【技术实现步骤摘要】
：本专利技术涉及的是在油田地面污水处理工艺运行界限确定中，解决含有水驱、化学驱不同驱油方式采出水的多源污水沉降分离时，污水中油珠粒子上浮、碰撞、聚并而形成油层厚度增长过程描述，尤其是考虑多源污水中化学剂组分及其带来水质特性复杂多变，对以人工智能算法赋能油田智能化转型背景下科学可靠预测沉降分离收油周期的技术难题，具体涉及的是一种利用神经网络预测多源污水沉降分离收油周期的方法。
技术介绍
0、
技术介绍
：
1、除了传统的水驱方式，化学驱技术是通过向地层中注入具有不同性质的多元化学组分，如降低界面张力以形成地层孔隙表面润湿性反转的表面活性剂、增溶刚性膜以改善剩余油流动性能的碱、增加驱替液粘度以扩大波及体积的聚合物，与此相对应发展有表面活性剂驱、碱驱、聚合物驱以及多种化学组分复合注入的三元复合驱技术。然而，面对油田综合含水率不断攀升的事实，在这种多元化的采油方式下，采出水规模日益增长、采出水特性日趋复杂，如碱、表面活性剂、聚合物等组分会在油水界面发生聚集、共吸附行为，且不同组分之间还会存在协同影响机制，另外，油田开发过程中存在洗井水、压裂返排液等各类作业污水，需要与采出水相掺混进行处理，这便造成多源污水沉降分离的压力与挑战不断显现，直接影响油田地面污水处理工艺的平稳高效运行。目前，对于污水沉降分离环节，普遍采用的是沉降分离罐，其通过油水两相的密度差异进行污水处理，沉降分离罐中油层厚度的增长会影响污水处理效果已成共识，其机理在于油珠粒子表面具有负电性特征，尤其是针对含有多元组分的多源污水，这种由多元组分共吸附作用引起的油水界面电
技术实现思路
0、
技术实现思路
：
1、本专利技术的目的是提供一种利用神经网络预测多源污水沉降分离收油周期的方法，这种利用神经网络预测多源污水沉降分离收油周期的方法用于解决含有水驱、化学驱不同驱油方式采出水的多源污水沉降分离时，污水中油珠粒子上浮、碰撞、聚并而形成油层厚度增长过程描述，尤其是考虑多源污水中化学剂组分及其带来水质特性复杂多变，对以人工智能算法赋能油田智能化转型背景下科学可靠预测沉降分离收油周期的技术难题。
2、本专利技术解决其技术问题所采用的技术方案是：这种利用神经网络预测多源污水沉降分离收油周期的方法包括如下步骤：
3、步骤(一)、多源污水体系样本空间的样本特征提取与数据预处理；
4、步骤(二)、考虑多源污水聚类类别的油层增长速率预测数据集划分；
5、步骤(三)、建立基于神经网络的多源污水沉降分离油层增长速率预测模型：
6、
7、式中，为修正后的输出层权值矩阵中第h个隐含层神经元对应数值；β*为修正后的输出层偏置矩阵数值；为修正后的隐含层权值矩阵中第h个隐含层神经元，第u个输入层特征对应数值；为修正后的隐含层偏置矩阵中第h个隐含层神经元对应数值；为示性函数，当满足条件时取为1，否则取为0；yhj为油层增长速率预测数据集第j个样本数据进入隐含层第h个神经元时的输出值；为油层增长速率预测数据集第j个样本数据的油层增长速率预测结果；为输出层权值矩阵中第h个隐含层神经元的对应数值；ωhu为隐含层权值矩阵中第h个隐含层神经元，第u个输入层特征的对应数值；为多源污水体系样本空间中样本归一标准化后第j个样本的油层增长速率；xuj为归一标准化处理后的多源污水体系样本空间中第j个样本的第u个特征值；θh为隐含层偏置矩阵中第h个隐含层神经元的对应数值；η为梯度下降算法的自设学习率；n为多源污水体系样本空间内包含的所有组分种类数量；a1为油层增长速率预测数据集的样本数量；b为隐含层的神经元个数；
8、步骤(四)、优化多源污水沉降分离油层增长速率预测模型的初始权值矩阵与偏置矩阵；
9、步骤(五)、确定多源污水沉降分离的收油周期。
10、上述方案步骤(五)中确定多源污水体系沉降分离的收油周期：
11、
12、式中，v*为实际多源污水体系的油层增长速率预测值；t为实际多源污水体系沉降分离的收油周期，s；r为沉降分离设施的半径，m；hmax为沉降分离设施来水布水口与罐顶的距离，m；vmin为多源污水体系样本空间中的最小油层增长速率，m3/s；vmax为多源污水体系样本空间中的最大油层增长速率，m3/s。
13、上述方案步骤(一)具体为：
14、对油田地面污水处理历史运行数据中提取的多源污水体系样本空间，选择多源污水体系中各组分浓度、结合污水处理工艺参数中的日处理量、含油量作为样本的特征，构建多源污水特性变量，提取多源污水体系在沉降分离时油层增长速率的影响因素，并此变量定量表征多来源水质特性：
15、xj＝(ε1j,ε2j，…,εij,qj,φj)i＝1,2,…,n；j＝1,2,…,a (1)
16、式中，xj为多源污水体系样本空间中第j个对应某一组分的多源污水特性变量；εij为多源污水体系样本空间中第j个样本内第i种组分的浓度特征，mg/l；qj为多源污水体系样本空间中第j个样本的日处理量特征，m3；φj为多源污水体系样本空间中第j个样本的含油量特征，％；n为多源污水体系样本空间内包含的所有组分种类数量；a为多源污水体系样本空间内包含的样本数量；
17、同时，在多源污水体系样本空间中剔除某一特征为空值的样本，且对多源污水体系样本空间内的多源污水特性变量进行归一标准化处理，实现样本特征的无量纲化有：
18、
19、式中，为多源污水体系样本空间中第j个对应某一组分的归一标准化后的多源污水特性变量；εi,min为多源污水体系样本空间中第i种组分的最小浓度，mg/l；εi,max为多源污水体系样本空间中第i种组分的最大浓度，mg/l；qmin为多源污水体系样本空间中的本文档来自技高网...
【技术保护点】
1.一种利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于包括如下步骤：
2.根据权利要求1所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(五)中确定多源污水体系沉降分离的收油周期：
3.根据权利要求2所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(一)具体为：
4.根据权利要求3所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(二)具体为：
5.根据权利要求4所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(三)具体为：
6.根据权利要求5所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(四)具体为：
7.根据权利要求6所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：多源污水体系内第i种组分的浓度εi由污水沉降分离历史运行数据获得。
8.根据权利要求7所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：多源污水体系的含油量φi由污水沉降分离历史
...【技术特征摘要】
1.一种利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于包括如下步骤：
2.根据权利要求1所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(五)中确定多源污水体系沉降分离的收油周期：
3.根据权利要求2所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(一)具体为：
4.根据权利要求3所述的利用神经网络预测多源污水沉降分离收油周期的方法，其特征在于：步骤(二)具体为：
5.根据权利要求4所述的利用神经...
【专利技术属性】
技术研发人员：王志华，洪家骏，常朕博，许云飞，王群，王勇，赵利东，
申请(专利权)人：东北石油大学，
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。