[发明专利]基于GA-BP神经网络的湿气管道持液率预测方法

说明书

一种基于GA‑BP神经网络预测湿气管道持液率的方法，收集并分析了大量湿气管道实验数据，作为云联数据进行大量机器学习；构建遗传算法优化的BP神经网络，主要进行了以下工作：确定BP神经网络初始结构；确定遗传算法中种群大小、编码长度和适应度；选择遗传算子；计算最优权值和阈值；检验模型准确性；计算湿气管道系统的持液率参数。本发明为解决BP神经网络的不足，采用遗传算法优化BP神经网络，遵循“优胜劣汰”的原则，具有良好的全局搜索性能，较好的克服了BP算法局部最优的缺陷，同时可优化BP神经网络初始权重和阈值，进一步提高BP神经网络的计算精度。适用范围广，准确率高达95％以上。除了湿气管道，本发明同样适用于动力工程、核能利用、化工等工业领域的气液两相流持液率流动参数预测。

技术领域

本发明涉及一种基于GA(遗传算法)-BP神经网络的气液流动参数预测方法，以对湿气管道的持液率进行在线预测，属于多相流预测领域。

背景技术

作为当今世界主要的战略资源之一，石油拥有着不可动摇的地位，各国因为石油能源的争夺引发战争。然而在油气田开发过程中，油田产出物主要为有石油，天然气以及水，其中石油和水混合产出，为了减少生产成本，通常将它们以混合物的形式进行输送。在湿气管道输送过程中，通常使用气液混输的方式进行输送，这样即减少了气液分离后单相输送的经济成本，又节省了施工周期，提高油田经济效益。起伏地形条件下，湿气管路往往会在管路低洼处形成积液，而积液的累积会影响管路输送效率，严重时会导致管路堵塞无法正常运行。积液的形成又与管路的流型、持液率和压降密不可分，其中持液率是重要的运行参数。持液率反映了管道截面上液体所占的比率，这对管内油气界面分布的了解、对于管道清管周期的确定都有重要意义。

目前，用于计算水平管道持液率的计算模型有很多，大多数是经验或半经验公式，计算结果误差较大。随着计算机科学的兴起，智能算法逐渐应用于持液率预测方面。陈星杙等基于ACE算法建立了水平管道持液率计算模型；肖荣鸽等将BP神经网络算法应用于水平管道持液率的预测；邵孟良等基于遗传算法对BP神经网络的权值和阀值进行优化，建立精度较高的气液两相流持液率预测模型；Emad A等采用自适应模糊神经网络算法建立了多相流流型判别模型和持液率预测模型，为油气行业持液率计算提供了新思路。

水平管道持液率受很多因素综合影响，因此持液率预测是属于多因素影响的复杂非线性映射问题，而BP神经网络算法刚好能解决此类问题。但传统的BP神经算法由于初始权值和阀值的选取具有很大的随机性，伴随着预测精度差、预测不稳定等问题。为了解决这一问题，研究者提出了一种利用遗传算法优化BP神经网络对持液率进行预测的方法。

发明内容

本发明的目的是提供基于GA(遗传算法)-BP神经网络的湿气管道持液率预测方法，通过大量机器学习，对湿气管道的持液率进行在线预测。

本发明通过对湿气管道的管径、压力、气速、液速、温度、液相粘度等6个影响变量和目标变量持液率进行分析以及归一化处理，建立影响变量与目标变量的映射关系，通过GA-BP神经网络不断训练、学习，达到计算湿气管道持液率预测的目标。

基于GA-BP神经网络预测湿气管道持液率的方法，具体步骤如下：

利用遗传算法构建神经网络结构部分：

步骤1：随机产生N个染色体数字串，组成初始种群，其中每个染色体表示一种参数组合对应的神经网络模型；

步骤2：REPEAT取出种群中第I个染色体，解码后得到一种参数组合，构成一个神经网络；评价所得神经网络，计算其对应染色体的适应度；UNTIL种群为空；进行选择、交叉、变异运算，构成下一代种群；

步骤3：新种群满足性能评价标准或到达给定代数，转到步骤4，否则转到步骤2重复执行；

步骤4：解码种群适应度最高的染色体，用其参数集构成一个神经网络，即为结构最优的神经网络。

遗传算法对神经网络优化部分：