基于前饋性神經網絡在段塞流海底管道壓力預測中的應用

柯文超，張金磊，鄧利惠，徐壯飛，趙德喜，姜顯英

中海石油（中國）有限公司天津分公司，天津 300459

在海上油田開發生產中，油氣混輸管道具有輸送量大、長距離輸送壓損小、熱能損失偏低等優點而在海上油田生產中大量運用。對海底管道（以下簡稱海管）壓力進行監測以及準確分析海管壓力波動原因是保障油田安全生產的必備工作。海管壓力波動不僅對油田生產流程產生沖擊，還可能引起海管高高壓關斷或者手動停運電潛泵，從而影響油田原油產量。一旦實際運行壓力產生的高高壓引起海管泄漏，則會導致嚴重安全事故，因此，研究海管運行壓力規律具有重要意義。有學者指出引起海管高壓的原因有溫度、含水、黏度等因素，也有學者對氣液混輸管路的清管時間和清管球運行速度進行預測。目前，在油田現場觀察海管壓力主要采用壓力變送器傳輸等方式。傳統理論認為，油氣混輸海管中氣液在各種不同情況下的流態主要由段塞流、水平流、純液流等組成；其中，段塞流對現場流程實際影響較為明顯，容易引起下游分離器油相液位大范圍波動，出現高高液位或低低液位產生的生產關停[1-2]。

1 神經網絡介紹

神經網絡主要模仿人類大腦思維方式，采用信號前向傳遞、誤差反向反饋算法，通常由輸入層、隱含層、輸出層等組成。在傳播過程中，如果輸出層的值達不到預設值，則繼續反向修正，根據誤差調整神經網絡，從而使神經網絡預測不斷接近期望輸出值，如圖1所示。

圖1 神經網絡結構

當出現的問題不能用常規數學模型表示時（如故障預判、特征向量提取和數據預測等問題），常規線性函數關系不能夠有效建模，神經網絡是目前最佳利用工具。位云生等將神經網絡應用于水力壓裂，霍雅迪用神經網絡對重復壓裂技術進行了優選，其他一些學者也證明了前饋性（BP）神經網絡在油田現場應用的可行性[3-5]。

對于輸入量X=X1，X2，…，Xk，對海管壓力賦值Xk，壓力波動的最大值與最小值能夠反映出海管壓力變化的強烈程度。

Xmax=max （X1，X2，…，Xk）

Xmin=min （X1，X2，…，Xk）

海管壓力平均值的計算：

海管壓力標準偏差SD的離散度：

1.1 海管運行壓力模型構建

構建合適的神經網絡海管壓力預測模型，預測流程如圖2所示。

圖2 預測流程

1.2 S油田WHP1平臺海管壓力數據波動原因分析

S油田WHP1無人值守平臺2006年投產，采用以下模式生產：一條油氣混輸海管、一根輸送電力的復合電纜、一座井口平臺。WHP1平臺油井采取電潛泵舉升，單泵產液量為30～350 m3/d，目前共有10口電泵井生產。油井產物流在地面加熱處理后，由油氣混輸管道輸送至中心平臺。海管基礎數據如表1所示，海管當前運行參數如表2所示，在對海管壓力分析過程中選取了海管12 h壓力數據，如表3所示。

表1 海管基礎數據

表2 海管當前運行參數

表3 海管實際運行壓力值

計算海管流體雷諾數Re:

式中：Q為輸氣量，m3/s；d為管道內徑，m；v為運動黏度，m2/s。根據流體力學可以判斷此流態屬于混合摩擦流態。

當油井中出現不同形態的井產物流時，混合物的密度也在發生變化，由上述公式可知，海管中出現一段純氣流或純液流是導致海管產生不同壓力的主要原因。純氣流狀態下，密度??；純液流狀態下，密度大。對于純氣體狀態下的這種摩擦，可以引用潘漢特爾輸氣公式：

式中：Q為產氣量，E為輸氣效率，d為海底管道直徑，Pb為起點壓力，Pe為終點壓力，T為輸氣平均溫度，Z為壓縮因子，L為管道長度，ρ為天然氣相對密度。

由潘漢特爾輸氣公式可知：對于輸送距離較短的輸氣海管，產氣量Q的變化會導致海管內能量發生變化，導致管道前后壓能發生較大變化[6-9]。

2 數據歸一化處理

本模型選取海管實際運行壓力值作為樣本數據。由于海管壓力波動，需要對壓力運行數據進行歸一化處理，將數據轉化在區間[0，1]之間。

首先，在整個數據范圍內確定最大值Xmax和最小值Xmin。；然后，將運行壓力數據Xi代入公式：Xj=（Xi-Xmin） /（Xmax-Xmin），求取歸一化后壓力數據Xj。壓力數據經過標準化處理后，每個值都在[0，1]之間，消除了壓力數據由于不同量綱導致的變化，從而構建出海管實際運行壓力矩陣。

3 應用實例

利用整理好的段塞流海管壓力數據樣本P進行網絡訓練，利用未參與訓練的樣本Ptest對該系統進行檢驗，通過調整隱含層的層數、學習率、訓練方法和訓練次數，經過多次的反復訓練，使海管壓力誤差達到了預測的要求。最終，隱含層第一層節點數設置為30，隱含層第二層節點數設置為40，訓練次數設置為10 000次。在Matlab軟件中進行運行計算，即輸入訓練樣本中海管壓力數據，運行代碼如圖3所示。

圖3 運行代碼

圖4是經過10 000次的網絡訓練后，實際值與預測值的對比結果，網絡的誤差下降到了0.001，達到了誤差精度要求；圖5為網絡訓練誤差。

圖4 實際值與預測值對比

圖5 網絡訓練誤差

通過收集海管壓力運行數據，運用前饋性神經網絡對海管壓力進行預測，可知WHP1平臺海管實際運行壓力高于1 550 kPa（接近1 600 kPa的生產關停保護壓力、高于1 330 kPa的實際操作壓力）的頻次為1.6 h/d。根據WHP1平臺海管運行當中出現的高運行壓力次數，通過對現場油水混合物的黏度、溫度、含水以及海管出口背壓等因素分析，研究WHP1平臺海管高壓原因，得出降低下游中心平臺生產分離器操作壓力是一種保障WHP1平臺海管壓力正常運行的方法，故改變現有流程中壓油系統、天然氣系統、生產污水系統入口壓力值，有效降低了WHP1平臺海管實際運行壓力，避免了WHP1平臺由于海管高高壓產生的生產關停。

4 結論

（1）海管壓力波動頻繁受很多因素影響，S油田WHP1平臺海管輸送距離短、管徑小、單井瞬時產氣量波動范圍大，是導致海管壓力波動大的主要原因，具有建立良好壓力數據預測樣本集的基礎。

（2）對于受段塞流影響較大的海管，前饋人工神經網絡方法能夠充分考慮各種因素對海管壓力波動影響，對海管壓力進行預測，為后期流程改造和流程調節提供依據。

（3） 利用前饋人工神經網絡預測S油田WHP1平臺海管壓力波動準確率達到99%，證明人工神經網絡方法在非線性常規數學方法中可以運用。根據神經網絡預測海管高壓出現的頻次，S油田通過調整現場原油流程、生產污水處理流程、天然氣流程運行參數，有效降低了海管實際運行壓力，可確保海管運行安全。