集总动力学-BP神经网络混合模型用于预测延迟焦化装置液体产品产率

建立了延迟焦化过程模型对不同性质原料和操作条件下的液体产品产率进行预测, 可实现生产参数调优,进一步提高延迟焦化装置的经济效益。以某炼油厂1.4 Mt/a延迟焦化装置为研究对象,从十一集总动力学模型出发,建立了动态平衡假定下反应器数学模型,选取机理模型计算结果和关键位点历史数据为BP神经网络输入,针对延迟焦化液体产品构建了十一集总动力学-BP神经网络串联混合模型。以焦化柴油产率预测为例,分析了混合模型的预测效果,并与单一机理模型和BP神经网络经验模型进行对比。对比结果表明,3种模型中混合模型预测精度最高,受原料物性和操作条件波动影响小,其预测结果的均方根误差、平均绝对误差和平均相对误差分别为0.751百分点,0.524百分点,2.01%。     

基于数据驱动的蜡油加氢装置产品预测与多目标操作优化

依据某炼油厂蜡油加氢装置生产数据,采用Aspen HYSYS对该装置进行机理建模,并用分层随机抽样法验证机理模型的有效性;然后以正常生产的28种减压蜡油和焦化蜡油进料量分区,运行机理模型,扩充了产品预测数据集.在此基础上,利用BP神经网络建立蜡油加氢装置的产品预测数据驱动模型,来预测精制蜡油流量,精制蜡油中硫、氮的质量...     

基于差分进化算法的BP神经网络脱硫效率预测控制

针对当前BP神经网络技术应用在大型燃煤热电厂以及燃煤脱硫机组效率数值预测分析计算模型中易陷入局部最优，预测效果可靠性差，收敛算法响应速度过慢，给出了一套结合自适应差分进化算法模型和BP神经网络理论的新一代高效率数值预测优化算法。该算法能自动优化BP神经网络的初始权值和阈值，将优化后的结果直接应用于BP神经网络模型训练中，进而获得脱硫效率的最佳预测网络模型。实验分析结果表明：该模型算法与目前传统的BP网络方法相比，算法收敛速度快，对网络参数的预测及精度估计更高，从而为脱硫系统的改进提出了必要的理论基础。     

应用BP神经网络预测石脑油热裂解产物收率

采用BP神经网络模型建立了石脑油裂解产物收率的预测方法。BP神经网络模型的输入层设12个结点,输出层设22结点,设一层隐含层。在保证学习训练数据具有代表性的情况下,BP神经网络模型的预测结果与实验数据相比,误差约为5%。BP神经网络模型的预测结果比非线性回归方法的预测结果要好。BP神经网络模型的外延性不强,外延的部分数据预测结果偏差较大。在能够保证基础学习训练数据的准确性和合理选取的条件下,BP神经网络模型能够应对乙烯装置原料变化频繁的情况。     

应用神经网络技术开发延迟焦化装置产品收率模型

从延迟焦化装置工艺机理分析入手 ,利用现场实测数据 ,建立了液体产品收率的多变量神经网络模型。该模型可同时给出汽油收率、柴油收率及蜡油收率。仿真结果表明 ,模型较好地反映了装置的实际情况 ,可用来指导生产操作和进行优化控制 ,具有很好的实用价值     

以BP神经网络为基础的MIP工艺过程产品分布优化

催化裂化是一个高度非线性和强耦合的系统,传统的机理模型很难描述,而BP神经网络具有强大的非线性拟合和自学习能力。以某炼油厂1Mt/a的MIP装置反应-再生系统为研究对象,选取包括原料油性质、再生剂性质、操作条件的19个变量为神经网络模型的输入变量,液化气、汽油、柴油、焦炭收率为输出变量,建立了19-24-4 结构的BP神经网络。在此基础上,考察了原料油预热温度、一反出口温度、二反出口温度、反应压力对产品分布的影响,并采用遗传算法得到使汽油收率最优的操作条件。结果表明,所建立的模型具有良好的预测和外推能力,可为工业装置操作条件的优化提供指导。     

神经网络技术在加氢裂化产品收率预测模型中的应用

利用BP神经网络技术建立了加氢裂化产品收率的预测模型;以模型预测计算结果为指导,根据实际工况优化调整了工艺参数。结果表明,工艺参数优化调整后,重石脑油、航煤、尾油总收率由75.8%提高至83.1%,经济效益增加674.5万元。     

径向基神经网络油气层损害诊断方法

在诊断油气层损害方面,人工神经网络具有许多优越性,尤其是BP神经网络,但BP神经网络存在的一些缺点限制了它的推广应用.通过对BP神经网络和径向基神经网络的对比表明,径向基神经网络具有收敛速度快和预测精度高等优点,其网络模型的预测绝对误差平均为13.89%,而L-M优化算法网络的为32.63%.建立了径向基神经网络在油气层损害诊断领域的应用方法,对油气层敏感性和损害程度进行了预测,网络预测值和实际值的相关系数达0.991以上,准确率大于80%.该方法在孤东油田得到了很好的应用,成功率达100%,实现了对油气层损害类型和程度的定量诊断,与其他方法相比具有诊断结果准确性高、推广应用方便、收敛速度快等优点.     

基于开源技术的FCC装置产品收率预测BP神经网络模型

装置产品收率的估算是前期全厂方案设计的重要环节，利用神经网络技术进行装置收率预测的效率高于传统的人工估算，也是石化项目前期设计信息化的发展方向之一。基于开源语言Python和PHP的石化项目设计前期神经网络系统，建立了一个适用于石化项目设计前期阶段的MIP工艺流化床催化裂化（FCC）装置产品收率预测的组合模型，结果表明，其预测结果与FCC产品收率一致。     

BP神经网络结合遗传算法优化催化裂化MIP的产品分布

采用MIP工业装置原料油性质、再生催化剂性质和操作条件等18个变量,使用Pearson相关系数法约简了芳烃含量和一反出口温度两个变量,以约简后的16个变量为输入变量,4个主要产物收率为输出变量,建立了结构为16-20-4的BP神经网络模型。验证表明,所建立的神经网络模型可靠性良好。将所建立的BP神经网络模型与遗传算法相结合优化了仅汽油收率最大和汽油收率最大并且焦炭收率最小时的操作条件,结果表明,操作条件的优化值与催化裂化的工艺实际情况相符。采用所建立的BP神经网络产品收率模型与遗传算法相结合,可以实现多目标优化,与单纯优化汽油收率相比,虽然汽油收率有所降低,但是焦炭产率有较大幅度下降,对工业生产有指导作用。     

基于麻雀搜索算法与BP神经网络的压裂效果预测

现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。首先以BP神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。研究结果表明，经过麻雀搜索算法调整权值的BP神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。     

联合神经网络在储层参数预测中的研究与应用

地质储层参数在建立地质模型中起着关键作用,储层参数通过井资料获得。常规测井解释中多通过经验公式或简化地质条件建立模型计算储层参数。提出了新的神经网络模型,基于BP神经网络、RBF神经网络、支持向量回归并通过单层感知器共同构成联合神经网络模型。该网络模型在储层参数预测过程中能针对单一神经网络的不足而自适应调节网络结构,使预测效果达到最优,避免了单一网络在参数预测时的缺点,提高了预测的准确性。选取了同一地区的3口油井进行训练和验证实验,实验结果表明,联合神经网络模型优于单一的人工神经网络模型。     

利用BP神经网络预测注水管道的腐蚀速率

利用人工神经网络的自适应、自组织学习能力 ,通过对训练样本集的学习 ,预测了注水管道的腐蚀速率。通过实例 ,采用 4种不同的预测腐蚀速率的方法 ,即采用传统的预测腐蚀速率的CVDA— 84规范、传统的BP神经网络、改进的Rumelhart和MBP神经网络计算注水管道的腐蚀速率。CVDA— 84规范偏保守 ,采用BP以及改进的BP神经网络预测的腐蚀速率和观测值基本一致。但采用BP人工神经网络预测时 ,迭代次数比CVDA大得多 ,采用改进的Rumel hart和MBP神经网络能有效地提高预测速度 ,改善网络的收敛性 ,并且使预测精度有所提高     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。     

原油闪点预测模型的研究

针对原油这类结构组成复杂、差异性大、可燃的复杂混合体系,选取各地区共计101种原油的恩氏蒸馏温度、20℃密度、20℃粘度作为输入变量,建立原油闪点预测模型。采用主成分分析法对输入变量进行降维,除去恩氏蒸馏系列数据中的信息冗余,分别采用多元线性回归(MLR)、BP神经网络、RBF神经网络三种方法建模,并对模型的预测结果进行对比,RBF神经网络模型的预测准确度与稳定性均为最优,绝对误差期望为2.94℃,相对误差期望为3.45%,BP神经网络模型的准确性优于多元线性回归模型,稳定性不如MLR模型。     

基于BP和LSTM神经网络的顺北油田5号断裂带地层孔隙压力智能预测方法

顺北油田断裂发育,地质构造复杂,储集层埋深达8 000 m,具有高温高压、窄钻井液密度窗口等特征,地层孔隙压力的预测精度难以满足工程需求。为了提高地层孔隙压力的预测精度,利用人工智能方法在处理复杂非线性问题上的优势,采用反向传播神经网络BP和长短期记忆循环神经网络LSTM这2种人工智能算法,基于顺北油田5号断裂带上3口井的声波时差、自然电位和自然伽马等11种特征数据以及经实测校正的地层孔隙压力标签数据,建立了顺北油田5号断裂带地层孔隙压力智能预测模型,BP神经网络模型的预测误差为3.927%,LSTM神经网络模型预测误差为2.864%。测试结果表明,LSTM神经网络模型具有更好的预测效果,满足现场地层孔隙压力的预测精度,为保障顺北油田5号断裂带钻井安全提供数据参考。     

Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models

In fluid catalytic cracking(FCC) unit, it is greatly important to control the coke yield, since the increase of coke yield not only leads to the reduction of total liquid yield, but also affects the heat balance and operation of FCC unit. Consequently, it is significant to predict the coke yield accurately. The coke formation and burning reactions are affected by many parameters which influence each other, so it is difficult to establish a prediction model using traditional models. This paper combines the industrial production data and establishes a generalized regression neural network(GRNN) model and a back propagation(BP) neural network model to predict the coke yield respectively. The comparison and analysis results show that the accuracy and stability of the BP neural network prediction results are better than that of the GRNN. Then, the particle swarm optimization to optimize BP neural network(PSO-BP) and genetic algorithm to optimize the BP neural network(GA-BP) were further used to improve the prediction precision. The comparison of these models shows that they can improve the prediction precision. However, considering the accuracy and stability of the prediction results, the GA-BP model is better than PSO-BP model.     

钻头下部未钻开地层的可钻性预测新方法

根据地层可钻性时间序列特征,应用支持向量机理论,提出了一种对钻头下部未钻开地层的可钻性进行预测的地层可钻性时序支持向量机预测方法,并建立了基于支持向量机的地层可钻性时序预测模型.应用该方法对长庆油田富古1井的地层可钻性进行了预测.将该预测结果与BP神经网络方法的预测结果进行对比分析的结果表明,该方法优于BP神经网络方法,具有预测精度高、推广预测能力强等优点.     

基于改进神经网络的渗透率预测方法

由于传统BP算法具有收敛速度慢、易陷入局部极小值等不足,文中对其进行了改进。在Kozeny-Carman方程和杨正明研究的基础上,借助于MATLAB神经网络工具箱,建立了预测岩石渗透率的3层前馈型BP神经网络模型。对改进的神经网络模型进行的仿真训练结果表明:改进模型具有更快的收敛速度和更高的精度,模型预测值与实验室测试值的一致性比较好,其相对误差小于10%,完全能够满足现场精度要求。     

基于主成分分析的NCPSO-BP机械钻速预测

目前常用的机械钻速预测理论模型仅通过相关性、贡献度来筛选模型输入参数，没有积极挖掘随钻采集的复杂属性间关系，导致信息缺乏完整性。为了最大化保留复杂属性间线性关系，提出了一种基于主成分分析的钻速预测模型，并引入混沌变异的小生境粒子群算法(NCPSO)优化BP神经网络，提高模型的收敛速度与精度。首先，采用主成分分析法根据不同的方差贡献度对高维钻井数据进行降维、降噪；其次，建立智能优化算法-神经网络钻速预测模型，利用混沌变异的小生境粒子群算法的训练结果为BP神经网络权值、阈值赋予初值，以此建立机械钻速预测模型；最后，在不同输入维度进行对比分析NCPSO-BP模型与PSO-BP，GA-BP和标准BP的机械钻速预测结果。研究结果表明，在8维、10维输入的情况下，NCPSO-BP机械钻速模型的预测精度平均提高了59%，训练速度平均提高了26.3%，为日益复杂的钻井环境下机械钻速精确预测提供了理论基础。