基于WOA-BP神经网络的湿气管道持液率预测方法技术

基于WOA

【技术实现步骤摘要】
基于WOA
‑
BP神经网络的湿气管道持液率预测方法


[0001]本专利技术涉及一种基于WOA(鲸鱼算法)
‑
BP神经网络的气液流动参数预测方法，以对湿气管道的持液率进行在线预测，属于多相流预测领域。

技术介绍

[0002]石油是一种不可再生资源，其被称为“工业的血液”，当今世界仍然在工业社会的阶段，因此对石油的需求量很大，石油是一种战略资源，关系到一个国家的安全和发展。在石油的开采过程中，还伴随着水以及天然气，一般采取混合输送的方式。在输油管道的输送过程中，沿线压力逐渐降低导致油品中含有的轻烃组分析出，形成气液两相流；同样在输气管道中，也会有天然气中的重烃组分被析出，形成两相流。由于不同地形的复杂构造，几乎所有的管道都会有一个容易产生积液的弯曲段，使得管输效率降低；存在这种积液可能会使起伏管道末端出现段塞流，从而破坏管线，严重时甚至导致停产。混输管路计算主要包括三部分：流型、持液率和压降，其中持液率是最重要的参数。持液率指管道内实际的液体体积分数，预测持液率对预测水合物的形成以及蜡沉积都起着重要作用，因此持液率的准确预测在石油行业中是非常关键的技术。
[0003]对于持液率的预测，国外学者提出了大量的经验或半经验公式，这些公式都是通过实验得到的，容易产生较大误差，且有很多公式需通过假设迭代方法求解，过程过于复杂。近些年来随着计算机科学的兴起，学者们逐渐将智能算法应用于持液率预测方面。陈星杙等基于ACE算法建立了水平管道持液率计算模型；肖荣鸽等将BP神经网络算法应用于水平管道持液率的预测；邵孟良等基于遗传算法对BP神经网络的权值和阀值进行优化，建立精度较高的气液两相流持液率预测模型；Emad A等采用自适应模糊神经网络算法建立了多相流流型判别模型和持液率预测模型，为油气行业内持液率的计算指引了新方向。
[0004]水平管道持液率所受的影响是很多因素综合造成的，因此持液率的预测属于多因素影响的复杂非线性映射问题，BP神经网络算法刚好能解决此类问题。但传统的BP神经算法由于初始权值和阈值不准确，存在着稳定性差、收敛速度慢、预测精度低等一系列问题。为了解决这些问题，研究者提出了一种利用鲸鱼算法优化BP神经网络的方法，进行持液率的预测。

技术实现思路

[0005]本专利技术的目的是提供基于WOA(鲸鱼算法)
‑
BP神经网络的湿气管道持液率预测方法，通过大量机器学习，对湿气管道的持液率进行在线预测。
[0006]本专利技术选取对水平管道持液率影响最大的管径、气相折算速度、液相折算速度、压力、粘度、温度等6个因素作为影响变量，通过对影响变量和目标变量持液率进行分析以及归一化处理，建立影响变量与目标变量的映射关系，通过WOA
‑
BP神经网络不断训练、学习，实现计算湿气管道持液率预测的目的。
[0007]基于WOA
‑
BP神经网络预测湿气管道持液率的方法，具体步骤如下：
[0008]利用鲸鱼算法构建神经网络结构部分：
[0009]步骤1：确定BP神经网络初始结构，确定连接神经元的初始权值和阈值；鲸鱼算法初始化，将初始权值和阈值转化为座头鲸的位置向量，设置种群规模、最大迭代次数、初始最小权重和最大权重以及收敛因子；
[0010]步骤2：计算个体适应度值，更新座头鲸位置，更新系统向量参数；生成随机算子，并选择包围机制或螺旋方式，更新鲸鱼个体位置；计算每个个体的适应度值，记录最优个体及位置；
[0011]步骤3：最优个体位置满足性能评价标准或到达给定代数，转到步骤4，否则转到步骤2重复执行；
[0012]步骤4：将最优的权值与阈值进行解码，后输入到BP神经网络中，即得到结构最优的神经网络。
[0013]鲸鱼算法对神经网络优化部分：
[0014]步骤1：确定神经网络的结构，给定神经网络的输入、输出样本集；
[0015]步骤2：初始化神经网络的权值和阀值；
[0016]步骤3：设置种群规模(初代种群规模为30)、最大迭代次数、初始最小权重和最大权重以及收敛因子；
[0017]步骤4：将神经网络的初始权值和初始阈值转化为座头鲸的位置向量
[0018]步骤5：令种群初始迭代次数为1，产生一个[0，1]之间的随机数p；
[0019]步骤6：若距离系数且p＜0.5，则鲸鱼通过收缩环绕的方式更新位置进行包围捕食，如公式(1)到(4)所示；
[0020][0021][0022]式中：为一个随着迭代次数的增加而从2到0不断线性减小的向量；
[0023]为一个0到1之间的随机向量；
[0024][0025][0026]式中：为向量系数，t为当前的迭代次数，为第t代最优位置向量，为第t代位置向量，为第t+1代的位置向量；
[0027]步骤7：若距离系数且p＞0.5，则鲸鱼通过螺旋的方式更新位置进行包围捕食，如公式(5)、(6)所示；
[0028][0029][0030]式中：为第t代最优位置向量与第t代位置向量之间的距离，为第t+1代的位置向量，b是一个常数；l是一个0到1之间的随机数；
[0031]步骤8：若距离系数则为探索食物阶段，鲸鱼通过不断搜索的方式更新自身位置，如公式(7)、(8)所示；
[0032][0033][0034]式中：为当前一代中任意个体的位置向量；
[0035]步骤9：计算每个个体的适应度值，记录最优个体位置；
[0036]步骤10：重复步骤5
‑
步骤10，对个体位置进行不断更新，直到满足性能评价标准或到达给定代数为止，即得到最优的权值与阈值参数；
[0037]最后将最优的权值与阈值解码输入到BP神经网络中，即得到结构最优的神经网络；
[0038]专利技术优点：
[0039]鲸鱼算法和BP神经网络都是计算智能领域重要的算法，鲸鱼算法是近些年来有学者在鲸鱼捕食行为的启迪下，所提出来的一种新型群智能算法，该算法的原理简单，设置的参数相对较少，拥有很强的全局搜索能力。BP神经网络可以在映射关系未知的情况下，自主地学习大量的输入和输出模式的映射关系，然后通过不断的逆向传播来反复修改网络的阈值与权值，从而使网络误差达到最小。通过运用具有全局搜索能力的鲸鱼算法对BP神经网络的初始权值和阈值进行优化，可以提高BP神经网络的收敛速度和稳定性，使预测结果更加精确，大大提高了BP神经网络的性能。
[0040]本专利技术是基于WOA
‑
BP神经网络的湿气管道持液率计算方法，提供了一种实时、快速的在线监测方法，给多相流管道输送过程提供了更安全的保障。本专利技术能够对石油、化工、动力、制冷等工业领域内各种水平管道、上倾管道以及下倾管道的持液率进行预测，适用范围广，预测结果稳定而精确。
附图说明
[0041]图1为基于WOA
‑
BP神经网络的持液率预测方法流程图。
[0042]图2为基于WOA
‑
...

【技术保护点】

【技术特征摘要】
1.本权利要求所述的基于WOA
‑
BP神经网络预测湿气管道持液率的方法，其特征是优化算法收敛速度快，准确性高，可适用性强。2.本权利要求所述的鲸鱼算法构建神经网络结构部分，主要包括：输入数据并进行归一化处理；BP神经网络初始化，鲸鱼算法初始化；计算鲸鱼个体适应度，更新座头鲸位置；更新系统向量参数；生成随机算子，并选择包围机制或螺旋方式，更新鲸鱼个体位置；设置终止策略，满足给定迭代次数或达到精度要求后终止运算，所得参数构成优化后的BP神经网络。3.本权利要求所述的鲸鱼算法对神经网络优化部分，其特征是：通过个体的收缩包围和螺旋游走，群体的交流与合作，WOA算法具有全局寻优的能力，克服了BP算法容易陷入局部极值的缺陷，通过优化BP神经网络的初始权重和阈值，提高了BP神经网络的稳定性，...

【专利技术属性】
技术研发人员：肖荣鸽，魏王颖，靳帅帅，庄琦，刘国庆，
申请(专利权)人：西安石油大学，
类型：发明
国别省市：