基于机器学习的含聚污水重力式沉降清淤界限预测方法

：本发明涉及的是油田三次采油聚合物驱油工艺中，解决含聚污水处理时，基于机器学习预测含聚污水重力式沉降清淤界限的问题，描述在重力沉降作用下含聚污水中悬浮物沉降、淤积形成淤泥层的增长过程，尤其是考虑含聚污水重力式沉降运行历史中淤泥层增长速率的离散性，对变工况下基于机器学习高效可靠预测含聚污水重力式沉降清淤界限的技术难题，具体涉及的是一种基于机器学习的含聚污水重力式沉降清淤界限预测方法。

背景技术

0、
背景技术：

1、化学驱油已成为我国三次采油增加可采储量的主要技术方法，在所有提高采收率方法所覆盖的储量中占到70％以上，这其中，聚合物驱油技术最具代表，其最早于20世纪50年代末提出，通过将水溶性聚合物溶液作为驱替液注入油层中，增加驱替液粘度，减小油水流度比，有效抑制指进现象，提高驱替液波及系数。因此，在非均质油藏中，聚合物驱因增加水相粘度、改善流度比、稳定驱替前缘等优势而得到广泛应用，尤其是以全球最大的三次采油生产、研发基地我国大庆油田为例，目前共有超过50个开发区块已成功开展了工业化规模的聚合物驱油，且相较于区块前期水驱开发方案，聚合物驱采收率平均提高了约13％，有效降低水驱阶段地层孔隙盲端与孔隙边缘剩余油饱和度，促进油田稳产增产。

2、然而，在油田进入高含水开发后期且采出液中全面返出驱油剂聚合物(即见聚)的背景下，一方面，采出液规模增大使地面污水重力式沉降系统中待处理的含聚污水体量大幅增加；另一方面，具有高粘性的聚合物在驱油过程中，会携带地层岩石矿物至地面污水处理系统，恶化含聚污水水质特性，降低污水重力沉降系统的净化效果和效率，直接影响到油田地面污水处理工艺的平稳高效运行。传统的重力式沉降工艺即是通过油、水、悬浮物的密度差异对含聚污水进行分离，与此同时，在悬浮物的重力沉降过程中，含聚污水中高分子聚合物长链会发生蜷曲并与悬浮物聚集形成胶凝状淤积物，且堆积至重力式沉降罐底部形成粘弹性淤泥层。淤泥层厚度的增加将影响含聚污水的处理效果，其内在机理在于淤泥层厚度的增加将缩短重力式沉降罐底部集水口与淤泥层表面之间的距离，促使淤泥层表面附近流场扰动区域愈接近集水口，而淤泥层黏附强度随沉积时间增加而增大，对于淤泥层表面黏附强度较低的悬浮物，会被流场重新携带至含聚污水中，使得这部分悬浮物随分离后出水从集水口排出，导致处理污水中悬浮物含量超标。因此，近年来针对含聚污水处理工艺界限的个性化确定，特别是关于可靠预测含聚污水重力式沉降的清淤界限来清理重力式沉降罐淤泥层，已经成为了工程中亟待解决的问题，不过现有认识均是基于运行历史经验来估计淤泥层增长速率，尽管这种认识为油田含聚污水处理工艺设计及管理提供了依据、拓宽了思路，但是尚未考虑到清淤轮次的时间周期跨度远大于沉降时间而导致淤泥层增长速率的离散性，以及见聚后高分子聚合物与悬浮物形成胶凝状淤积物引起的沉降速度变化，尚未针对历史运行数据中淤泥层增长速率存在的离散性而构建变工况下利用机器学习算法预测含聚污水重力式沉降清淤界限的方法，直接影响了高效污水处理工艺的设计、高效重力式沉降分离设备的研发、以及面向油田智能化转型的含聚污水处理工艺关键参数与污水处理水质指标的协调配合。这就提出了基于机器学习算法对淤泥层增长速率划分类别，设计含聚污水重力式沉降过程中清淤界限的科学问题，突破传统方法中对悬浮物的沉降、淤积过程及其与水相中高分子聚合物相互作用机制的理解笼统模糊，特别是考虑淤泥层增长速率离散性对回归连续方程带来不便的种种局限和难题，科学设计聚合物驱油田污水处理过程中重力式沉降清淤界限的预测方法显得尤为必要。

技术实现思路

0、
技术实现要素：

1、本发明的目的是提供基于机器学习的含聚污水重力式沉降清淤界限预测方法，这种基于机器学习的含聚污水重力式沉降清淤界限预测方法用于解决油田三次采油聚合物驱油工艺中，含聚污水重力式沉降处理时悬浮物沉降、淤积形成淤泥层增长速率的过程描述，尤其是考虑含聚污水重力式沉降运行历史中淤泥层增长速率的离散性，对变工况下基于机器学习高效可靠预测含聚污水重力式沉降清淤界限的技术难题。

2、本发明解决其技术问题所采用的技术方案是：这种基于机器学习的含聚污水重力式沉降清淤界限预测方法包括如下步骤：

3、步骤(一)、含聚污水样本空间的样本数据预处理；

4、步骤(二)、含聚污水样本空间中基于主成分分析法的多重特征降维处理；

5、步骤(三)、考虑淤泥层增长速率离散性的含聚污水分类预测数据集划分；根据相同淤泥层增长速率的含聚污水样本作为同一类别的分类依据，将淤泥层增长速率的回归连续预测转化为含聚污水的分类离散预测，构建与不同清淤轮次的淤泥层增长速率离散值相对应的二值化分类预测指标有：

6、

7、式中，yit为含聚污水样本空间中第i个含聚污水样本的第t个二值化分类预测指标取值；vt为含聚污水样本空间中第t个清淤轮次的淤泥层增长速率，m/s；

8、在此b个二值化分类预测指标的基础上，结合步骤(二)中基于主成分分析法获取的主成分特征，建立含聚污水分类预测数据集，且采用80％含聚污水样本划分为训练集、10％含聚污水样本划分为验证集、10％含聚污水样本划分为测试集的方式进行含聚污水分类预测数据集划分；

9、步骤(四)、建立基于交叉熵损失的含聚污水分类多层感知预测模型，含聚污水分类多层感知预测模型由输入层、单层隐含层、输出层组成；

10、步骤(五)、定量表征含聚污水重力式沉降清淤界限；训练并得到预测结果最优的含聚污水分类多层感知预测模型，通过预测结果最优的含聚污水分类多层感知预测模型对含聚污水重力式沉降清淤界限进行预测。

11、上述方案步骤(五)中预测结果最优的含聚污水分类多层感知预测模型对含聚污水重力式沉降清淤界限进行预测时，针对上一清淤轮次结束时刻起记录的实际含聚污水样本，获取该实际含聚污水所属于第t个含聚污水类别的概率确定含聚污水类别并获取该类别对应的淤泥层增长速率离散值，则上一清淤轮次结束时刻起记录的第z个含聚污水样本的淤泥层厚度有：

12、

13、式中，hz为上一清淤轮次结束时刻起记录的第z个含聚污水样本的淤泥层厚度，m；δt为上一清淤轮次结束时刻起各含聚污水样本数据的记录时间间隔，s；为某一含聚污水分类预测数据集的第i个含聚污水样本属于第t个含聚污水类别的概率；vt为含聚污水样本空间中第t个清淤轮次的淤泥层增长速率，m/s；

14、结合重力式沉降罐罐底至集水口距离，即淤积层最大厚度，确定含聚污水重力式沉降的清淤界限有：

15、

16、式中，t为该清淤轮次的清淤周期，s；hmax为淤积最大厚度，m。

17、上述方案步骤(一)具体为：

18、对含聚污水样本空间内的特征进行归一标准化处理，将含聚污水样本的某一特征数值等效转化至[-1，1]范围内有：

19、

20、式中，xij为含聚污水样本空间中第i个含聚污水样本的第j个特征的归一标准化取值；为含聚污水样本空间中第i个含聚污水样本的第j个特征的实际值；为含聚污水样本空间中第j个特征的最小值；为含聚污水样本空间中第j个特征的最大值；m为含聚污水样本空间中的含聚污水样本个数；n为含聚污水样本空间中影响淤泥层增长速率的特征个数；

21、假设含聚污水的某一特征符合正态分布规律，当特征方差未知时，含聚污水样本空间内的某一特征数据应符合t分布，以95％为置信水平，构建含聚污水样本空间内某一特征数据的置信区间有：

22、

23、式中，μj为归一标准化后含聚污水中第j个特征的总体均值；为归一标准化后含聚污水样本空间的第j个特征样本均值，sj为归一标准化后含聚污水样本空间中第j个特征的样本标准差，t(a-1)表示自由度为a-1的t分布；t0.025(m-1)为t分布概率取0.025的分位数；

24、在含聚污水样本空间中，剔除第j个特征数值不在置信区间范围内的含聚污水样本，确保含聚污水样本空间内某一特征的数据真实可靠。

25、上述方案步骤(二)具体为：

26、含聚污水样本空间的含聚污水样本数据中包括各不同组成特性的悬浮物含量特征，以及包括处理温度、处理压力、水相粘度在内的含聚污水环境特征，具有相关性质或互相关联的若干特征对含聚污水清淤界限确定带来的干扰性，采用主成分分析法对含聚污水样本空间的多重特征进行降维处理，根据含聚污水样本空间归一标准化后的特征数据构建样本矩阵有：

27、

28、式中，x为含聚污水样本空间归一标准化后的样本矩阵；

29、构建含聚污水样本空间中n个特征对应的协方差矩阵有：

30、

31、式中，r为含聚污水样本空间中n个特征对应的协方差矩阵；rij为样本矩阵对应协方差矩阵的第i行、第j列数值；

32、取协方差矩阵的特征值与特征向量，并按特征值大小进行排序有：

33、

34、式中，λu为协方差矩阵的第u个特征值；ξu为协方差矩阵的第u个特征向量；

35、以第u个特征值在所有特征值总和中的占比作为第u个特征值的贡献率，根据数值大小进行排序，从第一个特征值开始，依次计算各个特征值的贡献率，前a个特征值的累计贡献率有：

36、

37、式中，ψ为前a个特征值的累计贡献率；

38、当前a个特征值的累计贡献率达到95％时，舍去后续贡献率较低的特征值及其对应的特征向量，根据含聚污水样本空间中n个特征和前a个特征值对应的特征向量，形成可反映原始悬浮物含量特征与含聚污水环境特征95％以上数据信息的a个主成分特征：

39、

40、式中，giu为含聚污水样本空间中第i个含聚污水样本的第u个主成分特征数值；ξju为协方差矩阵第u个特征向量的第j行数值；

41、由此完成含聚污水样本空间中基于主成分分析法的多重特征降维处理。

42、上述方案中步骤(三)具体为：

43、对于含聚污水样本空间中直接反映淤泥层增长速率的淤积量指标，结合重力式沉降罐的参数获取某一清淤轮次的淤泥层清理厚度有：

44、

45、式中，h为某一清淤轮次内的淤泥层清理厚度，m；v为某一清淤轮次内的淤积总体积，m3；r为某一重力式沉降罐的半径，m；

46、假设某一清淤轮次内不同含聚污水样本的淤泥层增长速率相同，将某一清淤轮次的淤泥层清理厚度平均到不同时刻的含聚污水样本中，获取处于某一清淤轮次时，多个含聚污水样本对应相同的淤泥层增长速率有：

47、

48、式中，vi为含聚污水样本空间中第i个含聚污水样本对应的淤泥层增长速率，m/s；hi为含聚污水样本空间中第i个含聚污水样本所在清淤轮次内的淤泥层清理厚度，m；ti为含聚污水样本空间中第i个含聚污水样本所在的清淤轮次的时间跨度，s；p为含聚污水样本空间中该清淤轮次初始时刻对应的含聚污水样本序号；q为含聚污水样本空间中该清淤轮次终止时刻对应的含聚污水样本序号；

49、含聚污水样本空间中的淤泥层增长速率呈现出随清淤轮次交替而间断变化的离散性，且这种离散性因清淤轮次的时间跨度不同而产生差异，根据相同淤泥层增长速率的含聚污水样本作为同一类别的分类依据，将淤泥层增长速率的回归连续预测转化为含聚污水的分类离散预测，构建与不同清淤轮次的淤泥层增长速率离散值相对应的二值化分类预测指标有：

50、

51、式中，yit为含聚污水样本空间中第i个含聚污水样本的第t个二值化分类预测指标取值；vt为含聚污水样本空间中第t个清淤轮次的淤泥层增长速率，m/s；

52、在此b个二值化分类预测指标的基础上，结合步骤(二)中基于主成分分析法获取的主成分特征，建立含聚污水分类预测数据集，且采用80％含聚污水样本划分为训练集、10％含聚污水样本划分为验证集、10％含聚污水样本划分为测试集的方式进行含聚污水分类预测数据集划分。

53、上述方案步骤(四)具体为：

54、由已构建的含聚污水分类预测数据集，搭建由输入层、单层隐含层、输出层组成的含聚污水分类多层感知预测模型，其中，输入层的神经元个数由主成分特征个数确定为a个，输出层的神经元个数由二值化分类预测指标个数确定为b个，若取某一分类多层感知预测模型结构中隐含层的神经元个数为c，则某一含聚污水分类预测数据集中第i个含聚污水样本的主成分特征数据自输入层到隐含层的计算过程有：

55、

56、式中，为某一含聚污水分类预测数据集中第i个含聚污水样本的主成分特征数据进入隐含层第k个神经元时的线性输出值；ωuk为隐含层权值矩阵中第u个输入层主成分特征，第k个隐含层神经元对应的数值；θk为隐含层偏置矩阵中第k个隐含层神经元对应的数值；m1为某一含聚污水分类预测数据集中的含聚污水样本数量；

57、在隐含层中增加sigmoid层对隐含层输出结果做非线性处理有：

58、

59、式中，为某一含聚污水分类预测数据集中第i个含聚污水样本的主成分特征数据进入隐含层第k个神经元时的输出值；

60、将式(12)中隐含层输出结果代入输出层进行线性计算，且考虑到二值化分类预测指标的范围为正数，在输出层中利用线性整流函数将输出结果限制在[0,+∞]范围内有：

61、

62、式中，为某一含聚污水分类预测数据集中第i个含聚污水样本的主成分特征数据进入输出层第t个神经元时的线性输出值；为某一含聚污水分类预测数据集中第i个含聚污水样本的主成分特征数据进入输出层第t个神经元时的输出值；为输出层权值矩阵中第k个隐含层神经元，第t个输出层神经元对应的数值；βt为输出层偏置矩阵中第t个输出层神经元对应的数值；

63、分类多层感知预测模型的输出值是通过b个二值化分类预测指标的预测数值判断含聚污水样本所属的含聚污水类别，其中若某二值化分类预测指标的预测数值超过或接近于1，则含聚污水样本属于此二值化分类预测指标对应的含聚污水类别，为定量表征不同二值化分类预测指标之间的相对关系，添加softmax层将输出层的第t个二值化分类预测指标的预测值转化为含聚污水样本属于第t个含聚污水类别的概率：

64、

65、式中，为某一含聚污水分类预测数据集的第i个含聚污水样本属于第t个含聚污水类别的概率；

66、同时，以交叉熵损失为损失函数，对于某一含聚污水分类预测数据集的第i个含聚污水样本预测结果进行量化评价：

67、

68、式中，ei为某一含聚污水分类预测数据集的第i个样本预测结果的交叉熵损失；

69、再根据梯度下降算法和链式求导法则，对此分类多层感知预测模型输出层与隐含层的权值矩阵、偏置矩阵修正：

70、

71、式中，为输出层权值矩阵中第k个隐含层神经元，第t个输出层神经元，对应的修正量；δβt为输出层偏置矩阵中第t个输出层神经元对应的修正量；δωuk为隐含层权值矩阵中第u个输入层主成分特征，第k个隐含层神经元对应的修正量；δθk为隐含层偏置矩阵中第k个隐含层神经元对应的修正量；η为自设学习率；为示性函数，当满足条件时取为1，否则取为0；

72、结合式(11)～式(16)，通过某一含聚污水分类预测数据集中第i个含聚污水样本的主成分特征与二值化分类预测指标，对于含聚污水分类多层感知预测模型中，修正隐含层与输出层的权值矩阵与偏置矩阵：

73、

74、式中，为修正后的输出层权值矩阵中第k个隐含层神经元，第t个输出层神经元对应的数值；为修正后的输出层偏置矩阵中第t个输出层神经元对应的数值；为修正后的隐含层权值矩阵中第u个输入层主成分特征，第k个隐含层神经元对应的数值；为修正后的隐含层偏置矩阵中第k个隐含层神经元对应的数值；

75、由此完成基于交叉熵损失的含聚污水分类多层感知预测模型建立。

76、上述方案中含聚污水样本空间内悬浮物含量特征通过污水处理系统历史运行数据获取。

77、上述方案中含聚污水样本空间内含聚污水环境特征通过污水处理系统历史运行数据获取。

78、本发明具有以下有益效果：

79、(一)本发明对于含聚污水重力式沉降运行历史数据构成的含聚污水样本空间，考虑了设备维修、站场停电等突发情况可能造成的样本数据损坏、丢失，将空值、缺失值以及文本数据类型标识为损坏数据进行数据清洗，结合样本数据归一标准化以消除不同特征量纲的影响，并以抽样分布统计学理论的t分布为基础，剔除含聚污水样本空间中特征数据处于置信区间外侧的含聚污水样本，实现含聚污水样本空间的样本数据预处理，这样既能消除含聚污水重力式沉降历史数据中的记录偏差，又有益于统一含聚污水样本空间的样本数据类型与特征数量级水平，以此保证对悬浮物沉降、淤积形成淤泥层增长过程的定量化、科学化描述。

80、(二)本发明充分考虑不同组成特性悬浮物与水相中聚合物之间存在相互作用机制，基于主成分分析法形成含聚污水样本空间中各特征的协方差矩阵，以特征向量为系数构造主成分特征，且通过对特征值排序构建累计贡献率，反映降维后的主成分特征对原始样本数据信息的再现情况，进而，从样本数据层面定性描述悬浮物与聚合物之间存在相互作用的强弱关系，大幅降低相关性质或存在相互作用关联的若干特征对含聚污水重力式沉降清淤界限确定带来的干扰性，为含聚污水分类多层感知预测模型的结构降维简化奠定了重要基础。

81、(三)本发明对于含聚污水分类预测数据集的建立与划分，既着眼于清淤轮次的时间跨度远大于含聚污水重力式沉降的分离时间，将某一清淤轮次的淤泥层清理厚度平均到不同时刻的含聚污水样本中，形成随清淤轮次交替而间断变化的淤泥层增长速率，同时兼顾这种淤泥层增长速率的离散性，引入与不同清淤轮次的淤泥层增长速率离散值相对应的二值化分类预测指标，避免离散化的淤泥层增长速率指标与回归预测连续算法的适应性过低，从而有效保证了按淤泥层增长速率进行含聚污水分类预测的可靠性，有益于在聚合物驱油田地面含聚污水高效处理控制系统中设计应用。

82、(四)本发明突破含聚污水处理中淤泥层增长速率的离散性对回归连续方程带来的不便，考虑到含聚污水样本空间中，清淤轮次与反映含聚污水类别的淤泥层增长速率离散值相互对应，有效构建适用于多类别预测的含聚污水分类多层感知预测模型，并在输出层中引入softmax层，为二值化分类预测输出值与某一含聚污水类别的对应关系引入概率表征，同时以交叉熵损失为损失函数，反映了此含聚污水分类多层感知预测模型对于含聚污水样本空间中某一含聚污水样本的预测能力，从而使含聚污水分类多层感知预测模型按含聚污水分类预测数据集不断对权值矩阵与偏置矩阵进行迭代优化，为更加科学、可靠揭示含聚污水重力式沉降中悬浮物沉降、淤积形成的淤泥层生长机制提供了有益的方法和借鉴。

83、(五)本发明基于含聚污水分类多层感知预测模型对含聚污水分类预测训练集的训练过程，以含聚污水分类预测验证集判断模型训练程度，结合含聚污水分类预测测试集，评价模型预测性能以优选最佳的含聚污水分类预测模型结构，从而消除隐含层神经元个数经验估计带来的误差，同时结合各实际含聚污水样本数据的采集、记录时间间隔与特征数值，实现了含聚污水重力式沉降清淤界限的定量表征，有效提高含聚污水分类多层感知预测模型的使用范围，并使得含聚污水在重力式沉降过程中的清淤界限确定从经验估计向定量预测转变，能够为聚合物驱油田地面污水提质提效处理提供改进思路和科学依据。

84、(六)本发明根据含聚污水样本空间数据清洗后的含聚污水样本，基于主成分分析法构造降维后的主成分特征，结合二值化分类预测指标表征不同清淤轮次的淤泥层增长速率离散值，构建含聚污水分类多层感知预测模型，并以清淤周期为指标定量表征含聚污水重力式沉降的清淤界限，原理明确、可行，方法科学、可靠，能突破传统对悬浮物与聚合物共沉降、淤积及其相互作用机制理解模糊的局限，有效提供一种基于机器学习的含聚污水重力式沉降清淤界限预测方法，科学性、可操作性及实用性强，既能够为聚合物驱油中悬浮物沉降、淤积机制的再现与深刻揭示提供有益方法，又可丰富并拓展含聚污水高效分离理论，同时，也为促进含聚污水高效处理新技术、新设备的研发应用提供了理论手段和依据。