基于BP神经网络的蜡沉积速率及清蜡周期预测方法

邹德昊，柴世超，汪本武，阮新芳，李想,卢轶宽，何滨，杨友国，杨洪涛

(中海石油(中国)有限公司天津分公司，天津 300457)

XX油矿目前包括2个在生产油田，分别为XXA油田和XXB油田。2个油田沙河街组原油性质较为相似，均属于高蜡、高凝的中质原油。也正因为相似的油品性质，导致2个油田在投产后，均出现了油井蜡堵现象，严重影响了油田的正常生产。

通过对渤海某区域所辖各油田沙河街组原油物性的统计，发现该区域所辖油田，共有4个在生产油田、1个在建设油田和1个勘探阶段油田具有沙河街油组原油高含蜡的特性。因此可以认为高含蜡油井蜡堵问题，是该区域的普遍问题，是值得深入研究和有待解决的生产问题。

1 BP神经网络基本原理

BP神经网络即误差方向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元，而中间层负责信息变化，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。

1.1 神经元模型

1.2 神经网络模型

神经网络是由多个神经元相互连接组成的网络。按照连接方式可分为前馈型和反馈型神经网络。图2是一个典型的前馈型神经网络即BP神经网络。网络分为3层结构，分别为输入层x，隐含层y，输出层o，输入信号通过输入层向隐含层再向输出层传递，同一层之间的神经元没有信息传递。BP网络具有很强的非线性映射能力，一个3层BP神经网络能够实现对任意非线性函数进行逼近。

图1 神经元模型 图2 三层BP神经网络机构

2 模型参数的选取

2.1 原油物性及流动性试验分析

对XXA和XXB油田沙河街油组32口井原油样品，进行原油的密度(20、50℃)、黏度、蜡含量、胶质含量、沥青质含量、凝固点等基本物性测定。

地面原油密度(20℃)为0.853～0.885g/cm3，地面原油黏度(50℃)为8.22～31.2mPa·s，沥青质体积分数为2.49%～7.47%，胶质体积分数为7.97%～11.89%。根据原油工业分类标准,判定XXA和XXB油田沙河街原油属于高蜡、高凝的中质原油。

2.2 蜡沉积影响因素分析

通过试验法分析，结合油井实际生产参数，发现油井产液量、含水量、生产气油比和生产时间等是影响蜡沉积速率的地面生产特征，剪切应力、原油黏度、井筒内径向温度梯度、蜡分布密度等为其地下内在联系。通过使用SPSS Statistics软件，对各油井的试验参数进行大数据分析，发现剪切应力、原油黏度、井筒内径向温度梯度、蜡分布密度存在非常好的非线性关系(R2=0.941)，且显著性较强，证明针对这4个影响因素进行非线性拟合是科学合理的。

1)井筒内剪切应力 剪切应力越大，油流对管壁的冲刷作用越强，蜡分子不易沉积在管壁，蜡沉积速率减小。因此当油井液量增大时，剪切应力有使蜡沉积减小的趋势。

2)井筒内径向温度梯度 当管壁温度下降到析蜡点以下时，管壁处的蜡分子首先结晶析出，导致原油中的蜡分子出现浓度差。依据分子扩散原理，蜡分子由浓度高的油流中心向管壁处迁移并结晶析出，如此循环往复。

3)井筒内蜡分布密度 蜡沉积速率随蜡分子分布密度增大而增加，含蜡原油蜡沉积的主要机理是分子扩散机制。分子扩散作用主要是通过分子间浓度差进行，当管壁蜡分子分布密度增大时，蜡沉积速率将会增大。

4)井筒内原油黏度 当黏度较大时，原油对蜡分子的阻碍作用较大，不利于蜡分子通过分子浓度梯度差向管壁迁移析出。

2.3 模型参数计算

2.3.1剪切应力的计算

紊流流动时，流体在管壁处的剪切速率可以通过对近管壁处流体的流速分布推导或对管壁处流体运用幂律模型导出。

紊流时管壁处的剪切速率计算公式为：

(1)

(2)

式中：r为剪切速率，s-1；Re为雷诺数，1；f为摩阻系数，1；n为流变指数，1；v为液体通过井筒内单位管长的速度，m/s；D为井筒内径，m。

通过试验方法得到的原油在不同温度下的本构方程如表1(模型选取试验温度50℃下的本构方程)。

表1 不同含水率乳状液本构方程

将计算得到的各井原油样本在井筒内的剪切速率代入本构方程，得到各油井试验条件下剪切应力值。

2.3.2径向温度梯度的计算

将井筒段看作微元管段，油流与管壁的换热视作热传导，径向温度梯度可由微元管段上的热平衡求得：

(3)

整理得到：

(4)

2.3.3蜡分布密度的计算

折算到对应压力p、温度T状态下原油含蜡率为：

(5)

(6)

式中：Qo为地面产油量，m3；fp为地面含蜡率，1；Rs为溶解气油比，1；ρo和ρg分别为原油和天然气的密度，kg/m3；ρT为p、T状态下的原油密度，kg/m3；Bo为p、T状态下原油体积系数，m3/m3。

若蜡质组分在流体中均匀分布，在结蜡管段处，其单位体积内蜡质组分分布密度Fd为：

Fd=ρTfyfo

(7)

(8)

式中:Fd为蜡质组分分布密度，kg/m3;fo为p、T状态下油流体积与流体体积之比，m3/m3；Z为天然气的压缩因子，1；p为试验时的压力，MPa；T为试验时的温度，K；po为标准状态下的压力，取0.098MPa；To为标准状态下的温度，取293.15K；Rc为生产气油比，m3/m3；R为水油比，m3/m3。

2.3.4原油黏度的选取

实验室分析化验得到各井原油样本在不同温度下的原油黏度，选取50℃下化验结果(50℃低于原油样品析蜡点，符合结蜡理论模型条件)。

3 模型建立及结果应用

3.1 模型建立

将上述影响因素的计算参数作为4个输入向量，蜡沉积速率作为目标向量，通过SPSS Modeler软件建立BP神经网络模型，进行高次函数无限逼近真实值，选用双极S形函数作为激活函数。

3.2 模型应用

设置最大训练周期1000次，准确性99%，初始学习率为0.01，最终运算结果如表2。

表2 模型运算结果

清蜡周期计算公式：

(9)

式中：t为清蜡周期，s；Qo为油井产油量，m3；fy为原油含蜡率，1；ρ为原油密度，kg/m3；vd为蜡沉积速率，kg/(m3·s)-1；r为油管内径，m；dL为单位管段长，m。

以XX-A7井和XX-B30井为例，2口井分别为XX油矿XXA油田和XXB油田的2口生产井。2口井生产数据如表3所示，由于2口井的液量较低，导致井温低于析蜡温度(55℃)，出现井筒蜡堵现象，严重影响正常生产。

表3 生产井数据表

将蜡沉积速率代入公式(10)，得到XX-A7和XX-B30井的清蜡周期分别为28d和26d，而与2口井生产过程中的实际清蜡周期27d和26d相比，整体预测结果误差率小于3%，进一步证明了该方法的可靠性和模型的准确性。

4 结论

1)影响蜡沉积速率的主要因素是剪切应力、原油黏度、井筒内径向温度梯度、蜡分布密度，分析时需要综合考虑。提高日产液量可以增大井筒内剪切应力，井筒保温处理可以降低径向温度梯度，从而延长清蜡周期。

2)BP神经网络原理运用于井筒内蜡沉积速率的预测，需要大量较高质量的试验样本数据。建立的BP神经网络模型，可用于油井井筒内蜡沉积速率的预测和清蜡周期的计算，研究结果表明预测精度较高，满足油田分析研究的需要。

[1]王鸿勋，张琪.采油工艺原理[M].北京：石油工业出版社，1989：318～319.

[2]陈德春，刘均荣，吴晓东，等.含蜡原油井筒结蜡剖面的预测模型[J].石油大学学报，1999，23(4):23～26.

[3]陈普敏，韩善鹏，李鸿英，等.采用泰勒分散法测量蜡分子扩散系数[J].化工学报，2014，65(2):605～612.

[4]王利中.油井结蜡速度及清蜡周期预测[J].西部探矿工程，2003，15(11):54～55.

[5]韩力群.人工神经网络理论、设计及应用[M].北京：化学工业出版社，2007.

[6]武松，潘发明.SPSS统计分析大全[M].北京：清华大学出版社，2014.