一种基于BP神经网络的输气管线携液临界流速预测方法技术

本发明专利技术涉及一种基于BP神经网络的输气管线携液临界流速预测方法，方法如下：建立输气管线数值计算的几何模型；根据现场工况条件提取影响输气管线携液临界流速的特征参数及取值范围；构建以特征参数构成的U

【技术实现步骤摘要】
一种基于BP神经网络的输气管线携液临界流速预测方法


[0001]本专利技术涉及湿气管道流动安全保障领域，具体涉及一种基于BP神经网络的输气管线携液临界流速预测方法。

技术介绍

[0002]延安气田位于陕北黄土高原，地形地貌复杂，管线起伏多且高程较大，地面集输采用气液混输方式。在气田生产中，井口产液不连续且伴有冲击流，瞬时产液量波动较大，在多起伏地形条件下极易造成地面管线低点积液，严重时诱发段塞流，导致井口回压增大，紧急切断阀频繁起跳、管线腐蚀问题突出。
[0003]目前有关气液两相流携液特性的研究主要集中在气井井筒积液方面，针对直井、水平井等气井稳定带液开采，国内外学者进行了相应的实验及理论分析，但对于地面输气管线的气体携液规律研究相对较少且多集中于力学平衡模型(液滴模型和液膜模型)。李国豪基于分层流最小剪切应力准则，建立了湿气管道积液临界气速的计算模型，潘杰等依据液滴总表面自由能与气相总湍流动能相等确定了液滴最大粒径建立了椭球形液滴的临界气速模型，邢鹏采用CFD软件模拟多相流在起伏管道中的流动状态，确定了携液临界参数，陈建磊分析了起伏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的输气管线携液临界流速预测方法，其特征在于：方法如下：步骤1：建立输气管线数值计算的几何模型；所述几何模型包括输气管线，输气管线由依次连接的下倾输气管线和上倾输气管线构成；其中，下倾输气管线和上倾输气管线的长度均为1km；输气管线内径与待测管线的内径一致；上倾输气管线的最大上坡倾角为待测管线最大上坡处对应的角度；下倾输气管线的下坡倾角为待测管线最大上坡前下坡处对应的角度；当上坡倾角出现在连续上坡管线时，下坡倾角选取0.5度；步骤2：根据现场工况条件提取影响输气管线携液临界流速的特征参数及取值范围；特征参数包括输气温度、输气压力、气体含水率、最大上坡倾角、最大上坡倾角对应的下坡倾角和输气管线内径；步骤3：构建以特征参数构成的U
80
(806)均匀设计表，要求均匀设计表的中心化偏差＜0.05，修正偏差＜0.08，对称化偏差＜0.6，可卷偏差＜0.2，优良性＜0.0002；对各特征参数的取值范围进行数值试验设计，研究不同特征参数下携液临界流速的变化规律；步骤4：在步骤2确定的特征参数的取值范围内随机组合进行11组数值，并求解在该取值下的特征参数对应的携液临界流速；步骤5：以步骤3中80组特征参数和其对应的携液临界流速作为训练样本数据，采用BP神经网络建立携液临界流速与特征参数的非线性映射函数关系作为预测模型预测携液临界流速；预测模型的相似系数取值范围为(0.98，0.99)；均方误差/MSE降至10
‑3以下同时不再降低时训练结束。2.根据权利要求1所述基于BP神经网络的输气管线携液临界流速预测方法，其特征在于：所述BP神经网络采用三层单隐层结构，分别为输入层、隐含层和输出层；输入层节点数为6，隐含层节点数为5，输出层节点数为1；BP神经网络训练采用Levenberg
‑
Marquardt算法，训练函数采用trainlm，输入层到隐含层之间的传递函数为TANSIG正切S型函数，隐含层到输出层之间的传递函数为PURELIN线性函数；BP神经网络学习速率设为0.04。3.根据权利要求2所述基于BP神经网络的输气管线携液临界流速预测方法，其特征在于：还包括从步骤4中的11组数值中任选6组数值，作为泛化能力测试样本训练BP神经网络模型，11组数值中的剩余5组数值作为预测模型的测试样本，用来测试预测模型的精度；要求预测模型的测试样本的最大相对误差≤10％，平均相对误差≤6％。4.根据权利要求3所述基于BP神经网络的输气管线携液临界流速预测方法，其特征在于：所述输入层和输出层进行归一和逆归一处理，归一和逆归一采用mapminmax函数，最大训练次数为7000次，训练收敛残差为0.00001，模型泛化能力检测指标为25次，BP神经网络训...

【专利技术属性】
技术研发人员：何鹏，艾昕宇，梁裕如，胡耀强，张娟利，张铎，张成斌，董昭，鲍文，杨朝锋，刘婷婷，易冬蕊，
申请(专利权)人：陕西延长石油集团有限责任公司，
类型：发明
国别省市：