径向基神经网络预测天然气凝析油爆炸极限

2020-11-16田润芝景根辉

天然气化工—C1化学与化工 2020年5期

范峥，田润芝，景根辉，林亮，田磊，

（1.西安石油大学化学化工学院，西安 710065；2.西安长庆科技工程有限责任公司，西安 710018；3.陕西省石油化工研究设计院，西安 710054；4.弗吉尼亚联邦大学工学院，里士满 23284）

天然气凝析油是指从凝析气田或者油田伴生天然气中凝析出来的液态组分，颜色多呈淡黄色，其主要成分是C5～C8的烃类混合物，并含有少量大于C8的烃类以及微量噻吩、硫醇、硫醚等杂质[1-3]。天然气凝析油具有密度小、重烃和非烃含量低、挥发性好等诸多优点[4]，是能源化工领域非常理想的优质原料，被广泛应用于燃料油、乙烯、苯、甲苯、二甲苯等产品生产，经蒸汽转化后还可得到合成气或氢气[5]。

天然气凝析油蒸汽易与空气形成爆炸性混合物，遇明火、高温极易燃烧并蔓延至相当远的地方，对企业及周边环境安全构成极大威胁[6]。爆炸极限是衡量可燃性气体爆炸风险性大小的重要指标，爆炸下限愈低，愈容易达到，爆炸上限愈高，爆炸范围愈宽，发生爆炸的风险性就愈大[7-9]。为了更好地预测混合气体的爆炸极限，国内外相关学者围绕上述问题进行了大量的分析、研究，并先后建立了经验模型和半经验模型等多种预测方法。但是，由于爆炸上、下限与各组分含量、现场工况之间并非完全的线性关系，故这些模型本身普遍存在相对误差偏大、适用范围较小等难以克服的缺陷，极大限制了爆炸极限预测模型的推广和应用。

人工神经网络作为人工智能的重要技术手段，是一种模仿生物神经元工作过程的机器学习算法[10]。自上世纪80年代开始，伴随着计算机科学与技术的突飞猛进，人工神经网络发展迅速，目前已被广泛应用于石油、电子、化工、材料、医药和交通等领域，并取得了一定的成果[11-13]。径向基人工神经网络于1988年由D.S.Broomhead和D.Lowe首次提出，与BP人工神经网络、自组织人工神经网络以及反馈人工神经网络等其他形式相比，径向基人工神经网络将低维的输入矢量变换到高维空间中，使得低维空间内的线性不可分在高维空间内线性可分[14-15]，具有结构简单、训练方便、学习收敛速度快且能够逼近任意非线性函数等诸多优点[16-18]，譬如，徐博等[19]提出了一种基于径向基人工神经网络辅助容积卡尔曼滤波的多自主水下航行器协同定位方法；陈庆贵等[20]借助径向基人工神经网络对航空发动机排气温度进行了准确预测，显著节约了维修成本，降低了飞机的故障率；沈凌云等[21]则成功采用径向基人工神经网络建立了太阳能电池板的电致发光图像与其缺陷类型间的预测模型。

为了提高预测天然气凝析油爆炸极限的准确性，本文首先按照GB/T 12474-2008《空气中可燃气体爆炸极限测定方法》中的相关要求，采用可燃气体爆炸极限实验装置测定了天然气凝析油的爆炸上、下限，然后以上述实验结果为样本数据库，通过径向基人工神经网络的训练、验证和测试建立起适宜的天然气凝析油爆炸极限预测模型，最后在该模型的基础上，利用多因素方差分析研究了天然气凝析油爆炸极限各影响因素的作用大小，从而为天然气凝析油爆炸风险地有效识别、合理控制与及时消除提供了科学、可靠的理论支撑和数据来源。

1 实验

1.1 爆炸极限测定装置

该可燃气体爆炸极限实验装置主要由爆炸反应管、配气系统、点火系统、恒温加热系统及测量系统等组成，其中，爆炸反应管用硬质玻璃制成，管长1400 mm，管内径60 mm，管壁厚5 mm，管底部装有通径25 mm的泄压阀；配气系统主要包括气瓶、配气管路、气体循环泵及真空泵；点火采用15 kV电火花方式点火系统；恒温加热系统采用电加热丝-风扇恒温加热系统，并在柜体上下各配有一个温度感应器；测量系统主要包括压力计和电压互感器，整个测量过程由计算机负责统一控制。

实验时，首先将爆炸反应管抽至真空，然后在指定温度条件下向其中配入一定比例的可燃气体和氧气并进行点火实验，采用目测法观察火焰的燃烧情况以及爆炸时压力的升高值，并将2%及以上的压力升高作为判断可燃气体是否可爆的依据。

1.2 爆炸极限预测模型

图1 径向基人工神经网络结构示意图

本文通过径向基人工神经网络建立天然气凝析油爆炸极限预测模型。径向基人工神经网络由输入层、隐含层和输出层三部分组成，其结构如图1所示，其中，输入层由天然气凝析油中的C5、C6、C7、C8、C9+质量分数，气相中的O2物质的量分数以及操作温度等信号源节点组成；隐含层中的变换函数为高斯径向基函数，它属于对中心点径向对称且衰减的非负非线性函数；输出层负责对输入模式下的天然气凝析油爆炸上、下限做出必要的响应。

当径向基人工神经网络的输入信号为xp=[x1p,x2p,···,xip,···,xmp]T，i=1,2,…,m，输出信号为yp=[y1p,y2p,···,ykp,···,ynp]T，k=1,2,…,n时，

式中：p为样本的序号，p=1,2,…,P；P为样本数；i为信号源节点的序号；m为信号源节点数；k为与第p个样本对应的输出层节点的序号；n为输出层节点数；R为高斯径向基函数的激活函数；c为高斯径向基函数的中心；j为隐含层节点的序号，j=1,2,…,Q；Q为隐含层节点数；σ为高斯径向基函数的方差。

此时，径向基人工神经网络的预测输出为：

式中：p为样本的序号，p=1,2,…,P；P为样本数；k为与第p个样本对应的输出层节点的序号；j为隐含层节点的序号，j=1,2,…,Q；Q为隐含层节点数；wjk为从第j个隐含层节点到第k个输出层节点的连接权值；σ为高斯径向基函数的方差；c为高斯径向基函数的中心。

若径向基人工神经网络第p个样本、第k个输出节点的预测输出与期望输出存在一定的均方误差，即：

式中：p为样本的序号，p=1,2,…,P；P为样本数；k为与第p个样本对应的输出层节点的序号；n为输出层节点数；e为预测输出y与期望输出y^的绝对误差。

径向基人工神经网络采用梯度下降法不断更新高斯径向基函数的中心和隐含层到输出层之间的连接权值，使得预测输出不断逼近期望输出：

式中：c为高斯径向基函数的中心；j为隐含层节点的序号，j=1,2,…,Q；Q为隐含层节点数；MSE为均方误差；wjk为从第j个隐含层节点到第k个输出层节点的连接权值；η1、η2均为学习效率；t为迭代次数。

1.3 爆炸极限多因素方差分析

本文以天然气凝析油爆炸极限预测模型为基础，采用多因素方差分析对影响天然气凝析油爆炸上、下限的相关因素进行了研究。多因素方差分析作为一种从诸多因素中筛选出对响应值有显著影响的因素的方法，通过探讨不同来源的变异对总变异的贡献大小来确定各个因素对研究结果影响程度。

假设在径向基人工神经网络中，若第h个水平的第q次预测输出为yhq，则存在如下关系：

式中：φh为第h个水平的预测输出均值；μi,hq为影响第i个输入信号第h个水平、第q次预测输出的主效应；ζhq为第h个水平、第q次预测输出的误差。

分别对s个水平进行假设性检验，判断它的主效应是否为0，即：

一般来说，应选择可信度大于95%或者显著性水平达到0.05的因子作为重要因子。

2 结果与讨论

2.1 样本数据库的建立

本文共采集了不同工况下的有效样本数据200组，具体详见图2。第1～100组随机数据用于输入径向基人工神经网络进行训练，而第101～200组随机数据作为验证和测试样本不参加训练。当径向基人工神经网络经过反复训练满足指定的容许收敛误差限后，将第101～160组随机数据输入训练好的人工神经网络来验证天然气凝析油爆炸极限预测模型的准确性与可靠性，若其仍然满足容许收敛误差限的相关要求，则继续将第161～200组随机数据输入径向基人工神经网络进行测试。

图2 天然气凝析油爆炸极限样本数据库三维图

2.2 隐含层节点数的确定

由于径向基人工神经网络隐含层非线性神经元和输出层线性神经元的模型各异且它们在网络中所起的作用亦有所不同，故隐含层节点数的确定一直以来都是决定径向基人工神经网络预测效果好坏的关键所在。本文在迭代次数上限为1000步、学习效率η1、η2分别取0.04和0.06的条件下，利用试凑法找出了径向基人工神经网络适宜的隐含层节点数，其结果如图3所示。

图3 隐含层节点数对均方误差的影响规律

由图3可知，当隐含层节点数为10时，径向基人工神经网络的均方误差高达54.6215，随着隐含层节点数的不断增加，模型的均方误差迅速降低，当隐含层节点数大于34时，均方误差降幅趋缓。隐含层节点数越多，天然气凝析油爆炸极限预测模型的计算结果越准确，但是，隐含层节点数的增加会提高径向基人工神经网络结构的复杂程度，导致人工神经网络的执行效率降低，因此，本文选择7-34-2型径向基人工神经网络结构进行后续的训练、验证和测试。

2.3 人工神经网络的训练、验证和测试

本文采用NeuroSolutions 7.1.0.0软件建立了基于径向基人工神经网络的天然气凝析油爆炸极限预测模型，并对该人工神经网络进行了训练、验证和测试。图4展示了径向基人工神经网络在训练阶段的均方误差随迭代次数增加的变化情况。由图4可知，随着径向基人工神经网络迭代次数的不断增加，天然气凝析油爆炸极限预测模型的均方误差逐渐减小，当模型利用训练数据经过2190次反复迭代后，预测模型的均方误差变为0.0099，小于允许收敛误差限0.0100，这表明径向基人工神经网络此时已经达到收敛要求。

图4 训练阶段径向基人工神经网络均方误差的变化趋势

图5为径向基人工神经网络在训练、验证和测试阶段的预测输出与期望输出的对比图。由图5可知，由天然气凝析油爆炸极限预测值和期望值组成的实验点均匀分布在45°回归线两侧，以上两者之间近似呈线性关系，其训练阶段、验证阶段与测试阶段的决定系数分别为0.9997、0.9998、0.9999，表明了此模型中的预测值及期望值存在较高的相关性，即利用径向基人工神经网络的天然气凝析油爆炸极限预测模型对爆炸上、下限进行预测有着较高的准确性和可靠性。

图5 训练、验证和测试阶段的预测值与期望值对比图

2.4 爆炸极限影响因素分析

为了对天然气凝析油爆炸极限的影响因素进行多因素方差分析，本文以径向基人工神经网络预测结果为基础，采用SPSS Statistics 22.0.0软件分别对天然气凝析油中的C5、C6、C7、C8、C9+质量分数和气相中的O2物质的量分数以及操作温度共7个因素进行了全面考察，结果详见表1。

表1 各因素对天然气凝析油爆炸极限的影响程度

由表1可知，在显著性水平α=0.05（可信度95%）下，由于C5、C6、C7、C8质量分数，O2物质的量分数和操作温度的F值均大于临界值F0.05(4,10)=3.48且概率P值小于临界值0.05，故它们对爆炸上、下限具有非常显著影响，应给予重点关注，而C9+质量分数则对其影响不显著。影响天然气凝析油爆炸极限的主要因素及其排序如下：C5质量分数＞操作温度＞C6质量分数＞C7质量分数＞O2物质的量分数＞C8质量分数。