【技术实现步骤摘要】
本专利技术涉及一种井筒清蜡周期预测方法，属于石油天然气工业领域。
技术介绍
1、我国生产的原油大多具有高黏、易凝且含蜡量高等特性，在管道输送过程中，当管壁温度低于油温且低于析蜡点时，会在管壁处形成蜡沉积，进而产生摩阻损失增大、流通面积减小、凝管等一系列问题。管壁结蜡会使得管道有效流通面积减小、流通阻力增大、输送能力降低，严重时可能引发堵管事故，从而增加了管道运行的风险。因此，有必要对井筒输送过程中所产生的蜡沉积进行监测，分析蜡沉积的规律，准确预测原油在井筒中的蜡沉积速率，为清蜡周期的确定提供较为准确的指导，也有利于管线维护、降低运营成本。
2、随着计算机科学的不断发展，对于蜡沉积速率预测模型的研究更多倾向于计算机智能算法方面，基于神经网络、微粒群算法等智能算法对管道蜡沉积厚度进行预测的研究应用也越来越广泛。周诗岽等最先将神经网络用于原油管道蜡沉积速率预测，先后采用人工神经网络(artificialneuralnetworks，ann)和bp神经网络(backpropagationneuralnetwork，bpnn)模型在考虑了4个影响因子的基础上进行了预测，证明了此两种模型用于蜡沉积速率预测的可行性。王磊等建立了支持向量机模型(svm)来预测管道的蜡沉积速率。
3、通过对之前学者研究成果的学习总结，可以得知目前使用的神经网络预测模型普遍存在收敛速度慢、学习效率低且易陷入局部最优状态等问题；svm模型使用(radialbasisfunction,rbf)神经网络作为核函数时，不同的惩罚因子c、核函数参数g
技术实现思路
1、针对现有技术中获取蜡沉积速率方法的不足，本专利技术的目的在于提出一种井筒清蜡周期预测方法，该专利技术通过贝叶斯算法优化超参数以提高蜡沉积速率的预测精度，提供一种便捷、精准，又能实现蜡沉积速率实时预测和清蜡周期预测的方法。
2、本专利技术提供了一种井筒清蜡周期预测方法，包括以下步骤：
3、1)收集二氧化碳驱采出井模拟工况下的结蜡实验数据并计算蜡沉积速率实验值；
4、2)预处理样本数据，数据包括原油温度(℃)、二氧化碳压力(mpa)、含蜡量(％)、流速(m/s)、原油动力粘度(pa·s)以及油水比；
5、3)构建初始的随机森林预测模型并利用贝叶斯算法优化模型中的超参数；
6、4)利用处理后的二氧化碳驱采出井模拟工况下的样本数据对优化后的随机森林模型进行训练；
7、5)获取二氧化碳驱采出井工况的结蜡实时数据；
8、6)将结蜡实时数据输入训练好的随机森林模型中，预测实时蜡沉积速率；
9、7)根据蜡沉积速率预测清蜡周期，如式(1)；
10、
11、式中：t为清蜡周期，h；β为蜡沉积速率修正系数；l为蜡密度，㎏/m3；d为油管内径，m；h为临界蜡沉积厚度，m；e为油管的粗糙度，m；v为优化后的蜡沉积速率预测值，g/(㎡·h)。进一步地，所述步骤3)构建初始的随机森林预测模型并利用贝叶斯算法优化模型中的超参数，优化的具体步骤如下：
12、(1)构建初始的随机森林预测模型，具体包括：
13、(1-1)训练集样本大小为n，采用bootstrap采样方法从训练集样本中随机抽取多个训练样本作为每棵决策树的输入训练集；
14、(1-2)当样本集生成每棵决策树时，从所有的可选变量(数据维度m)中随机选取部分变量(选取数量m，m<m)，其中，可选变量包括：原油温度(℃)、二氧化碳压力(mpa)、油水比、原油动力粘度(pa·s)、流速(m/s)、含蜡量(％)，再依据最优划分算法(classificationand regression tree算法)从m个变量中选择变量分裂叶节点，以此对于多个样本分别建立多个决策树模型；
15、(1-3)通过多数投票对生成的多个决策树进行集成，得到随机森林模型的最终输出，对于回归问题采用平均法如式(20)；
16、
17、其中，h(x)表示组合后的模型，h(x,θi),i＝1,2...,n表示决策树模型序列，x为输入向量，包括：原油温度(℃)、二氧化碳压力(mpa)、油水比、原油动力粘度(pa·s)、流速(m/s)、含蜡量(％)；θi代表单个决策树依赖的随机向量，指随机选取的输入向量，不同向量决定决策树的不同构造；
18、(2)定义目标函数，将标准误差rmse作为目标函数，使用贝叶斯优化算法建立超参数与目标函数之间的关系，贝叶斯优化基于贝叶斯定理估计目标函数f(x)的后验概率分布，基于后验分布对超参数组合进行采样，并根据采样结果不断完善后验分布的形状，从而找到目标函数的全局最优解，如式(3)；
19、
20、其中，x*是超参数组合，χ是参数空间，f(x)是目标函数；
21、(3)定义高斯过程，若目标函数f(x)服从高斯分布，那么任意个数的超参数组合也将服从联合高斯分布，用均值函数m(x)如式(6)和协方差函数k(x,x')如式(7)表示；
22、m(x)＝e[f(x)] (6)
23、k(x,x')＝e[(f(x)-m(x))(f(x')-m(x'))] (7)
24、其中，均值函数m(x)表示任意变量的期望，通常设置均值函数为0；e表示数学期望，用于描述随机变量的平均取值；x和x'表示不同的超参数组合，协方差函数k(x,x')使用matern核函数；
25、(4)初始化超参数空间，选取max_features(构建决策树最优模型时考虑的最大特征数)、min_samples_leaf(此参数控制内部节点再划分的最小样本数)、n_estimators(此参数控制决策树的数量)三个超参数作为优化随机森林回归预测模型的超参数并定义其取值范围；
26、(5)采集初始观测点，随机选择一些超参数组合，计算目标函数值并得到采样集合：
27、d1:i＝[x1:i,f(x1:i)] (21)
28、其中，初始观测点指在优化过程开始时选择的超参数组合的具体取值，决策树模型的性能取决于超参数的设置，本实施例选用随机森林模型的默认超参数值；d1:i表示从第1个到第i个观测点所组成的数据集；x1:i表示这i个观测点对应的超参数组合；f(x1:i)表示在一系列观测点x1到xi上的目标函数值rmse；
29、(6)构建代理模型，使用高斯过程回归以拟合初始观测点：
30、f本文档来自技高网...
【技术保护点】
1.一种井筒清蜡周期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤1)具体包括：1-1)收集二氧化碳驱采出井模拟工况下的结蜡实验数据包括：至少5组不同的原油温度(℃)、至少5组不同的二氧化碳压力(MPa)、至少5组不同的含蜡量(％)情况下的数据组，数据组至少为13组，同时采集每组的流速(m/s)、原油动力粘度(Pa·s)以及油水比；
3.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤2)具体包括：2-1)数据集成：将各种不同格式下的所有数据存到了一个包含有数据获得、数据统计、数据映射、分级抽取、错误恢复和安全性转换功能的数据平台仓库中；
4.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤3)构建初始的随机森林回归模型并利用贝叶斯算法优化模型中的超参数，具体包括：3-1)构建初始的随机森林预测模型；
5.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤4)利用处理后的二氧化碳驱采出井模拟工况下的样本数据对优化后的随机
6.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤5)获取二氧化碳驱采出井工况的结蜡实时数据，具体包括：原油温度(℃)、二氧化碳压力(MPa)、流速(m/s)、油水比、原油动力粘度(Pa·s)、含蜡量(％)。
7.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤6)将结蜡实时数据输入训练好的随机森林模型中，预测实时蜡沉积速率，具体包括：
8.根据权利要求4所述的构建初始的随机森林回归模型并利用贝叶斯算法优化模型中的超参数，其特征在于，所述步骤3-3)具体包括：
9.根据权利要求4所述的构建初始的随机森林回归模型并利用贝叶斯算法优化模型中的超参数，其特征在于，所述步骤3-7)常用的采集函数包括期望提升函数、置信限准则、概率提升函数等，具体如下：
10.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤7)根据蜡沉积速率预测清蜡周期，具体包括：
...【技术特征摘要】
1.一种井筒清蜡周期预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤1)具体包括：1-1)收集二氧化碳驱采出井模拟工况下的结蜡实验数据包括：至少5组不同的原油温度(℃)、至少5组不同的二氧化碳压力(mpa)、至少5组不同的含蜡量(％)情况下的数据组，数据组至少为13组，同时采集每组的流速(m/s)、原油动力粘度(pa·s)以及油水比；
3.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤2)具体包括：2-1)数据集成：将各种不同格式下的所有数据存到了一个包含有数据获得、数据统计、数据映射、分级抽取、错误恢复和安全性转换功能的数据平台仓库中；
4.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤3)构建初始的随机森林回归模型并利用贝叶斯算法优化模型中的超参数，具体包括：3-1)构建初始的随机森林预测模型；
5.根据权利要求1所述的一种井筒清蜡周期预测方法，其特征在于，所述步骤4)利用处理后的二氧化碳驱采出井模拟工况下的样本数据对优化后的随...
【专利技术属性】
技术研发人员：曾德智，李欣，王熙，余成秀，陈雪珂，罗星，项广广，李杰，罗建成，
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。