【技术实现步骤摘要】
一种混输管道蜡沉积总量预测方法、系统、设备及介质
[0001]本专利技术属于油气储运工程
，具体涉及一种混输管道蜡沉积总量预测方法、系统、设备及介质，尤其设计一种基于智能算法的加剂多相混输管道蜡沉积总量预测方法、系统、设备及介质。
技术介绍
[0002]目前，管道混合输送过程中的蜡沉积已经成为影响油田安全生产和经济效益的重要问题。近年来，许多学者对于蜡沉积总量预测提出了很多种方法。但蜡沉积总量的影响因素之间存在着十分复杂的非线性关系，仅仅通过理论探究难度大。至今，蜡沉积总量预测的规律均采用大量现场或实验数据进行数学模型回归后得出。然而蜡沉积实验非常复杂，一般得不到足够的、有效的数据，且尚无应用范围较广的预测模型。
[0003]近年来随着计算机技术的发展，各类基于人工神经网络、群算法等智能算法模拟训练进而预测蜡沉积总量的模型得到了应用推广。这类方法的共同特点是无需细致探索蜡沉积的具体机理，通过采用合适的机器学习算法，基于输入的原始数据，训练模拟蜡沉积总量同各影响因素之间的关系，由此对蜡沉积总量情况进行预测。
【技术保护点】
【技术特征摘要】
1.一种混输管道蜡沉积总量预测方法，其特征在于，包括以下步骤：构建基于长短时记忆神经网络的加剂多相混输管道蜡沉积总量预测模型；基于获取的数据集，采用基于Sine混沌映射并引用Sine混沌扰动及高斯变异的改进麻雀搜索优化算法对预测模型的超参数进行优化，并基于优化后的超参数确定最优预测模型，对当前工况下的蜡沉积总量进行预测。2.如权利要求1所述混输管道蜡沉积总量预测方法，其特征在于，所述预测模型由双层单向长短时记忆神经网络层构成，且所述预测模型的输入参数包括管输流体的密度、管输流体的黏度、油流温度、管壁温度、持液率及压力；输出参数为蜡沉积总量。3.如权利要求1所述混输管道蜡沉积总量预测方法，其特征在于，所述基于获取的数据集，采用基于Sine混沌映射并引用Sine混沌扰动及高斯变异的改进麻雀搜索优化算法对预测模型的超参数进行优化，并基于优化后的超参数确定最优预测模型，对当前工况下的蜡沉积总量进行预测的方法，包括：S21、使用Sine混沌映射进行种群初始化，令iter＝1；其中，iter表示迭代次数且iter为正整数；S22、以构建的预测模型为基础建立改进麻雀搜索优化算法的适应度函数，并基于获取的数据集，计算种群中各个体的适应度并按照从大到小的顺序进行排序；S23、更新发现者、加入者及警戒者位置；S24、计算更新后各个体的适应度值和整个种群的平均适应度值，确定是否需要引入高斯变异和混沌扰动，并得到最新个体；S25、将iter加1，判断iter是否大于预设的迭代次数；若是，则执行步骤S26，若否，则返回步骤S22；S26、将当前优化结果作为预测模型的超参数输出，该超参数包括学习率、迭代次数、第一隐含层神经元个数及第二隐含层神经元个数；S27、基于输出的超参数确定最优预测模型，对当前工况下的蜡沉积总量进行预测，得到当前工况下的蜡沉积总量预测结果。4.如权利要求3所述混输管道蜡沉积总量预测方法，其特征在于，所述数据集的获取方法包括以下步骤：获取现场实际数据作为原始数据集，所述原始数据集包括管输流体的密度、管输流体的黏度、油流温度、管壁温度、持液率、压力及蜡沉积总量；对原始数据集进行处理，得到训练集和测试集，包括：确定预设数量的样本数据集，所述样本数据集中的每一个子集均包括管输流体的密度、管输流体的黏度、油流温度、管壁温度、持液率、压力及蜡沉积总量；对数据集中的数据进行归一化处理；按预设比例把归一化后的数据集划分为训练集和测试集。5.如权利要求3所述混输管道蜡沉积总量预测方法，其特征在于，所述以构建的预测模型为基础，建立改进麻雀搜索优化算法的适应度函数是指，以训练集所对应的预测结果与训练集中的实际数据的均方误差相加作为适应度函数。6.如权利要求3所述混输管道蜡沉积总量预测方法，其特征在于，所述发现者的位置更新公式如下：
w＝(exp(2(1
‑
(t/M)))
‑
exp(
‑
2(1
‑
(t/M))))/(exp(2(1
‑
(t/M)))+exp(
‑
2(1
...
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。