基于最小二乘支持向量機的蠟沉積速率預測

靳文博，敬加強，田震，孫娜娜，伍鴻飛

（西南石油大學油氣消防四川省重點實驗室，四川 成都 610500）

基于最小二乘支持向量機的蠟沉積速率預測

靳文博，敬加強，田震，孫娜娜，伍鴻飛

（西南石油大學油氣消防四川省重點實驗室，四川 成都 610500）

考慮蠟沉積影響因素的復雜性和最小二乘支持向量機在小樣本預測方面的優勢，基于最小二乘支持向量機預測的原理，通過優化最小二乘支持向量機的參數，建立了蠟沉積速率的預測模型，并對蠟沉積速率進行了預測。結果表明：該方法在樣本數量較小時仍具有較高的精度，蠟沉積速率的預測值和實驗值的吻合程度較好；最小二乘支持向量機建模時可以得到直觀的函數表達式，而神經網絡方法卻不能得到模型的顯式表達式，因此該方法具有明顯的優勢；應用徑向基核（RBF）作為核函數時，不同初值的正則化參數γ和核函數寬度σ對預測結果具有較大影響，使用時應合理選擇。

最小二乘支持向量機；蠟沉積速率；預測；模型；模型精度

易凝高黏含蠟原油一般采用加熱輸送工藝，其目的主要是降低原油的黏度和改善原油的流動性，減少摩阻損失。在加熱輸送的過程中，由于環境溫度低于管內的原油溫度，因此原油的溫度將不斷降低，當其達到原油的析蠟點時，蠟分子析出，部分蠟分子會沉積到管壁上形成結蠟層。蠟沉積使得管道的有效流通面積減少，流動阻力增大，給管道的安全經濟運行帶來了很多困難[1-3]。

國內外學者對于蠟沉積的研究已開展了很多年，目前環道實驗裝置使用的較多，這為蠟沉積規律的認識及蠟沉積模型的建立提供了大量的實驗數據[4-6]。眾所周知，影響蠟沉積速率的因素多而復雜，不同的影響因素間又相互影響，這給蠟沉積的研究帶來了諸多困難。為了進一步掌握各因素對蠟沉積速率的影響規律，一般要安排大量的實驗才能確定。但是，蠟沉積實驗一般要耗費大量的時間和人力，這使得研究者所得的蠟沉積實驗數據一般比較有限。因此，如何利用所得的實驗數據建立可靠的預測方法和模型就顯得尤為重要。周詩崠等[7]采用逐步回歸分析法和人工神經網絡法預測了蠟沉積速率，結果表明人工神經網絡法的精度較高。逐步回歸分析法只能描述線性關系，但計算速度快且能反映蠟沉積速率與影響因素之間的親疏關系；人工神經網絡法則可以描述多因素之間的非線性關系，但計算速度慢且不能得到蠟沉積速率模型的顯式表達式。從德勝等[8]利用L-M優化方法來求解模型中的回歸參數，通過算例證實了此方法得到的模型精度高于逐步回歸分析法。

管輸含蠟原油蠟沉積速率的影響因素較多，各因素間往往存在著一個復雜的非線性關系，故管道的蠟沉積速率預測應是一個多因素的非線性預測問題。神經網絡具有很強的非線性映射能力和強大的自學習能力，可映射任意復雜的非線性關系。但是神經網絡受網絡結構的復雜性和樣本復雜性的影響較大，且有時會出現過學習、訓練時間長、低泛化能力以及易陷入局部極小值等問題[9]。支持向量機（support vector machine，SVM） 是近年來發展起來的一種新型學習機器，是統計學習理論的一種通用學習方法。它通過結構風險最小化原理來提高泛化能力，能較好地解決小樣本、非線性、高維數及局部極小點等實際問題[10-11]。而最小二乘支持向量機（LS-SVM）是支持向量機的一種擴展，該方法采用最小二乘線性系統作為損失函數，用等式約束替代不等式約束，使得求解過程變成了解一組等式方程，從而降低了模型的復雜程度，提高了求解速度[12]。基于此，本文將最小二乘支持向量機的思想引入到蠟沉積速率的預測中，通過優化最小二乘支持向量機的參數，預測了管道的蠟沉積速率，建立了蠟沉積速率的預測模型，這對于蠟沉積規律的研究具有一定的指導意義。

1 最小二乘支持向量機的原理

最小二乘支持向量機是支持向量機的一種改進，它將傳統支持向量機中的不等式約束改為等式約束，并將解二次規劃問題轉化為求解線性方程組問題，其基本原理如下：對于一個訓練樣本集其中xi為輸入數據，yi為輸出數據。用一非線性映射φ(·)把樣本從原空間Rn映射到特征空間φ(xi)，這樣可使得非線性回歸問題變成高維特征空間的線性回歸問題，在這個高維特征空間中構造最優決策函數，如式（1）。

基于結構風險最小化原理，此回歸問題可以表示為約束優化問題，如式（2）。

式中，γ為正則化參數；ω為權向量；ei為誤差變量；b為偏差量。對于式（2）引入拉格朗日函數，得式（3）。

式中，αi為lagrange乘子（支持向量），對式（3）優化后可得式（4）。

對式（4）可進一步消除變量ω、e，得如下式（5）矩陣方程。

式中，α與b可應用最小二乘法從方程式（5）中求得。

2 最小二乘支持向量機預測蠟沉積速率的步驟

Matlab的最小二乘支持向量機工具箱為蠟沉積速率的預測提供了便利，預測的步驟如下。①建立學習樣本和測試樣本：基于蠟沉積環道實驗數據[13]，以管壁處的剪切應力（τ）、管壁處溫度梯度（T'）、管壁處蠟分子濃度梯度（C'）、原油的動力黏度（μ）、流速（υ）、壁溫（TB）以及油溫（TY）這7個影響因素作為輸入向量，以蠟沉積速率（Wr）作為輸出向量。數據共計38組，取其中的20組作為學習樣本，其余樣本為測試樣本。②數據的導入和預處理：對讀入的數據進行預處理，預處理的目的主要是可以加快訓練速度。所用的函數為Prestd歸一化函數。③核函數的選擇：核函數有不同的形式，常用的有線性核、多項式核、徑向基核（RBF）等，RBF核只有一個待定參數，擬合精度較高，文中選取RBF核。④參數的選?。簩τ诓捎肦BF核的最小二乘支持向量機，其主要參數是選取正則化參數γ和核函數寬度σ，即尋找最優的γ和σ組合，使得LS-SVM具有良好的預測能力。文中應用Matlab工具箱中的Tunelssvm函數通過交叉驗證尋優的方法得到最佳的參數組合。⑤訓練建立模型：利用最小二乘支持向量機對學習樣本進行樣本學習，得到輸入參數和輸出參數的關系。利用Trainlssvm函數來訓練建立模型，訓練結束后即可得到支持向量和偏差量。⑥測試樣本預測：導入預測數據，預處理后利用Simlssvm函數對測試樣本進行預測，并分析其預測的精度。

3 蠟沉積速率預測結果

利用文獻[13]的38組蠟沉積環道實驗數據，取其中的20組作為學習樣本，其余的18組為測試樣本來進行預測。測試樣本的數據如表1所示。

從表1可見，蠟沉積速率的影響因素錯綜復雜，數據毫無任何規律，因此在多個影響因素下（7個）建立蠟沉積速率的模型難度較大。此處利用最小二乘支持向量機，依據上述預測步驟，預測了測試樣本的蠟沉積速率值，結果如圖1所示。

預測得到的相關系數為0.9832，故該方法的預測精度高。偏差量b為5.1577，得到最優的參數組合為：[γ，σ]=[2756.55，208.44]。從圖1中蠟沉積速率的實驗值與預測值的結果可見，預測值和實驗值的吻合程度較好，因此采用最小二乘支持向量機來預測蠟沉積速率是可行的。

表1 測試樣本

圖1 最小二乘支持向量機預測結果

4 最小二乘支持向量機建立蠟沉積速率模型

通過對蠟沉積速率實驗數據的回歸，可以得出蠟沉積速率與各影響因素間的對應關系，由此可以得出蠟沉積速率的預測模型。

由前述最小二乘支持向量機的原理中式（6）可得到蠟沉積速率的預測式為式（7）。

所得的支持向量αi如表2所示，將其帶入式（7）中即可得到20組學習樣本訓練后的蠟沉積速率預測模型。從該模型可以看出，最小二乘支持向量機在確定核函數的形式和相應的參數后，就可以得到預測蠟沉積速率的直觀函數表達式。從訓練的結果來看，最小二乘支持向量機每次訓練時得到的解析式是唯一的，這也是最小二乘支持向量機的一個優勢。

表2 支持向量

5 最小二乘支持向量機的參數對預測性能的影響

對于采用RBF作為核函數的最小二乘支持向量機而言，其主要考慮的是參數γ和σ，這兩個參數在很大程度上決定了最小二乘支持向量機的學習能力和泛化能力。文中在預測的過程中，發現這兩個參數取不同的初值對模型的預測結果具有較大的影響。此處取γ=500，σ=10，以相關系數為評定標準，通過改變γ和σ的取值來分析這兩個參數對預測結果的影響。首先固定γ，變化σ，取其多次預測結果相關系數的平均值來分析σ對預測結果的影響；之后固定σ，變化γ，探討γ對預測結果的影響，所得的結果如圖2和圖3所示。

從圖2可見，σ值的改變對于預測結果的影響很大。隨著σ值的增加，預測的精度提高。當σ值為10時，預測的精度高且相關系數變化較?。ǘ啻蔚念A測結果），因此此時的σ值適合用于最小二乘支持向量機的預測。從圖3可見，當σ值為10時，預測的精度均較高。隨著γ值的增加，預測的精度有所提高。當γ為100時，預測的精度可達到很高的程度。

圖2γ=500時相關系數隨σ值的變化趨勢

圖3σ=10時相關系數隨γ值的變化趨勢

6 結 論

（1）基于室內蠟沉積環道實驗數據，考慮了7個影響管輸含蠟原油蠟沉積速率的因素，并將最小二乘支持向量機的原理引入到蠟沉積速率的預測中。結果表明蠟沉積速率的實驗值和預測值之間的吻合程度較好，因此最小二乘支持向量機可用來預測蠟沉積速率。

（2）利用最小二乘支持向量機，建立了管壁處的剪切應力、管壁處溫度梯度、管壁處蠟分子濃度梯度、原油的動力黏度、流速、壁溫以及油溫這7個影響因素與蠟沉積速率之間的預測模型。該方法與神經網絡法相比，可得到蠟沉積速率模型的直觀函數表達式；該方法與逐步回歸分析法相比，逐步回歸分析法只能描述線性關系，因此在此方面最小二乘支持向量機具有明顯的優勢。

（3）當采用RBF作為最小二乘支持向量機的核函數時，不同初值的正則化參數γ和核函數寬度σ對于預測結果的影響較大，因此具體應用時應合理選擇最小二乘支持向量機的參數，以便使其達到很好的預測效果。

[1] Huang Z Y，Lu Y D，Hoffmann R，et al. The effect of operating temperatures on wax deposition[J].Energy Fuels，2011，25：5180-5188.

[2] 孫百超，王岳，尤國武. 含蠟原油熱輸管道管壁結蠟厚度的計算[J]. 石油化工高等學校學報，2003，16（4）：48-51.

[3] Hoteit H，Banki R，Firoozabadi A. Wax deposition and aging in flowlines from irreversible thermodynamics[J].Energy Fuels，2008，22（4）：2693-2706.

[4] 王霞光，蔡均猛. 模型環道的蠟沉積實驗[J]. 石油化工高等學校學報，2005，18（2）：64-66.

[5] Bidmus H O，Mehrotra A K. Solids deposition during “Cold Flow” of wax-solvent mixtures in a flow-loop apparatus with heat transfer[J].Energy Fuels，2009，23：3184-3194.

[6] 黃啟玉，張勁軍，高學峰，等. 大慶原油蠟沉積規律研究[J]. 石油學報，2006，27（4）：125-129.

[7] 周詩崠，吳明. 管道輸送原油蠟沉積速率模型研究[J]. 遼寧石油化工大學學報，2004，24（2）：73-77.

[8] 從德勝，汪玉春. L-M方法優化管輸原油蠟沉積速率模型[J]. 油氣儲運，2009，28（5）：19-21.

[9] 朱家元，張喜斌，張恒喜，等. 多參數裝備費用的支持向量機預測[J]. 系統工程與電子技術，2003，25（6）：701-703.

[10] Vapnik V N. An overview of statistical learning theory[J].IEEE Trans Neural Network，1999，10（5）：988-999.

[11] 張全明，劉會金. 最小二乘支持向量機在電能質量擾動分類中的應用[J]. 中國電機工程學報，2008，28（1）：106-110.

[12] 郭輝，劉賀平，王玲. 最小二乘支持向量機參數選擇方法及其應用研究[J]. 系統仿真學報，2006，18（7）：2033-2036.

[13] 王雪亮. 華池作業區管輸原油蠟沉積現象預測分析研究[D]. 西安：西安石油大學，2010.

Prediction of wax deposition rate based on least squares support vector machine

JIN Wenbo，JING Jiaqiang，TIAN Zhen，SUN Nana，WU Hongfei
（Oil and Gas Fire Protection Key Laboratory of Sichuan Province，Southwest Petroleum University，Chengdu 610500，Sichuan，China）

Considering the complexity of the influence factors of wax deposition and the advantage of least squares support vector machine in small sample prediction，based on the prediction principles of least squares support vector machine，by optimizing the parameters of least squares support vector machine，the prediction model of wax deposition rate was established and wax deposition rate was predicted. The method had higher accuracy when the samples were fewer，and the prediction results of wax deposition rate was in good agreement with the experimental data. The least squares support vector machine could get the intuitive function expression when it was used to establish the model of wax deposition rate，while neural network method could not get explicit expression. so this method has sufficient preponderance. When the RBF kernel function was used，different initial values of regularization parametersγand kernel bandwidthσhad a greater impact on the predicted results，so it should be used with care.

least squares support vector machine；wax deposition rate；prediction；model；model accuracy

TE83

A

1000-6613（2014）10-2565-05

10.3969/j.issn.1000-6613.2014.10.008

2014-02-17；修改稿日期：2014-04-08。

靳文博（1986—），男，博士研究生，主要從事油氣集輸技術與理論研究。E-mail jinwenbo725@163.com。聯系人：敬加強，教授，博士生導師。E-mail believemetoo@sina.com。