高志敏

(西安石油大學(xué)石油工程學(xué)院，陜西 西安 710065)

近年來，基于機(jī)器學(xué)習(xí)的人工智能方法在各領(lǐng)域的研究中取得了豐碩的成果，該方法是在大量的復(fù)雜的數(shù)據(jù)中通過一定的模型及算法探究某一規(guī)律，以應(yīng)用于某一問題的解決[1-2]。常用的一些智能算法模型，如人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型等，在工程科技領(lǐng)域的應(yīng)用逐漸興起，在解決某些數(shù)據(jù)量較大且繁冗的工程問題上，智能方法具有較為獨(dú)特的優(yōu)勢(shì)。該方法的使用價(jià)值和應(yīng)用前景得到了較多科技工作者的肯定，顯然，該方法在未來工業(yè)的發(fā)展中前途廣闊。

目前，在石油化工行業(yè)，應(yīng)用人工智能算法模型來解決部分實(shí)際問題的現(xiàn)象已較為廣泛，在復(fù)雜的原油儲(chǔ)層、井筒及管道流動(dòng)環(huán)境中，原油的流態(tài)、相態(tài)、物性等指標(biāo)所受影響因素較多，需要大量的模擬、預(yù)測(cè)等計(jì)算描述，對(duì)此而言，智能算法模型是一個(gè)有力且高效的應(yīng)用工具。隨著計(jì)算機(jī)技術(shù)的不斷進(jìn)步以及科研者的不斷探究，人工智能能模型對(duì)于輸油管道蠟沉積的預(yù)測(cè)應(yīng)用逐漸增多。當(dāng)原油溫度受外在環(huán)境影響而降低至析蠟點(diǎn)溫度及以下，并加之各種外在因素的影響，析出的蠟分子會(huì)沉積在管壁上，使得流通面積減小，且會(huì)對(duì)原有的油品流動(dòng)性形成一定的阻礙。對(duì)蠟沉積而言，常用的描述參數(shù)有析蠟點(diǎn)溫度、溶蠟點(diǎn)溫度、析蠟量、蠟沉積量等，各參數(shù)的計(jì)算過程中需考慮的復(fù)雜機(jī)理、因素較多[3]。相較于傳統(tǒng)的數(shù)學(xué)模型而言，智能模型的引入無需細(xì)致研究其機(jī)理，會(huì)節(jié)省一定的人工投入。

1 常用的智能算法模型

用于蠟沉積預(yù)測(cè)的智能算法模型中，使用較為廣泛的有人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、遺傳算法、蟻群算法等，以及各種模型組合使用的綜合方法。對(duì)于不同條件進(jìn)行的不同建模方法[4]，整體來看，各學(xué)者使用較多的模型為人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型，以及組合了多種算法后的委員會(huì)機(jī)器模型。

1.1 人工神經(jīng)網(wǎng)絡(luò)模型

早在1943年，McCulloch W S等人[5]依據(jù)神經(jīng)元的原理提出了最早的神經(jīng)網(wǎng)絡(luò)模型。該原始模型是近代所出現(xiàn)的各種神經(jīng)網(wǎng)絡(luò)模型的雛形，但因其計(jì)算過程中的權(quán)重值必須通過手動(dòng)調(diào)節(jié)，難以滿足計(jì)算需求，且人工干預(yù)程度較大，故被逐漸淘汰。新發(fā)展的神經(jīng)網(wǎng)絡(luò)模型在此基礎(chǔ)上進(jìn)行了大量的改進(jìn)與優(yōu)化，與智能學(xué)習(xí)的趨勢(shì)相接軌。

神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)主要由輸入層、隱藏層、輸出層構(gòu)成，其中的隱藏層可根據(jù)建模情況分為單層和多層，其結(jié)構(gòu)如圖1所示[6]。

圖1 三層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

其最小的組成部分便是神經(jīng)元，作為連接輸入和輸出的樞紐，并承擔(dān)著進(jìn)行某種計(jì)算的任務(wù)，大多包含多個(gè)點(diǎn)的輸入和一個(gè)點(diǎn)的輸出。計(jì)算過程中所使用的算法和數(shù)學(xué)函數(shù)也是多種多樣，不盡相同。各項(xiàng)參數(shù)輸入模型中后，需進(jìn)行大量的學(xué)習(xí)計(jì)算，對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練、測(cè)試，不斷調(diào)整權(quán)重值，以期得到最好的預(yù)測(cè)情況。

常用的神經(jīng)網(wǎng)絡(luò)模型有誤差反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)模型、徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)模型、長(zhǎng)短期記憶(Long Short-Term Memory，LSTM)神經(jīng)網(wǎng)絡(luò)模型等。其中，BP神經(jīng)網(wǎng)絡(luò)模型是Rumelhart等人于1986年提出的，該模型依據(jù)人腦思維的第二種方式，將外部的信息按照輸入層→中間隱藏層→輸出層的正向進(jìn)行傳播，而將誤差信息按照輸出層→中間隱藏層→輸入層的反向進(jìn)行傳播，以不斷修正、調(diào)整各層的權(quán)重值，加強(qiáng)模型的學(xué)習(xí)及訓(xùn)練過程，針對(duì)于非線性連續(xù)函數(shù)，可用于解決其多層前饋神經(jīng)網(wǎng)絡(luò)權(quán)重值的調(diào)整問題。RBF神經(jīng)網(wǎng)絡(luò)模型是Broomhcad等人于1988年將RBF應(yīng)用于神經(jīng)網(wǎng)絡(luò)的建模而形成，該模型可將輸入的低維數(shù)據(jù)轉(zhuǎn)變至高維空間內(nèi)，可用于解決非線性函數(shù)的問題，具有分類能力較強(qiáng)、學(xué)習(xí)收斂速度較快的特點(diǎn)，這一模型的核心是基函數(shù)的選取，包括高斯函數(shù)、多二次函數(shù)等。LSTM神經(jīng)網(wǎng)絡(luò)模型是一種與時(shí)間有關(guān)的遞歸網(wǎng)絡(luò)模型，相比與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型而言，其具有記憶功能，且具有解決長(zhǎng)時(shí)依賴問題的能力。

彭繼慎等人[7]建立了經(jīng)典的“2-5-1”結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)模型，“2-5-1”結(jié)構(gòu)即為該模型中輸入層節(jié)點(diǎn)的個(gè)數(shù)為2，隱藏層節(jié)點(diǎn)的個(gè)數(shù)為5，輸出層節(jié)點(diǎn)的個(gè)數(shù)為1，該模型的原理如圖2所示，由簡(jiǎn)單的3層前向網(wǎng)絡(luò)組成。該模型結(jié)構(gòu)雖然簡(jiǎn)單，卻仍有較強(qiáng)的泛化能力，通過MATLAB軟件進(jìn)行了相關(guān)的仿真實(shí)驗(yàn)，結(jié)果表明，其設(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)與指數(shù)趨近律結(jié)合后，可實(shí)時(shí)調(diào)整其中的切換效益，具有較強(qiáng)的非線性跟蹤能力，能夠減少一定的設(shè)備損耗。

圖2 RBF神經(jīng)網(wǎng)絡(luò)模型的原理圖

1.2 支持向量機(jī)模型

早在1995年，Cortes C等人[8]提出了支持向量機(jī)(Support Vector Machines，SVM)模型，該模型基于統(tǒng)計(jì)學(xué)習(xí)理論、VC維理論等基礎(chǔ)，經(jīng)過科學(xué)研究者們多年嘔心瀝血的探索及改進(jìn)，在算法訓(xùn)練、分類方法等方面有了許多創(chuàng)新性的改進(jìn)，該領(lǐng)域的研究在多個(gè)行業(yè)里面也逐漸成為炙手可熱的對(duì)象。截止到目前，該模型已成為一種較為通用的機(jī)器學(xué)習(xí)算法模型。

支持向量機(jī)模型與神經(jīng)網(wǎng)絡(luò)模型相似，但也有較大差別，二者都是基于機(jī)器學(xué)習(xí)的算法訓(xùn)練機(jī)制，但支持向量機(jī)模型主要針對(duì)的是小樣本型的數(shù)據(jù)集，數(shù)據(jù)量較少，而神經(jīng)網(wǎng)絡(luò)模型主要針對(duì)的是大樣本型的數(shù)據(jù)集，數(shù)據(jù)量較大且繁冗。此外，支持向量機(jī)模型的重點(diǎn)在于數(shù)學(xué)方法、優(yōu)化技術(shù)的選擇改進(jìn)等。當(dāng)然，為了更好地滿足實(shí)際應(yīng)用中的需要，多位學(xué)者也在積極探索研究大樣本型數(shù)據(jù)集的訓(xùn)練算法，為提高求解精度而不斷摸索嘗試。目前，該領(lǐng)域內(nèi)常用的訓(xùn)練算法主要有分塊算法、子集選擇算法、序貫最小優(yōu)化算法、增量學(xué)習(xí)算法等類型，主要是針對(duì)于不同的目標(biāo)，通過相應(yīng)的約束條件等，解決各種訓(xùn)練速度、分類速度等相關(guān)問題。

關(guān)于該領(lǐng)域內(nèi)的分類方法，其雛形是二分類問題，此后的各類方法皆是基于此而提出?，F(xiàn)實(shí)生活中很多問題都是多分類的問題，多數(shù)研究者的目光也是聚集在該類問題上。這一類問題的解決方法籠統(tǒng)來說可以分為兩種：直接法、間接法，各有特點(diǎn)與局限性，針對(duì)不同的問題辯證使用。支持向量機(jī)模型中核函數(shù)的選取是一個(gè)非常重要的問題，該模型方法之所以能夠解決非線性分類問題、高維模式識(shí)別問題，很大程度上取決于核函數(shù)的引入和核參數(shù)的優(yōu)化，因此在建模過程中需抓住這一關(guān)鍵問題。

李捷輝等人[9]為了提高分類預(yù)測(cè)的效果，建立了基于改進(jìn)蝙蝠算法優(yōu)化的支持向量機(jī)模型，其分類路線如圖3所示。為解決實(shí)際應(yīng)用的多分類問題，通過一對(duì)一的方法，以一層的訓(xùn)練樣本和一層的測(cè)試樣本數(shù)據(jù)集，對(duì)所建模型的功能進(jìn)行數(shù)據(jù)的訓(xùn)練及測(cè)試，通過改進(jìn)的蝙蝠算法對(duì)模型中的懲罰系數(shù)、核函數(shù)半徑等參數(shù)進(jìn)行優(yōu)化，同時(shí)與遺傳算法、粒子群算法、網(wǎng)絡(luò)搜索算法、蝙蝠算法優(yōu)化的支持向量機(jī)模型進(jìn)行精度對(duì)比。結(jié)果表明，該改進(jìn)蝙蝠算法優(yōu)化的支持向量機(jī)模型精度為97.5%，預(yù)測(cè)效果最好。

圖3 支持向量機(jī)分類路線圖

1.3 委員會(huì)機(jī)器模型

早在1965年，Nilsson[10]提出了委員會(huì)機(jī)器(committee machine, CM)模型(圖4)，該類模型提出的最初目的是為了克服關(guān)于多層感知器的某一缺點(diǎn)——缺乏自適應(yīng)學(xué)習(xí)規(guī)則，后來經(jīng)過各科研學(xué)者的研究與探索，逐漸在各種領(lǐng)域中鋪展應(yīng)用開來，并出現(xiàn)了相應(yīng)的許多改進(jìn)模型。該類型的模型其實(shí)是一種集成的學(xué)習(xí)方法，通過單一的模型進(jìn)行某一單模塊的任務(wù)求解，然后對(duì)各模塊的解進(jìn)行合成，得到最后的結(jié)果。

圖4 動(dòng)態(tài)分類委員會(huì)機(jī)器流程圖

該類模型通常由輸入層、專家層、組合器和輸出層4個(gè)部分組成[11]。其中，輸入層是這一類模型的開端處，原始數(shù)據(jù)從此處輸入并進(jìn)行相關(guān)的預(yù)處理；專家層是模型的重要組成部分，包含多種算法，各自承擔(dān)著相應(yīng)模塊的訓(xùn)練任務(wù)及預(yù)測(cè)結(jié)果的輸出任務(wù)；組合器是該類模型核心部分，針對(duì)于各專家模塊權(quán)重值的計(jì)算與分配等重要問題。委員會(huì)機(jī)器模型通常分為兩類：靜態(tài)委員會(huì)機(jī)器模型、動(dòng)態(tài)委員會(huì)機(jī)器模型，前者通常會(huì)受限于專家的自身性能，提升空間有一定限制，后者可以簡(jiǎn)化數(shù)據(jù)結(jié)構(gòu)，進(jìn)而提升相關(guān)訓(xùn)練模型的性能。

白洋等人[12]通過引入門網(wǎng)絡(luò)建立了動(dòng)態(tài)分類委員會(huì)機(jī)器模型，在輸入層和輸出層之間建立了敏感性評(píng)價(jià)指標(biāo)，由門網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行劃分，使用概率神經(jīng)網(wǎng)絡(luò)、決策樹、BP神經(jīng)網(wǎng)絡(luò)、貝葉斯分類、最近鄰算法5種智能算法對(duì)各子數(shù)據(jù)集進(jìn)行訓(xùn)練，通過組合器對(duì)各子模型進(jìn)行優(yōu)化和組合。結(jié)果表明，該委員會(huì)機(jī)器模型的訓(xùn)練集的準(zhǔn)確率為96.29%，驗(yàn)證集的準(zhǔn)確率為91.39%，相較于其他單一模型而言精度最高，提高了流體類型的預(yù)測(cè)準(zhǔn)確率。

2 蠟沉積預(yù)測(cè)應(yīng)用

原油蠟沉積的傳統(tǒng)預(yù)測(cè)模型主要為動(dòng)力學(xué)模型和熱力學(xué)模型，前者基于分子擴(kuò)散、剪切剝離、老化作用等機(jī)理，考慮不同影響因素，通過大量的實(shí)驗(yàn)數(shù)據(jù)以及適當(dāng)?shù)臄?shù)學(xué)方法建模。后者基于相平衡理論，從原油組分的微觀角度入手，建立相關(guān)的預(yù)測(cè)模型。近年來隨著智能算法模型的發(fā)展，多為研究學(xué)者在原油蠟沉積智能模型預(yù)測(cè)方面進(jìn)行了探索應(yīng)用，開辟了更廣闊的道路。

鄒德昊等人[13]針對(duì)于某油礦井筒的結(jié)蠟問題，通過對(duì)多口井的高含蠟、高凝原油的物性和流動(dòng)性進(jìn)行分析，發(fā)現(xiàn)井筒內(nèi)剪切應(yīng)力、原油黏度、徑向溫度梯度、蠟分布密度4個(gè)因素對(duì)原油蠟沉積的影響較大，便以這4個(gè)因素作為輸入變量，以蠟沉積速率作為目標(biāo)參數(shù)，用SPSS Modeler軟件建立了BP神經(jīng)網(wǎng)絡(luò)模型。該模型以雙極S形函數(shù)為激活函數(shù)，最大訓(xùn)練周期設(shè)為1000次，最終的預(yù)測(cè)表明，該蠟沉積速率預(yù)測(cè)結(jié)果用于清管周期的計(jì)算時(shí)，誤差率在3%以內(nèi)，效果較好。

楊鳴峰等人[14]利用開源文獻(xiàn)中的實(shí)驗(yàn)數(shù)據(jù)，考慮了4個(gè)影響因素：管壁處溫度梯度、管壁處剪切應(yīng)力、原油動(dòng)力黏度和管壁處蠟分子質(zhì)量分?jǐn)?shù)梯度，通過MATLAB軟件建立了RBF神經(jīng)網(wǎng)絡(luò)模型，以較小的樣本數(shù)據(jù)作為訓(xùn)練和測(cè)試(24組訓(xùn)練，6組預(yù)測(cè))，結(jié)果表明，預(yù)測(cè)的相對(duì)誤差在2%左右，與實(shí)驗(yàn)數(shù)據(jù)值吻合度較好。

田震等人[15]在研究BP神經(jīng)網(wǎng)絡(luò)對(duì)管道蠟沉積的預(yù)測(cè)過程中，分析了不同的輸入維數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度的影響，通過灰色關(guān)聯(lián)法對(duì)輸入維數(shù)為7(7個(gè)影響因素)和輸入維數(shù)為4(4個(gè)影響因素)時(shí)進(jìn)行了關(guān)聯(lián)度計(jì)算，發(fā)現(xiàn)輸入維數(shù)為7時(shí)更為合適。在建模過程中，借助MATLAB軟件，選用trainlm函數(shù)作為訓(xùn)練函數(shù)，將最大訓(xùn)練次數(shù)設(shè)為10000，隱藏層的節(jié)點(diǎn)數(shù)設(shè)置為10，通過38組開源文獻(xiàn)數(shù)據(jù)進(jìn)行數(shù)據(jù)的訓(xùn)練及測(cè)試。結(jié)果表明，該模型預(yù)測(cè)的相關(guān)系數(shù)為0.999962、均方誤差為0.0475085，精度較高。

王磊等人[16]在研究支持向量機(jī)模型對(duì)蠟沉積速率的預(yù)測(cè)研究中，利用開源文獻(xiàn)中的環(huán)道實(shí)驗(yàn)數(shù)據(jù)，將7個(gè)影響因素:流速、油溫、壁溫、原油動(dòng)力黏度、管壁處蠟分子濃度梯度、管壁處溫度梯度、管壁處剪切應(yīng)力作為輸入變量，將蠟沉積速率作為輸出變量，選取RBF作為核函數(shù)，用svmtrain函數(shù)訓(xùn)練相關(guān)的樣本數(shù)據(jù)，用svmpredict函數(shù)測(cè)試相關(guān)的樣本數(shù)據(jù)，建立了相關(guān)預(yù)測(cè)模型。最終的預(yù)測(cè)表明，訓(xùn)練數(shù)據(jù)的相關(guān)系數(shù)為0.9907，測(cè)試數(shù)據(jù)的的相關(guān)系數(shù)為0.9823，預(yù)測(cè)精度較高。此外，通過網(wǎng)格參數(shù)尋優(yōu)法、遺傳算法、粒子群算法三種方法對(duì)分別支持向量機(jī)模型進(jìn)行參數(shù)優(yōu)化，發(fā)現(xiàn)最終結(jié)果的差異并不大，預(yù)測(cè)的差值在0.05左右，效果不錯(cuò)。類似的，靳文博等人[17]從最小二乘支持向量機(jī)預(yù)測(cè)的角度出發(fā)，通過對(duì)模型的參數(shù)進(jìn)行相關(guān)優(yōu)化，建立了適用于小樣本數(shù)據(jù)集的蠟沉積速率預(yù)測(cè)模型，相對(duì)于神經(jīng)網(wǎng)絡(luò)模型而言，該模型可以得到顯式表達(dá)式，具有一定的優(yōu)勢(shì)，且預(yù)測(cè)效果較好。

Jalalnezhad M J等人[18]對(duì)輸油管道蠟沉積智能模型的開發(fā)進(jìn)行研究，基于實(shí)驗(yàn)數(shù)據(jù)集，將神經(jīng)網(wǎng)絡(luò)與模糊邏輯組合成一種新的智能算法模型——自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型，對(duì)蠟沉積厚度進(jìn)行預(yù)測(cè)。其研究基于管道單相紊流狀態(tài)，以雷諾數(shù)、時(shí)間、蠟含量、周圍環(huán)境溫度、油溫、管壁溫度等7個(gè)影響因素作為輸入變量，建立了自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型五層結(jié)構(gòu)。該模型基于if-then規(guī)則的模糊邏輯，考慮了具有2個(gè)輸入x、y和1個(gè)輸出f的網(wǎng)絡(luò)。模型推理完畢后，使用實(shí)驗(yàn)數(shù)據(jù)值與模型預(yù)測(cè)的結(jié)果進(jìn)行對(duì)比，該項(xiàng)研究從1500個(gè)數(shù)據(jù)中隨機(jī)選取1000個(gè)數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，剩余數(shù)據(jù)作為測(cè)試集數(shù)據(jù)，最終的預(yù)測(cè)結(jié)果如圖5、圖6所示。其中，圖5顯示了自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型的測(cè)試結(jié)果與該研究中的實(shí)驗(yàn)結(jié)果的對(duì)比，圖6顯示了該模型輸出的實(shí)際結(jié)果與實(shí)驗(yàn)結(jié)果的對(duì)比。其結(jié)果表明，該模型的計(jì)算結(jié)果與實(shí)際計(jì)算結(jié)果吻合較好，其中，均方誤差為0.00077034，絕對(duì)相對(duì)偏差為0.015720，平均相對(duì)偏差為0.097961，該模型的精度較高。在單相湍流流動(dòng)狀態(tài)下，該自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型比Halstensen模型所預(yù)測(cè)的蠟沉積厚度更為精準(zhǔn)。

圖5 蠟沉積厚度隨時(shí)間的變化圖

圖6 模型預(yù)測(cè)結(jié)果圖

3 存在的問題

目前，隨著智能化趨勢(shì)的到來，雖然已有較多學(xué)者使用智能算法模型對(duì)原油蠟沉積的預(yù)測(cè)進(jìn)行研究及探索，但仍存在一定的問題，具體如下：

1)智能算法模型相比于傳統(tǒng)預(yù)測(cè)模型而言，對(duì)數(shù)據(jù)的要求較高，對(duì)不同數(shù)據(jù)的適應(yīng)性較差；2)不同智能算法模型對(duì)于數(shù)據(jù)量大小的要求不同，學(xué)習(xí)速率受影響較大，各模型相關(guān)參數(shù)值對(duì)預(yù)測(cè)結(jié)果的影響較大，理論方面有待提高；3)不同輸入維數(shù)對(duì)最終的預(yù)測(cè)結(jié)果也有一定影響，維數(shù)過大過小都不合適，其選擇也要適當(dāng)。

4 結(jié)論與展望

1)相比穿傳統(tǒng)的熱動(dòng)力學(xué)預(yù)測(cè)模型，智能算法模型無需考慮各種復(fù)雜的機(jī)理，人工投入較少，且計(jì)算精度較高；2)智能算法模型對(duì)于單種油品的預(yù)測(cè)效果較好，但應(yīng)用于多種類油品的預(yù)測(cè)時(shí)，穩(wěn)定性則較差，其專注性強(qiáng)于普適性；3)未來智能算法模型的發(fā)展，應(yīng)更貼近于實(shí)際預(yù)測(cè)應(yīng)用，加強(qiáng)數(shù)學(xué)理論深度的研究，深入開發(fā)適應(yīng)性強(qiáng)的算法，綜合多種算法模型的組合使用。