基于SSA-BP神经网络的大起伏油气混输管线持液率预测方法

本发明涉及混输管线气液两相流预测领域，具体而言，涉及基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法。

背景技术：

1、当今世界能源需求的不断增长推动着油气田的开发，在油气田的开发过程中，常常会产生大量的原油和天然气，需要通过管道将它们从开采地点输送到加工厂、储存设施或消费地点。油气混输的方式可以在同一管线中同时输送油和气体，有效地提高了输送效率，减少了能源资源的浪费，从而对能源产业的发展和资源利用具有重要意义。然而，我国油气田开发多涉及到山地、丘陵地带，对于大起伏油气混输管线，由于地形起伏大，在低洼处易积聚液体，影响输送效率的同时，还可能引发管道腐蚀等问题，不利于混输管线的安全高效运行。相比于单相流管线，混输管线中考虑气液两相的工艺计算较复杂，对于混输管线中积液规律的研究，主要通过流型判别、管线持液率、压降预测等方面的计算来反映，其中，持液率的计算能够间接反映管线积液量，对于研究大起伏油气混输管线中的积液规律十分重要，因此，需要准确的持液率预测技术。

2、目前较多持液率计算模型是基于经验或半经验相关式的，这些方法相对复杂且计算结果误差较大。随着大数据科学和人工智能的发展，神经网络的出现为研究持液率预测问题带来了新的思路和方法。近年来国内外部分学者基于各种神经网络算法开展了混输管线持液率预测的研究。邵孟良等(邵孟良,于颖敏.基于遗传算法的bp神经网络气液两相流持液率预测模型优化[j].西安石油大学学报(自然科学版),2019,34(06):44-49.)结合遗传算法和bp神经网络，优化权值、阈值，构建倾斜管道持液率预测模型；郑琳等(郑琳,刘云.基于大数据方法的持液率预测模型[j].天然气与石油,2021,39(04):20-25.)基于遗传算法和灰色关联熵加权构建持液率预测模型ga-gre-bp；肖荣鸽等(肖荣鸽,靳帅帅,庄琦,等.基于woa-bp算法的持液率预测模型研究[j].化学工程,2022,50(01):67-73.)结合woa算法和bp神经网络，构建了水平管持液率预测模型。

3、大起伏油气混输管线中的持液率预测问题涉及复杂的非线性的多因素综合影响，主要包括管径、压力、温度、倾角、气相折算速度、液相折算速度、液相黏度等，对于这类多自变量对单因变量非线性影响的预测问题，bp神经网络算法能够很好地解决，然而传统bp神经网络算法在训练过程中隐藏节点数的改变同时也伴随初始权重和阈值的变化，容易表现出学习速度慢、易陷入最优和过拟合等不足，从而影响到预测结果的准确性，为解决上述问题，研究者提出了一种ssa算法优化bp神经网络的模型来对大起伏油气混输管线的持液率进行预测。

技术实现思路

1、本发明旨在针对上述问题，提出基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，以提高持液率预测的精度和稳定性。

2、本发明至少通过如下技术方案之一实现。

3、基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，包括以下步骤：

4、s1、建立实际大起伏油气混输管线模型，进行油气混输模拟，获取管道流动数据；

5、s2、进行数据预处理，划分训练集和测试集，构建bp神经网络，并初始化bp神经网络的模型参数；

6、s3、将训练集数据代入到bp神经网络进行训练；

7、s4、通过ssa算法输出最优位置和最佳适应度值，分别赋值给bp神经网络作为参数权值和阈值，得到最优的ssa-bp神经网络模型；

8、s5、使用最优的ssa-bp神经网络模型进行持液率预测，对输出的预测数据进行反归一化，得到基于实际工况的大起伏油气混输管线持液率预测结果。

9、进一步地，将得到的最终持液率预测结果与实际工况模拟值进行误差分析，评价最优的ssa-bp神经网络模型的预测性能。

10、进一步地，采用计算平均绝对误差、均方根误差和拟合优度，评价最优的ssa-bp神经网络模型的预测性能。

11、进一步地，步骤s1的获取管道流动数据的具体方式为：采用olga软件建立实际大起伏油气混输管线模型，在实际大起伏油气混输管线模型中导入流体组分信息、高程里程信息、管道壁厚材质信息、保温层信息，并根据实际管线运行压力、温度、流量设定模型边界条件；

12、采用olga软件计算管道流动数据，包括压力、温度、管道倾角、气体折算速度、液体折算速度、液相黏度、持液率。

13、进一步地，数据预处理包括将管道流动数据进行归一化处理，如下公式：

14、

15、其中x为归一化后的数据，x为管道流动数据中的输入特征数值，xmax、xmin分别为管道流动数据中输入特征的最大值和最小值。

16、进一步地，将管道流动数据按比例划分为训练集和测试集。

17、进一步地，所述bp神经网络包括输入层、隐藏层、输出层。

18、进一步地，将归一化后的训练集数据代入到bp神经网络，使用ssa算法训练bp神经网络，形成基于ssa-bp神经网络的预测模型。

19、进一步地，通过ssa算法输出最优位置和最佳适应度值，包括以下步骤：

20、s4.1、初始化ssa麻雀种群的参数，包括初始麻雀种群数量、最大迭代次数、鸟群预警值、发现者的占比和侦察者的占比；

21、s4.2、基于步骤s4.1中初始化ssa参数，进行迭代，计算个体适应度并得到当前最优解，并更新发现者、加入者、侦察者位置，迭代至满足结束条件，输出最优位置和最佳适应度值；

22、s4.3、将步骤s4.2输出的最优位置和最佳适应度值，分别赋值给bp神经网络作为参数权值和阈值，从而得到最优的ssa-bp神经网络模型。

23、进一步地，对输出的预测数据进行反归一化，公式如下：

24、y＝y(xmax-xmin)+xmin(2)

25、式中，y为归一化的输出预测值；y为反归一化的实际预测值，xmax、xmin分别为管道流动数据中输入特征的最大值和最小值。

26、本发明提出的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，与现有的技术相比，其具有以下有益效果：

27、本发明提出的基于ssa-bp神经网络的模型对大起伏油气混输管线持液率进行预测，通过ssa算法计算出最优权值和阈值，从而克服传统bp神经网络算法学习速度慢、易陷入最优和过拟合等不足的问题，提高bp神经网络算法的全局寻优能力，达到较好的稳定性、全局搜索能力和收敛速度，提供了一种精确、高效的持液率预测方法。

技术特征：

1.基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，将得到的最终持液率预测结果与实际工况模拟值进行误差分析，评价最优的ssa-bp神经网络模型的预测性能。

3.根据权利要求2所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，采用计算平均绝对误差、均方根误差和拟合优度，评价最优的ssa-bp神经网络模型的预测性能。

4.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，步骤s1的获取管道流动数据的具体方式为：采用olga软件建立实际大起伏油气混输管线模型，在实际大起伏油气混输管线模型中导入流体组分信息、高程里程信息、管道壁厚材质信息、保温层信息，并根据实际管线运行压力、温度、流量设定模型边界条件；

5.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，数据预处理包括将管道流动数据进行归一化处理，如下公式：

6.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，将管道流动数据按比例划分为训练集和测试集。

7.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，所述bp神经网络包括输入层、隐藏层、输出层。

8.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，将归一化后的训练集数据代入到bp神经网络，使用ssa算法训练bp神经网络，形成基于ssa-bp神经网络的预测模型。

9.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，通过ssa算法输出最优位置和最佳适应度值，包括以下步骤：

10.根据权利要求1所述的基于ssa-bp神经网络的大起伏油气混输管线持液率预测方法，其特征在于，对输出的预测数据进行反归一化，公式如下：

技术总结本发明涉及基于SSA‑BP神经网络的大起伏油气混输管线持液率预测方法，包括以下步骤：利用OLGA计算不同实际工况下大起伏油气混输管线的流动数据并收集和分析数据，筛选出持液率影响因素，确定BP神经网络输入参数；构建SSA算法优化的BP神经网络，包括：确定BP神经网络初始结构；初始化种群参数；计算个体适应度并得到当前最优解；更新发现者、加入者、侦察者位置；迭代至满足结束条件，输出最优权值和阈值并赋予BP神经网络；训练BP神经网络，预测持液率；计算评价指标，评价预测效果。本发明利用SSA算法优化BP神经网络，加快收敛速度并提高准确性，结果显示该方法预测精度高，适用大起伏油气混输管线持液率预测。技术研发人员：黄思,陈新辉,官天日,傅浩受保护的技术使用者：华南理工大学技术研发日：技术公布日：2024/9/2