李建榮

(勝利油田現(xiàn)河采油廠,東營 257068)

?

基于支持向量機(jī)的油水界面預(yù)測

李建榮

(勝利油田現(xiàn)河采油廠,東營 257068)

針對原油儲油罐油水界面檢測時影響因素多、數(shù)據(jù)維數(shù)大，非線性等難以處理的問題，作者提出基于粒子群優(yōu)化算法和支持向量機(jī)相結(jié)合的油水界面預(yù)測方法。通過對油罐實測數(shù)據(jù)的計算仿真，經(jīng)過尋優(yōu)進(jìn)一步優(yōu)化模型，得到油水界面的預(yù)測結(jié)果并生成了擬合效果圖。分析誤差表明該預(yù)測方法精度高、誤差小，可以較好地實現(xiàn)儲油罐油水界面的測量。

油罐計量；油水界面預(yù)測；粒子群優(yōu)化算法；支持向量機(jī)

0 引言

目前，我國石化企業(yè)均按ISO 3170(GB/T 4756—1998)《石油液體產(chǎn)品手工取樣法》采樣，其采樣的準(zhǔn)確度及難度受諸多因素的影響，且操作者勞動強(qiáng)度大，更不利于安全生產(chǎn)。隨著科學(xué)技術(shù)的發(fā)展和石化企業(yè)自動化水平的提高，為適應(yīng)現(xiàn)代技術(shù)的要求，沿用幾十年的石油液體產(chǎn)品手工取樣被自動化設(shè)備取代是發(fā)展趨勢。要實現(xiàn)自動化取樣，了解油罐中水層的高度和原油的含水率，隨時掌握油罐中原油的精確儲量，就要實現(xiàn)對油水界面的自動化定位，而實現(xiàn)油水界面自動化定位最關(guān)鍵的技術(shù)就是能夠?qū)τ退畠上嗔髦械暮蔬M(jìn)行測量與預(yù)測。對于含水率的測量，主要有射線法、超聲法、層析法、電容法、電導(dǎo)法、微波法[1-4]等，但在對于已知數(shù)據(jù)處理上的方法卻相對較少，究其原因，主要是由于油水兩相流的影響因素較多[5]，得到的數(shù)據(jù)維數(shù)高，處理不方便。

SVM是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上提出的機(jī)器學(xué)習(xí)工具，它遵循結(jié)構(gòu)風(fēng)險最小化(Structural Risk Minimization，SRM)原理，能較好的處理小樣本、高維數(shù)和非線性等問題[6]，在模式識別、分類和數(shù)據(jù)預(yù)測、擬合方面得到了廣泛應(yīng)用。粒子群算法(PSO)是根據(jù)鳥群覓食行為提出的一種全局智能仿生方法，具有收斂快、人為設(shè)定參數(shù)少、并行實施、易編程實現(xiàn)等優(yōu)點[7]。本文嘗試將支持向量機(jī)運用到油水界面含水率的預(yù)測中，并通過PSO算法來實現(xiàn)對支持向量機(jī)核函數(shù)和懲罰因子[8]的優(yōu)化。

1 基于PSO-SVM的油水含水率預(yù)測

1.1 支持向量機(jī)的原理和實現(xiàn)

把支持向量機(jī)估計指示函數(shù)中得到的結(jié)論推廣到實函數(shù)中，即支持向量機(jī)回歸[9]。根據(jù)統(tǒng)計學(xué)習(xí)理論，構(gòu)造線性回歸方程[10]

f(x)=ωΦ(x)+b

(1)

式中，非線性映射φ把數(shù)據(jù)映射到高維特征空間；ω為在空間中的特征向量；b為偏置值。

(2)

式中，ε為不敏感損失函數(shù)；C為懲罰系數(shù)。

引入拉格朗日函數(shù)和對偶變量：

(3)

i=1,2,…,n

(4)

(5)

(6)

于是可得

(7)

(8)

1.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法是由Kennedy和Eberhart提出的一種基于群智能(Swarm Intelligence)的演化計算技術(shù)，是在鳥群、魚群和人類社會的行為規(guī)律的啟發(fā)下提出來的粒子群優(yōu)化算法通過群體中的粒子間的合作與競爭產(chǎn)生的群體智能來指導(dǎo)優(yōu)化搜索。與演化計算相比，粒子群算法保留了基于種群的全局搜索策略，它采用的速度-位移模型操作簡單，避免了復(fù)雜的遺傳操作。粒子群優(yōu)化算法特有的記憶，使其可以動態(tài)跟蹤當(dāng)前的搜索情況，調(diào)整其搜索策略。與演化計算相比，粒子群優(yōu)化算法是一種高效的并行搜索算法。由于算法收斂速度快，設(shè)置參數(shù)少，近年來受到學(xué)術(shù)界的廣泛重視[11]。

粒子群優(yōu)化算法的精確描述為：在D維目標(biāo)搜索空間中，n個粒子組成一個群落，每個粒子i包含一個D維的位置向量xi=(xi1，xi2，…，xiD)和速度向量vi=(vi1，vi2，…，viD)。粒子i在搜索D維解空間時，記住其搜索到的最優(yōu)位置pi。在每次迭代中，粒子i根據(jù)自身慣性、自身經(jīng)驗pi=(pi1，pi2，…，piD)和粒子群最優(yōu)經(jīng)驗pg=(pg1，pg2，…，pgD)調(diào)整自身的速度向量，進(jìn)而調(diào)整自身位置。可以通過一個適應(yīng)值函數(shù)f(x)來衡量粒子的優(yōu)勢。

1.3 粒子群優(yōu)化支持向量機(jī)

利用粒子群算法優(yōu)化支持向量機(jī)的算法如下：

Step 1確定適應(yīng)度函數(shù)f(x)；

Step 2初始化種群的位置，數(shù)量以及速度；

Step 3適應(yīng)度定標(biāo)；

Step 4是否滿足停止條件？否，前往step 5；是，前往step 7

Step 5速度更新和位置更新

Step6利用更新的數(shù)據(jù)計算適用度，前往step 4；

Step 7利用輸出的最優(yōu)解優(yōu)化支持向量機(jī)模型，并對數(shù)據(jù)進(jìn)行擬合。

2 基于粒子群優(yōu)化的支持向量機(jī)仿真實例

2.1 數(shù)據(jù)的獲取

針對某一油罐，對其進(jìn)行不同高度的取樣，分別測得其液位高度、出罐壓力、溫度、質(zhì)量流量、混合密度、體積流量，進(jìn)罐壓力、以及含水率等數(shù)據(jù)為訓(xùn)練樣本來訓(xùn)練PSO-SVM模型。取樣測量裝置示意圖如圖1所示。

圖1 測量裝置

通過定位模塊將吸油口定位到指定位置，油水二相流進(jìn)入取樣管，含水率測量儀獲得含水率的數(shù)據(jù)，并進(jìn)行記錄，與此同時，記錄其出罐壓力、罐內(nèi)溫度等數(shù)據(jù)。得到84個不同取樣口高度的數(shù)據(jù)，其中的22個數(shù)據(jù)如表1所示。

2.2 仿真過程

將支持向量機(jī)的條件限定在[0,100]，通過粒子群算法進(jìn)行尋優(yōu)，得到適用度和迭代數(shù)之間的關(guān)系，其中bestc=100，bestg=24.6184。交叉檢驗時的三維圖如圖2所示。

表1 取樣數(shù)據(jù)

圖2 交叉檢驗時的三維圖

利用尋優(yōu)得到的結(jié)果，來訓(xùn)練支持向量機(jī)模型，并利用得到的模型來預(yù)測得到的數(shù)據(jù)，擬合效果如圖3。

圖3 擬合效果圖

3 結(jié)果分析

通過PSO優(yōu)化支持向量機(jī)參數(shù)，并對含水率進(jìn)行預(yù)測，對數(shù)據(jù)擬合效果較好，誤差均不超過5%。支持向量機(jī)是可以作為預(yù)測含水率的新方法。

4 結(jié)論

由于油水兩相流是個非線性關(guān)系，而且影響因素較多，數(shù)據(jù)的維數(shù)相對較大，而支持向量機(jī)在處理大維數(shù)數(shù)據(jù)方面有獨特的優(yōu)勢，本文以油罐中實測數(shù)據(jù)為實例，對油水二相流含水率運用支持向量機(jī)進(jìn)行擬合，擬合誤差較小，預(yù)測精度較高。

[1] 李霞，黃志堯，王保良．應(yīng)用單相流量計測量油水兩相流[J]．工程熱物理學(xué)報，2008，29 ( 11 ) :1872-1874

[2] 張修剛，王棟，林宗虎．近期多相流過程層析成像技術(shù)的發(fā)展[J]．熱能動力工程， 2004， 19( 3) : 221-226

[3] JORGE L G O，JuLIO C P，RUUD V，et al． Mass flow rate measurements in gas-liquid flows by means of a venture or orifice plate coupled to a void fraction sensor[J]．Experimental Thermal and Fluid Science，2009，33:253-260

[4] 王超，王玉琳，張文彪．基于靜電傳感的氣固兩相流測量及研究裝置[J]．電子測量與儀器學(xué)報，2011，25( 1) : 1-9

[5] 田晶京.無網(wǎng)格方法在油罐計量系統(tǒng)中的應(yīng)用研究[J]. 計量技術(shù),2012(3):26-27

[6] VAPNIK V N. An overview of statistical learning theory[J]. Neural Networks，IEEE Transactions，1999，10(5)：988-999

[7] 徐飛，巖石力學(xué)性態(tài)預(yù)測的PSO-SVM模型[J]. 巖石力學(xué)與工程學(xué)報,2009,28(2):3699-3704

[8] 姜諳男. 基于PSO-SVM非線性時序模型的隧洞圍巖變形預(yù)報[J]. 巖土力學(xué)，2007，28(6)：1176-1180

[9] 王定成. 支持向量機(jī)建模預(yù)測與控制[M].北京：氣象出版社，2009：20-27

[10] Vapnik V. The Nature of Science Learning Theory[M]. New York:Springer,1999

[11] 段曉東，劉向東．粒子群算法及其應(yīng)用[M]．沈陽:遼寧大學(xué)出版社，2007:29-34

10.3969/j.issn.1000-0771.2015.12.08