一种基于多项式神经网络的天然气水合物生成条件预测方法

1.本发明属于天然气输送管道的流动保障领域，尤其涉及一种基于多项式神经网络的天然气生成条件预测方法。


背景技术：

2.在天然气管输系统中，水合物生成条件预测是流动保障的核心内容之一，是天然气管道进行投产设计、沿程工艺设计、运行优化等工作的基础和重要依据。目前，用于天然气水合物生成条件预测的方法主要可以分为三类：实验方法、拟合式方法、热力学模型算法、以及人工智能算法。这些预测方法各自都存在一定的缺陷，主要表现在以下几个方面：
3.①
实验方法实施难度大，必须在专门的实验室配备精密的水合物实验装备，进行数十个小时的实验才能完成一次在某个确定温度、压力条件下的水合物生成条件预测，并且实验设备造价昂贵。
4.②
拟合式方法适用范围有限，预测精度不高：一般基于拟合式的预测方法常常是在某些狭小范围的水合物生成条件的实验结果上进行多项式拟合得到的，仅专门针对这些情况下的水合物生成条件预测，对于超出构成拟合式的范围的情况下其结果并不理想。
5.③
热力学模型算法使用难度大，一个准确的热力学模型算法需要结合编程完成，操作难度大，若采用商业软件的热力学模型，则需要支付昂贵的软件购买费用。
6.④
人工智能算法难以确定算法的形式和结构：支持向量机等常见的预测模型，虽然相比实验方法和拟合式方法具有明显的优势，但是在使用过程中常出现无法立即计算的缺陷，由于无法确定预先训练生成的神经网络的结构，只能在已经训练好的模型上运行预测计算，可移植性差、可解释性差。
7.因此，对于工业投产，亟需一种可以精准预测天然气水合物的清晰易懂易用的计算方法。


技术实现要素：

8.本发明主要目的是设计一种基于多项式神经网络的天然气水合物生成条件预测方法，提高传统拟合式方法对天然气的生成条件预测精度，建立预测的公式模型，实现对于天然气生成条件的精确预测，为天然气管道进行投产设计、沿程工艺设计、运行优化等工作的提供基础和依据。该发明整体结构如图1所示。本发明采取的技术方案如下：
9.提供基于多项式神经网络的天然气水合物生成条件预测方法，该方法包括以下步骤：
10.步骤一，收集各种不同组分下的天然气生成水合物时的采用甲烷、乙烷摩尔组分之和xc1+c2，丙烷、丁烷、氮气摩尔组分之和戊烷、己烷、庚烷、辛烷摩尔组分之和以及二氧化碳摩尔组分硫化氢摩尔组分压力p数据，共6个独立变量；
11.步骤二，利用6个独立变量，基于数据处理的分组方法，独立变量两两组合成二次多项式，并用新的变量代替原来的变量，继续组合，得到新的多项式神经网络算法的基函
数；
12.步骤三，对多项式神经网络回归模型进行回归训练，多次训练后，最终获得训练结果最优参数的多项式神经网络回归模型的公式；
13.步骤四，用训练后的步骤三的多项式神经网络公式模型来预测水合物生成条件。
14.所述的获取水合物生成条件数据是指从各已发表的文献中获取的真实实验数据。
15.所述的不同组分下天然气是指不同的天然气组分中包含甲烷、乙烷、丁烷、丙烷、戊烷以上的烃组分以及二氧化碳、硫化氢、氮气这些其他气体组分的不同摩尔分数。
16.所述的多项式神经网络算法是一种可解释性强的多项式拟合方法结合神经网络算法的新型方法，包括构建多项式神经网络、训练、拟合参数，基于数据处理的分组方法考虑了每个独立变量的结合，弥补了传统神经网络算法中变量对预测值的影响可解释性差的不足，实现了显式表达变量与预测值之间的关系。
17.所述构建的多项式神经网络算法的基函数是基于数据处理的分组方法，其包含各个独立变量的组合，其中字母为训练优化的参数：
[0018][0019]
所述的基于数据处理的分组方法，它采用独立变量两两组合成二次多项式，并用新的变量代替原来的变量，如图2所示。
[0020]
具体组合步骤如下：
[0021]
1)甲烷与乙烷摩尔组分之和丙烷、丁烷、氮气摩尔组分之和构建二次多项式n1；
[0022]
2)戊烷、己烷、庚烷、辛烷摩尔组分之和二氧化碳摩尔组分构建二次多项式n2；
[0023]
3)硫化氢摩尔组分x
h2s
，压力p构建二次多项式n3；
[0024]
4)将n2视为独立变量与压力p构建二次多项式n4；
[0025]
5)将n1和n3视为独立变量，构建二次多项式n5。
[0026]
所述的多项式神经网络算法基函数为：
[0027][0028]
所述训练优化后的参数为：
[0029]
表1多项式神经网络算法参数
[0030][0031]
与现有方案相比，本发明具有如下优势：
[0032]
本发明设计了一种用于天然气水合物生成条件预测的模型，该模型通过将神经网络模型，多项式模型相结合，使该组合模型相比普通多项式模型具有更好的预测精度、预测范围，相对传统神经网络模型又具有可移植性、可解释性，能够为天然气管道投产的运行管理、设计规划、经济运行等方面提供水合物生成范围数据，保障天然气管道安全流动。
附图说明
[0033]
图1多项式神经网络算法流程图
[0034]
图2数据处理的分组方法组合独立变量步骤示意图
[0035]
具体实施方法本发明基于多项式神经网络，实现了天然气水合物生成条件的精准预测。为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0036]
如图1所示，本发明提供天然气水合物生成条件的预测方法，该方法包括以下步骤：
[0037]
步骤一，采集天然气的详细摩尔组分、压力等基础数据；
[0038]
步骤二，构建多项式神经网络算法结构，确定需要的公式结构、参数数量；
[0039]
步骤三，采用多项式神经网络算法进行优化，确定最优的参数；
[0040]
步骤四，得到最优的多项式公式。
[0041]
在步骤一中，需要收集的基础参数包括甲烷、乙烷摩尔组分和丙烷、丁烷、氮气摩尔组分之和戊烷以上摩尔组分之和以及二氧化碳摩尔组分硫化氢摩尔组分压力p，温度hft；
[0042]
在步骤二中，将需要计算的天然气水合物生成温度作为求解变量，其余基础数据作为因变量，并基于数据处理的分组方法，采用独立变量两两组合成二次多项式，并用新的
变量代替原来的变量，具体组合方法步骤为：
[0043]
1)甲烷与乙烷摩尔组分之和丙烷、丁烷、氮气摩尔组分之和构建二次多项式n1；
[0044]
2)戊烷、己烷、庚烷、辛烷摩尔组分之和x
c5+
，二氧化碳摩尔组分x
co2
构建二次多项式n2；
[0045]
3)硫化氢摩尔组分x
h2s
，压力p构建二次多项式n3；
[0046]
4)将n2视为独立变量与压力p构建二次多项式n4；
[0047]
5)将n1和n3视为独立变量，构建二次多项式n5。
[0048]
最后得到多项式神经网络算法的基函数：
[0049][0050]
在步骤三中，根据步骤二构建得到的多项式结构，采用神经网络算法进行训练，将原始数据分为训练集和测试集，分别占据70％和30％，并优化参数。
[0051]
在步骤四中，得到的最优的多项式神经网络参数为：
[0052]
表2多项式神经网络算法参数
[0053][0054][0055]
下面结合具体实例对本发明的应用作进一步描述。
[0056]
例：某天然气管道管输两种天然气，一种干气，一种酸性气体，在已知天然气组分和压力的条件下，求得天然气水合物的生成温度。
[0057]
第一步：天然气的组分数据和压力数据已知，结果如表3、表4所示：
[0058]
表3干气基础数据
[0059][0060]
表4酸气基础数据
[0061][0062][0063]
第二步：使用多项式神经网络公式，计算指定压力、组分下，天然气水合物生成温度hft：
[0064][0065]
将公式计算结果与实验结果进行了对比，如表5所示。
[0066]
表5水合物生成温度hft对比结果
[0067][0068]
由表3可以看到，无论是干气还是酸气，公式计算结果和仿真结果十分相近，相对误差较小且均在1％以内。该实例证明，本设计提出的多项式神经网络算法能够实现天然气水合物生成条件的高精度预测。
[0069]
本发明提供了一种天然气水合物生成条件的预测方法。可计算不同干气、酸气的气体组分、压力下的水合物生成温度。对公式计算的结果进行了误差分析，计算得到相对误差最大不超过1％，误差较小，说明提出的公式适用于含轻烃、二氧化碳、硫化氢、氮气的干气或酸气的水合物生成条件预测。本发明解决了天然气水合物生成条件预测精度低、可读性差、可解释性差、可移植性差的问题，得到的计算公式可以为天然气管道投产的流动保障分析提供参考，为运行管理、设计规划、经济运行提供了一种科学、系统的计算方法。
[0070]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。