發(fā)布時(shí)間：2018-01-15 11:14

  本文關(guān)鍵詞：油包水型乳狀液蠟沉積速率預(yù)測(cè)研究　出處：《西南石油大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 油包水型乳狀液 蠟沉積 沉積速率 蠟沉積模型 粘度組合預(yù)測(cè)模型 RBF神經(jīng)網(wǎng)絡(luò)模型 PSO-RBF神經(jīng)網(wǎng)絡(luò)模型

【摘要】：隨著深水油田的開發(fā)和海底管線的建設(shè),油水乳狀液的蠟沉積問題已成為多相混輸技術(shù)面臨的一個(gè)新的問題。油水乳狀液物性復(fù)雜,導(dǎo)致蠟沉積模型研究困難加大,目前國內(nèi)外學(xué)者建立的蠟沉積模型多為單相模型。本文利用已報(bào)道的蠟沉積實(shí)驗(yàn)數(shù)據(jù)開展油包水型乳狀液蠟沉積預(yù)測(cè)速率研究。本文在跟蹤國內(nèi)外該領(lǐng)域內(nèi)相關(guān)研究成果的基礎(chǔ)上,以215組不同油水乳狀液蠟沉積數(shù)據(jù)為研究對(duì)象,提出以組合預(yù)測(cè)法建立油包水型乳狀液粘度預(yù)測(cè)模型,根據(jù)經(jīng)驗(yàn)公式計(jì)算蠟沉積相關(guān)參數(shù),完善蠟沉積實(shí)驗(yàn)數(shù)據(jù)樣本。本文引入PSO-RBF神經(jīng)網(wǎng)絡(luò)建立油包水型乳狀液蠟沉積速率預(yù)測(cè)模型,與RBF神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)黃啟玉模型進(jìn)行比較和驗(yàn)證,同時(shí)預(yù)測(cè)實(shí)際管道中蠟沉積速率沿線分布規(guī)律。本文主要的研究內(nèi)容與結(jié)論如下:(1)通過文獻(xiàn)調(diào)研收集油包水型乳狀液蠟沉積速率的實(shí)驗(yàn)數(shù)據(jù),整理、分析后獲得蠟沉積模型需要的數(shù)據(jù)。(2)通過粘度組合預(yù)測(cè)模型、Vand模型、Brinkman模型、Pal模型及大慶油田模型分別對(duì)5種油水乳狀液的204組粘度數(shù)據(jù)進(jìn)行比較。結(jié)果表明,粘度組合預(yù)測(cè)模型適用性好、預(yù)測(cè)精度高,其平均相對(duì)誤差僅為5.4%。(3)本文在215組油水乳狀液蠟沉積數(shù)據(jù)樣本的基礎(chǔ)上,引入PSO-RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)蠟沉積速率,并與RBF神經(jīng)網(wǎng)絡(luò)模型、改進(jìn)黃啟玉模型對(duì)應(yīng)的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。結(jié)果表明,PSO-RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的蠟沉積速率與實(shí)驗(yàn)值的相對(duì)誤差較小,具有精度高,預(yù)測(cè)能力穩(wěn)定等特點(diǎn)。(4)蠟沉積影響因素多而復(fù)雜,確定各因素的主次對(duì)蠟沉積規(guī)律研究尤為重要。采用RBF神經(jīng)網(wǎng)絡(luò)中輸出變量對(duì)輸入變量的偏導(dǎo)的敏感性分析,確定了蠟沉積影響因素之間的關(guān)系,量化了各影響因素的敏感性系數(shù),并對(duì)影響因素的影響程度進(jìn)行排序。(5)利用本文的蠟沉積模型預(yù)測(cè)了不同工況下實(shí)際管道蠟沉積速率沿線分布規(guī)律,并根據(jù)蠟沉積模型預(yù)測(cè)的沿程摩阻增加值和現(xiàn)場(chǎng)沿程摩阻增加值進(jìn)行對(duì)比分析,間接驗(yàn)證蠟沉積模型預(yù)測(cè)結(jié)果的準(zhǔn)確性。結(jié)果表明,PSO-RBF神經(jīng)網(wǎng)絡(luò)模型可用于預(yù)測(cè)油水混輸管道的蠟沉積分布規(guī)律。
[Abstract]:With the development of deep water oil field and the construction of submarine pipeline, wax deposition of oil-water emulsion has become a new problem in multiphase mixed transportation technology. The physical properties of oil-water emulsion are complex. Therefore, it is difficult to study wax deposition model. Most of the wax deposition models established by scholars at home and abroad are single-phase models. In this paper, the prediction rate of oil-in-water emulsion wax deposition is studied based on the reported experimental data of wax deposition. This paper tracks the correlation in this field at home and abroad. Based on the research results. Taking 215 groups of different oil-water emulsion wax deposition data as the research object, a prediction model of viscosity of oil-in-water emulsion was established by combination prediction method, and the related parameters of wax deposition were calculated according to empirical formula. In this paper, PSO-RBF neural network was introduced to establish the oil / water emulsion wax deposition rate prediction model. Compared with RBF neural network model and modified Huang Qi-yu model. The main research contents and conclusions of this paper are as follows: 1) collect the experimental data of oil-in-water emulsion wax deposition rate through literature investigation and collate. After analysis, the data needed for wax deposition model are obtained. (2) through viscosity combination prediction model, Vand model and Brinkman model are obtained. The Pal model and Daqing oil field model compare 204 sets of viscosity data of five kinds of oil-water emulsion respectively. The results show that the viscosity combination prediction model has good applicability and high prediction accuracy. The average relative error is only 5.40.The paper introduces PSO-RBF neural network model to predict wax deposition rate on the basis of 215 samples of oil-water emulsion wax deposition data. Compared with the RBF neural network model and the modified Huang Qi-yu model, the results show that the relative error between the wax deposition rate predicted by the PSO-RBF neural network model and the experimental value is small. It has the characteristics of high precision, stable prediction ability and so on. (4) the influence factors of wax deposition are many and complex. It is very important to determine the primary and secondary factors for wax deposition. The sensitivity analysis of output variables to the deviation of input variables in RBF neural network is used to determine the relationship between the influencing factors of wax deposition. The sensitivity coefficient of each influencing factor is quantified, and the influence degree of the influencing factor is sorted. 5) the distribution law of wax deposition rate along the actual pipeline under different working conditions is predicted by using the wax deposition model in this paper. The accuracy of the prediction results of wax deposition model is indirectly verified by comparing and analyzing the increase value of friction along the line and the increase value of friction along the field, which is predicted by the wax deposition model, and the results show that the prediction results of the model are accurate. PSO-RBF neural network model can be used to predict the wax deposition distribution of oil and water mixed pipeline.
【學(xué)位授予單位】：西南石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TE832

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 湯承彬;滇池三角洲淤積及水域沉積速率分析[J];云南環(huán)境科學(xué);1995年04期

2 歐陽琰,王體健,張艷,胡正義,徐成凱;一種大氣污染物干沉積速率的計(jì)算方法及其應(yīng)用[J];南京氣象學(xué)院學(xué)報(bào);2003年02期

3 黎松強(qiáng);吳馥萍;;提高化學(xué)鍍金沉積速率相關(guān)因素研究[J];黃金;2007年01期

4 楊森;;低溫鍍鐵層沉積速率的研究[J];電鍍與環(huán)保;2012年06期

5 雷震;金玉仁;程建平;王宏樂;楊曉燕;;戈壁匯水區(qū)測(cè)年與沉積速率研究[J];原子能科學(xué)技術(shù);2007年05期

6 G.W.Hung,李曉蘭;臺(tái)灣東部大陸坡的沉積速率[J];海洋地質(zhì)譯叢;1995年01期

7 許小紅,武海順,張富強(qiáng),張聰杰,李佐宜;反應(yīng)濺射制備AlN薄膜中沉積速率的研究[J];稀有金屬材料與工程;2002年03期

8 周詩崠,吳明;管道輸送原油蠟沉積速率模型研究[J];遼寧石油化工大學(xué)學(xué)報(bào);2004年02期

9 楊曜源,蔡以超,東艷蘋,張力強(qiáng),王向陽,肖紅濤,田鴻昌,李衛(wèi),郝永亮,方珍意;工藝參數(shù)對(duì)CVD ZnS沉積速率的影響[J];人工晶體學(xué)報(bào);2004年02期

10 陳招科;熊翔;李國棟;肖鵬;張紅波;尹健;黃伯云;;工藝參數(shù)對(duì)CVI-TaC沉積速率的影響[J];中國有色金屬學(xué)報(bào);2006年12期

相關(guān)會(huì)議論文 前6條

1 劉再華;;方解石溶解、沉積速率控制的物理、化學(xué)機(jī)制[A];中國地質(zhì)科學(xué)院“九五”科技成果匯編[C];2001年

2 程功弼;;珠江口及鄰近海域~(210)Pb的沉積速率研究[A];科技、工程與經(jīng)濟(jì)社會(huì)協(xié)調(diào)發(fā)展——中國科協(xié)第五屆青年學(xué)術(shù)年會(huì)論文集[C];2004年

3 孫周;黃本華;洪留明;馮術(shù)娟;;OVD外包沉積速率的影響因素[A];光纖材料產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟（試點(diǎn)）推進(jìn)暨學(xué)術(shù)研討會(huì)論文集[C];2012年

4 武海順;許小紅;張聰杰;張富強(qiáng);;反應(yīng)濺射制備AIN納米薄膜中沉積速率的研究[A];納米材料和技術(shù)應(yīng)用進(jìn)展——全國第二屆納米材料和技術(shù)應(yīng)用會(huì)議論文集（上卷）[C];2001年

5 王愛軍;;江蘇王港鹽沼濕地的現(xiàn)代沉積速率研究[A];科技、工程與經(jīng)濟(jì)社會(huì)協(xié)調(diào)發(fā)展——中國科協(xié)第五屆青年學(xué)術(shù)年會(huì)論文集[C];2004年

6 林玉石;張美良;覃嘉銘;;再論洞穴石筍的沉積速率研究[A];高分辨記錄與同位素技術(shù)在環(huán)境變化研究中的應(yīng)用全國學(xué)術(shù)討論會(huì)論文摘要集[C];2004年

相關(guān)博士學(xué)位論文 前1條

1 徐佳;27000年以來秦安黃土沉積速率研究[D];中國科學(xué)院研究生院（教育部水土保持與生態(tài)環(huán)境研究中心）;2015年

相關(guān)碩士學(xué)位論文 前10條

1 何正中;廣西北部灣沉積速率研究[D];廣西大學(xué);2015年

2 鄂廣杏;油包水型乳狀液蠟沉積速率預(yù)測(cè)研究[D];西南石油大學(xué);2017年

3 張敬;長江口及鄰近海域沉積速率比較研究[D];華東師范大學(xué);2008年

4 朱靜;黃龍鈣華沉積速率及景觀演化研究[D];成都理工大學(xué);2009年

5 龐仁松;長江口泥質(zhì)區(qū)的現(xiàn)代沉積速率及其環(huán)境指示意義[D];南京大學(xué);2011年

6 王福;天津及其沿海地區(qū)現(xiàn)代沉積速率及現(xiàn)代地表環(huán)境變化[D];吉林大學(xué);2006年

7 郁濱赫;渤海灣（天津段）近岸海域現(xiàn)代沉積速率及沉積環(huán)境研究[D];天津師范大學(xué);2013年

8 劉廣東;大民屯凹陷北部下第三系磁性地層與沉積速率[D];中國地質(zhì)大學(xué)（北京）;2003年

9 姜亦飛;多核素示蹤近代環(huán)境演變?cè)诤涌诔练e物中的記錄[D];華東師范大學(xué);2012年

10 王志超;塔里木盆地三疊系地層旋回分析及沉積速率法恢復(fù)剝蝕厚度探究[D];中國地質(zhì)大學(xué)（北京）;2014年

，

本文編號(hào)：1428088