基于前馈性神经网络在段塞流海底管道压力预测中的应用

柯文超，张金磊，邓利惠，徐壮飞，赵德喜，姜显英

中海石油（中国）有限公司天津分公司，天津 300459

在海上油田开发生产中，油气混输管道具有输送量大、长距离输送压损小、热能损失偏低等优点而在海上油田生产中大量运用。对海底管道（以下简称海管）压力进行监测以及准确分析海管压力波动原因是保障油田安全生产的必备工作。海管压力波动不仅对油田生产流程产生冲击，还可能引起海管高高压关断或者手动停运电潜泵，从而影响油田原油产量。一旦实际运行压力产生的高高压引起海管泄漏，则会导致严重安全事故，因此，研究海管运行压力规律具有重要意义。有学者指出引起海管高压的原因有温度、含水、黏度等因素，也有学者对气液混输管路的清管时间和清管球运行速度进行预测。目前，在油田现场观察海管压力主要采用压力变送器传输等方式。传统理论认为，油气混输海管中气液在各种不同情况下的流态主要由段塞流、水平流、纯液流等组成；其中，段塞流对现场流程实际影响较为明显，容易引起下游分离器油相液位大范围波动，出现高高液位或低低液位产生的生产关停[1-2]。

1 神经网络介绍

神经网络主要模仿人类大脑思维方式，采用信号前向传递、误差反向反馈算法，通常由输入层、隐含层、输出层等组成。在传播过程中，如果输出层的值达不到预设值，则继续反向修正，根据误差调整神经网络，从而使神经网络预测不断接近期望输出值，如图1所示。

图1 神经网络结构

当出现的问题不能用常规数学模型表示时（如故障预判、特征向量提取和数据预测等问题），常规线性函数关系不能够有效建模，神经网络是目前最佳利用工具。位云生等将神经网络应用于水力压裂，霍雅迪用神经网络对重复压裂技术进行了优选，其他一些学者也证明了前馈性（BP）神经网络在油田现场应用的可行性[3-5]。

对于输入量X=X1，X2，…，Xk，对海管压力赋值Xk，压力波动的最大值与最小值能够反映出海管压力变化的强烈程度。

Xmax=max （X1，X2，…，Xk）

Xmin=min （X1，X2，…，Xk）

海管压力平均值的计算：

海管压力标准偏差SD的离散度：

1.1 海管运行压力模型构建

构建合适的神经网络海管压力预测模型，预测流程如图2所示。

图2 预测流程

1.2 S油田WHP1平台海管压力数据波动原因分析

S油田WHP1无人值守平台2006年投产，采用以下模式生产：一条油气混输海管、一根输送电力的复合电缆、一座井口平台。WHP1平台油井采取电潜泵举升，单泵产液量为30～350 m3/d，目前共有10口电泵井生产。油井产物流在地面加热处理后，由油气混输管道输送至中心平台。海管基础数据如表1所示，海管当前运行参数如表2所示，在对海管压力分析过程中选取了海管12 h压力数据，如表3所示。

表1 海管基础数据

表2 海管当前运行参数

表3 海管实际运行压力值

计算海管流体雷诺数Re:

式中：Q为输气量，m3/s；d为管道内径，m；v为运动黏度，m2/s。根据流体力学可以判断此流态属于混合摩擦流态。

当油井中出现不同形态的井产物流时，混合物的密度也在发生变化，由上述公式可知，海管中出现一段纯气流或纯液流是导致海管产生不同压力的主要原因。纯气流状态下，密度小；纯液流状态下，密度大。对于纯气体状态下的这种摩擦，可以引用潘汉特尔输气公式：

式中：Q为产气量，E为输气效率，d为海底管道直径，Pb为起点压力，Pe为终点压力，T为输气平均温度，Z为压缩因子，L为管道长度，ρ为天然气相对密度。

由潘汉特尔输气公式可知：对于输送距离较短的输气海管，产气量Q的变化会导致海管内能量发生变化，导致管道前后压能发生较大变化[6-9]。

2 数据归一化处理

本模型选取海管实际运行压力值作为样本数据。由于海管压力波动，需要对压力运行数据进行归一化处理，将数据转化在区间[0，1]之间。

首先，在整个数据范围内确定最大值Xmax和最小值Xmin。；然后，将运行压力数据Xi代入公式：Xj=（Xi-Xmin） /（Xmax-Xmin），求取归一化后压力数据Xj。压力数据经过标准化处理后，每个值都在[0，1]之间，消除了压力数据由于不同量纲导致的变化，从而构建出海管实际运行压力矩阵。

3 应用实例

利用整理好的段塞流海管压力数据样本P进行网络训练，利用未参与训练的样本Ptest对该系统进行检验，通过调整隐含层的层数、学习率、训练方法和训练次数，经过多次的反复训练，使海管压力误差达到了预测的要求。最终，隐含层第一层节点数设置为30，隐含层第二层节点数设置为40，训练次数设置为10 000次。在Matlab软件中进行运行计算，即输入训练样本中海管压力数据，运行代码如图3所示。

图3 运行代码

图4是经过10 000次的网络训练后，实际值与预测值的对比结果，网络的误差下降到了0.001，达到了误差精度要求；图5为网络训练误差。

图4 实际值与预测值对比

图5 网络训练误差

通过收集海管压力运行数据，运用前馈性神经网络对海管压力进行预测，可知WHP1平台海管实际运行压力高于1 550 kPa（接近1 600 kPa的生产关停保护压力、高于1 330 kPa的实际操作压力）的频次为1.6 h/d。根据WHP1平台海管运行当中出现的高运行压力次数，通过对现场油水混合物的黏度、温度、含水以及海管出口背压等因素分析，研究WHP1平台海管高压原因，得出降低下游中心平台生产分离器操作压力是一种保障WHP1平台海管压力正常运行的方法，故改变现有流程中压油系统、天然气系统、生产污水系统入口压力值，有效降低了WHP1平台海管实际运行压力，避免了WHP1平台由于海管高高压产生的生产关停。

4 结论

（1）海管压力波动频繁受很多因素影响，S油田WHP1平台海管输送距离短、管径小、单井瞬时产气量波动范围大，是导致海管压力波动大的主要原因，具有建立良好压力数据预测样本集的基础。

（2）对于受段塞流影响较大的海管，前馈人工神经网络方法能够充分考虑各种因素对海管压力波动影响，对海管压力进行预测，为后期流程改造和流程调节提供依据。

（3） 利用前馈人工神经网络预测S油田WHP1平台海管压力波动准确率达到99%，证明人工神经网络方法在非线性常规数学方法中可以运用。根据神经网络预测海管高压出现的频次，S油田通过调整现场原油流程、生产污水处理流程、天然气流程运行参数，有效降低了海管实际运行压力，可确保海管运行安全。