倒数方程法以及负指数方程法预测结果的平均绝对误差如表2所示。可以看出,PCA-GRNN模型的预测结果与实际减阻率十分接近,除第一组预测数据外,其他组别数据的预测结果均小于10%,第一组数据的误差小于25%,同时,该种模型的预测平均绝对误差为3.832%,远小于其他方法,证明使用人工智能程序预测减阻剂减阻率是可行的;Frank Vejahati 方法所考虑的影响因素数量较少,因此,预测平均绝对误差相对较大;Karami方法充分考虑了各种影响因素,预测平均绝对误差也相对较小;相对而言,负指数方程法和倒数法的预测误差相对较大,不推荐使用这两种方法。
表1 主成分分析结果
图3 PCA-GRNN模型的预测结果
图4 PCA-GRNN模型的预测误差
表2 多种方法的平均绝对误差 %
4 结 论
在本次研究中,首先对影响原油减阻剂减阻率的相关因素进行了深入分析,初选出了18种可能引起减阻率变化的影响因素,使用PCA 算法对影响因素进行了降维处理,最后使用GRNN 算法对135 组数据进行了学习,对20 组数据进行了预测,并将预测误差与Frank Vejahati所提出的方法、Karami所提出的方法、倒数方程法以及负指数方程法的计算结果进行对比。通过此次研究,可以得出以下三条结论:
(1)加剂浓度、管道基本参数、流体性质、流动参数以及雷诺数都可能引起减阻剂减阻率产生变化,因此,减阻率的影响因素相对较多,传统的拟合公式难以准确的计算出减阻率数据;
(2)通过PCA降维结果可以看出,加剂浓度是影响减阻率最重要的因素,加剂浓度对减阻率的贡献率高达44.988 6%,同时,加剂浓度、管道直径、长度、平均输量、平均输送速度以及雷诺数六项影响因素的累计贡献率高达98%,因此,可以基于智能算法使用这六种因素对减阻率进行学习和预测;
(3)PCA-GRNN 模型的预测结果与实际减阻率十分接近,单组数据的预测误差最大不超过25%,平均绝对误差仅为3.832%,远低于其他方法,证明该模型完全可以用于减阻剂减阻率预测。