本发明专利技术涉及油水乳化领域，公开一种基于神经网络的油水乳状液黏度预测方法及装置。本发明专利技术采用实验和机器学习相结合的方法提供一种不同剪切速率、温度、含水率条件下的油水搅拌乳化黏度的动态预测方法，采用自主设计的锥形板可变体积湍流减阻评价装置搅拌制备不同含水率条件下的油水乳状液，实时测试得到多因素条件下的油水乳状液黏度，通过贝叶斯正则化算法与BP神经网络算法相结合对油水乳状液黏度进行预测和评估，解决了油水乳状液黏度预测精度低、普适性差的问题，提高了油水乳状液黏度的预测精度，该方法适用于多变量、大样本的油水乳化情况，对于油田开采、原油处理具有很好的工业指导意义和应用前景。的工业指导意义和应用前景。的工业指导意义和应用前景。
【技术实现步骤摘要】
一种基于神经网络的油水乳状液黏度预测方法及装置
[0001]本专利技术涉及到油水乳化领域，具体涉及到在油田开采过程中的一种基于神经网络的油水乳状液黏度预测方法及装置。
技术介绍
[0002]在油田开采领域中，油田注水和化学驱开采过程中通常会形成油水乳状液(油包水、水包油或油包水包油型乳状液)。对油水乳状液表观黏度的准确预测会直接影响到后续开采工艺的动力和热力消耗。因此，开展对油水乳状液黏度的准确预测对于降低开采过程中能耗具有重要意义。
[0003]油水乳状液的表观粘度与剪切速率、温度、两相相对含量、pH值、无机盐、矿化度等因素有关。目前，针对油水乳化问题的研究主要采用实验和理论相结合的方法。实验部分则在搅拌装置中制备不同含水率的油水乳状液，将一定量制备好的油水乳状液加至高温高压流变仪中，通过控制高温高压流变仪在不同剪切速率、温度、压力等条件测试油水乳状液表观黏度，然后分析含水率、剪切速率、温度、压力对油水乳状液黏度的影响规律，最后实现对乳状液表观黏度的预测。理论部分则基于实验数据确定乳状液表观黏度与各影响因素之间的关系，进行线性或非线性回归，从而得到乳状液黏度的预测模型。然而，由于影响油水乳状液表观黏度的因素多，变化规律复杂，现有的乳状液黏度预测模型适用对象有限，不具备普适性，并且还存在黏度预测不准确的情况。因此，针对油水乳状液黏度的预测问题，基于神经网络开发一种普适性的乳状液黏度预测方法具有重要的理论价值和指导意义。
技术实现思路
[0004]本专利技术的目的是克服现有油水乳状液预测方法的不足，提供一种贝叶斯正则化算法的BP神经网络的油水乳状液黏度预测方法及装置，通过贝叶斯正则化算法与BP神经网络算法相结合来解决油水乳状液黏度预测精度低、普适性差的问题。
[0005]为解决上述技术问题，本专利技术所提供的基于神经网络的油水乳状液黏度预测方法及装置，包括以下步骤：
[0006](1)采用自主设计的锥形板可变体积湍流减阻评价装置开展油水乳化实验，搅拌制备不同含水率条件下的油水乳状液，装置示意图与实物图见图1
‑
2所示；
[0007](2)控制锥形板可变体积湍流减阻评价装置中锥形板的转速、水浴温度，从而实时测试得到不同含水率、剪切速率、温度条件下油水乳状液的黏度；
[0008](3)取50ml搅拌形成的稳定油水乳状液，加注至高温高压流变仪中，设置温度、剪切速率与原配制乳状液的搅拌装置(即锥形板可变体积湍流减阻评价装置)相同，从而测试得到不同压力条件下油水乳状液的黏度；
[0009](4)记录并整理实验测试得到的不同含水率、剪切速率、温度条件下的油水乳状液黏度，建立机器学习的测试集；
[0010](5)分析测试集中的数据，对数据进行预处理，首先油水乳状液黏度数据进行对数
处理，再对剪切速率、温度、含水率以及黏度进行归一化处理；
[0011](6)处理测试集中的数据，将归一化后的样本按照8:2的原则，随机取80％的测试集作为训练集，取20％的测试集作为验证集；
[0012](7)确定输入层、输出层和隐含层神经元的数量；
[0013](8)设定贝叶斯
‑
BP神经网络的激活函数；
[0014](9)贝叶斯
‑
BP神经网络的预测值还原；
[0015](10)建立神经网络结构，见图3所示；
[0016](11)建立和训练贝叶斯
‑
BP神经网络模型，训练流程见图4所示；
[0017](12)贝叶斯
‑
BP神经网络模型的验证和评估，均方差迭代效果见图5所示；
[0018](13)油水乳状液黏度的预测和评估，预测效果见图6
‑
11所示。
[0019]所述步骤(5)，对测试集中的黏度数据进行对数处理，其计算表达式为：
[0020][0021]式中，η
i
为第i个油水乳状液的黏度值，为对数处理后的黏度值。
[0022]所述步骤(5)，对测试集中的剪切速率、温度、含水率以及对数处理之后的油水乳状液黏度统一进行归一化处理，其计算表达式为：
[0023][0024]式中，x
i
为第i个测试集的剪切速率、温度、含水率或对数处理之后的黏度；x
max
、x
min
分别为该实验样本数据的最大值、最小值；a、b为常数，分别为取1、
‑
1；y
i
为i个测试集归一化后的数值，作归一化处理后数据在区间[
‑
1,1]的范围内。
[0025]所述步骤(7)，通过下式初步确定隐含层神经元个数的预设范围：
[0026][0027]式中，n为神经网络输入层神经元数量；m为神经网络隐含层神经元数量；l为神经网络输出层神经元数量；α为常数，范围为区间[1,10]。
[0028]所述步骤(8)，运用S型函数作为神经网络中的激活函数，其计算表达式为：
[0029][0030]所述步骤(9)，对贝叶斯
‑
BP神经网络输出神经元的数值进行还原处理，其计算表达式为：
[0031][0032]式中，为第i个测试集输出层神经元数值；分别为该组测试集输出层神经元数值中的最大值、最小值；a、b为常数，分别为取1、
‑
1；为第i个测试集预测的乳状液黏度。
[0033]所述步骤(10)，采用三层神经网络，即输入层、隐含层、输出层。设定输入向量为x＝(x1,x2,x3)
T
，其中x
i
＝(x
i1
,x
i2
,...,x
ij
)，x
i
为第i种(i＝1、2、3，分别指代剪切速率、温度、含水率)测试集预处理后的数值向量，x
ij
为第j个测试集的第i种测试集预处理后的数值。设
定输出变量为y＝(y1,y2,...,y
j
)，其中，y
j
为第j个测试集的预测数值。在输入层和隐含层之间的执行过程为其中，j＝1，2，
……
，6，为所述步骤(8)所确定的激活函数，ω
ij
为输入层和隐含层之间的连接权值。在隐含层和输出层之间的执行过程为其中α，β分别为第一拟合参数、第二拟合参数，ω
k
为隐含层与输出层之间的连接权值。
[0034]与现有的油水乳状液黏度数学回归的预测方法相比较，本专利技术的有益效果在于，解决了油水乳状液黏度影响因素多、变化规律复杂等问题，采用贝叶斯正则化方法与BP神经网络算法相结合，解决油水乳状液黏度预测精度低、普适性差的问题，提高了油水乳状液黏度的预测精度，并且该方法适用于多变量、大样本的油水乳化情况，对于油田开采、原油处理具有很好的工业指导意义和应用前景。
附图说明
[0035]附图目的：为了更清楚地说明本专利技术实施例本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的油水乳状液黏度预测方法及装置，其特征在于，采用实验和机器学习相结合的方法提供一种不同剪切速率、温度、含水率条件下的油水搅拌乳化黏度的动态预测方法，通过贝叶斯正则化算法与BP神经网络算法相结合来解决油水乳状液黏度预测精度低、普适性差的问题，包括以下步骤：(1)采用自主设计的锥形板可变体积湍流减阻评价装置开展油水乳化实验，搅拌制备不同含水率条件下的油水乳状液；(2)控制锥形板可变体积湍流减阻评价装置中锥形板的转速、水浴温度，从而实时测试得到不同含水率、剪切速率、温度条件下油水乳状液的黏度；(3)若需考虑地层条件下不同压力对油水乳状液黏度的影响，则取50ml搅拌形成的稳定油水乳状液，加注至高温高压流变仪中，设置温度、剪切速率与原配制乳状液的搅拌装置相同，从而测试得到不同压力条件下油水乳状液的黏度；(4)记录并整理实验测试得到的不同含水率、剪切速率、温度条件下的油水乳状液黏度，建立机器学习的测试集；(5)分析测试集中的数据，对数据进行预处理，首先对油水乳状液黏度数据进行对数处理，再对剪切速率、温度、含水率以及对数处理后的黏度进行归一化处理；(6)处理测试集中的数据，将归一化后的样本按照8:2的原则，随机取80％的测试集作为训练集，取20％的测试集作为验证集；(7)确定输入层、输出层和隐含层神经元的数量；(8)设定贝叶斯
‑
BP神经网络的激活函数；(9)贝叶斯
‑
BP神经网络的预测值还原；(10)建立神经网络结构；(11)建立和训练贝叶斯
‑
BP神经网络模型；(12)贝叶斯
‑
BP神经网络模型的验证和评估；(13)油水乳状液黏度的预测和评估。2.根据权利要求1所述的一种基于神经网络的油水乳状液黏度预测方法及装置，其特征在于，所述步骤(1)、(2)，油水乳化实验的锥形圆板搅拌剪切速率为恒定的测试油水乳状液含水率范围为40％～90％，水浴测试温度范围为T＝40～80℃，剪切速率的范围为围为3.根据权利要求1所述的一种基于神经网络的油水乳状液黏度预测方法及装置，其特征在于，所述步...
【专利技术属性】
技术研发人员：陈阳，李小峰，潘俊燃，罗进，
申请(专利权)人：西南石油大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。