一种直流式气液旋流分离器分离性能的预测方法与流程

本发明涉及石油天然气技术领域，尤其涉及一种直流式气液旋流分离器分离性能的预测方法。

背景技术：

我国深海天然气资源极为丰富，深海天然气开采对保障我国能源安全具有重要战略意义，但深海天然气开采难度极大，采收方案不仅异于陆上，与浅海也有很大差别。国际主流开采方法是采用水下多相生产系统，水下气液分离器是其关键设备。直流式气液旋流分离器具有压降较小、结构紧凑和易于并联等优点，因此在水下气液分离中有着广阔的应用前景。

目前，旋流器的性能预测主要有两种方法：数值模拟法和智能算法。采用数值模拟法进行性能预测精度较高，但需要反复生成网格并进行数值求解，耗时很长。智能算法主要包括人工神经网络和支持向量机等方法。人工神经网络具有很强的学习和归纳能力、非线性处理能力以及并行处理能力，而且一旦网络建立后就具有普遍的实用性等显著优点受到研究者的青睐，其中应用最为广泛的是bp神经网络。然而，bp神经网络属于前馈网络，没有反馈，尽管其理论比较完善且应用广泛，在人工神经网络中具有重要的地位，但也存在着隐含层神经元节点个数难以确定、收敛速度慢以及局部最优等不可回避的问题。现有技术中还没有采用智能优化算法对直流式气液旋流分离器进行分离性能预测的相关报道。

技术实现要素：

本发明的目的是提供一种直流式气液旋流分离器分离性能的预测方法，该方法可以准确、快速地预测得到直流式气液旋流分离器的分离性能，大大缩短了研发周期和设计成本。

本发明的目的是通过以下技术方案实现的：

一种直流式气液旋流分离器分离性能的预测方法，所述方法包括：

步骤1、首先对直流式气液旋流分离器导流叶片的叶片个数、叶片出口角、叶片宽度以及叶片包角这四个因素进行取值，基于该四个因素采用正交试验法构建所述导流叶片的样本空间；

步骤2、采用数值模拟法获得所述样本空间中设计点的分离效率和压降；

步骤3、将所述样本空间作为支持向量机svm的输入，将步骤2获得的分离效率和压降作为输出，对所述支持向量机进行训练，建立所述直流式气液旋流分离器的性能预测模型；

步骤4、再采用设定的测试集对所述支持向量机的预测精度进行检验，验证所述性能预测模型的精度；

步骤5、基于所建立的性能预测模型，输入给定的任意导流叶片的结构参数，对直流式气液旋流分离器的分离性能进行快速预测。

在步骤3中，所述直流式气液旋流分离器的性能预测模型的建立过程具体为：

首先定义支持向量机训练样本的训练集为{xi,yi},(i＝1,2,…,l)，其中xi∈rⁿ为n维的系统输入向量，yi∈r为系统输出向量；

设在高维线性空间中建立的线性回归函数为：

f(x)＝wφ(x)+b

式中，φ(x)表示非线性映射函数，该函数的作用是将输入空间x映射到高维空间中；

再定义ε线性不敏感损失函数：

其中，y和f(x)分别表示训练样本的实际值和预测值，当实际值与预测值的偏差不大于ε时，损失函数的取值为零；

则变量w和b通过使下式最小化来估计：

其中，c表示惩罚因子；

然后通过引入松弛变量ξi和将优化目标函数转换为：

再引入lagerange方程：

式中，为lagerange乘子；

将lagerange方程分别对变量w,b,ξi,ξi^*求偏导，并令它们等于0：

再代入优化后的目标函数式，转换为对偶形式：

然后对上述方程进行求解，得到所述支持向量机最终的回归函数表示为：

其中，k(xi,x)＝φ(xi)φ(xj)是核函数。

由上述本发明提供的技术方案可以看出，上述方法可以准确、快速地预测得到直流式气液旋流分离器的分离性能，极大的方便了直流式气液旋流分离器的设计、运动和优化，大大缩短了研发周期和设计成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的直流式气液旋流分离器分离性能的预测方法流程示意图；

图2为本发明实施例中基于支持向量机的旋流器性能预测方法的精度比较示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的直流式气液旋流分离器分离性能的预测方法流程示意图，所述方法包括：

步骤1、首先对直流式气液旋流分离器导流叶片的叶片个数、叶片出口角、叶片宽度以及叶片包角这四个因素进行取值，基于该四个因素采用正交试验法构建所述导流叶片的样本空间；

步骤2、采用数值模拟法获得所述样本空间中设计点的分离效率和压降；

步骤3、将所述样本空间作为支持向量机svm的输入，将步骤2获得的分离效率和压降作为输出，对所述支持向量机进行训练，建立所述直流式气液旋流分离器的性能预测模型；

这里，支持向量机(svm)是一种新的智能算法，非常适用于样本数目较少的问题，svm的优点如下：(1)在样本数有限的情况下可以得到最优解。(2)在理论上，svm得到的是全局最优解。(3)无需反复试凑，支持向量就可以决定svm方法的拓扑结构。(4)具有良好的泛化能力，可以将原始变量通过非线性映射变换到高维特征空间，在此空间中构造线性判别函数，解决了“维数灾难”问题。

在该步骤中，所述直流式气液旋流分离器的性能预测模型的建立过程具体为：

首先定义支持向量机训练样本的训练集为{xi,yi},(i＝1,2,…,l)，其中xi∈rⁿ为n维的系统输入向量，yi∈r为系统输出向量；

设在高维线性空间中建立的线性回归函数为：

f(x)＝wφ(x)+b(1)

式中，φ(x)表示非线性映射函数，该函数的作用是将输入空间x映射到高维空间中；

再定义ε线性不敏感损失函数：

其中，y和f(x)分别表示训练样本的实际值和预测值，当实际值与预测值的偏差不大于ε时，损失函数的取值为零；

则变量w和b通过使下式最小化来估计：

其中，c表示惩罚因子；

然后通过引入松弛变量ξi和ξi^*，将优化目标函数转换为：

再引入lagerange方程：

式中，为lagerange乘子；

将lagerange方程分别对变量w,b,ξi,ξi^*求偏导，并令它们等于0：

再代入优化后的目标函数式(4)，转换为对偶形式：

然后对上述方程进行求解，得到所述支持向量机最终的回归函数表示为：

其中，k(xi,x)＝φ(xi)φ(xj)是核函数。

步骤4、再采用设定的测试集对所述支持向量机的预测精度进行检验，验证所述性能预测模型的精度；

步骤5、基于所建立的性能预测模型，输入给定的任意导流叶片的结构参数，对直流式气液旋流分离器的分离性能进行快速预测。

下面以具体实施例对本发明实施例所提供的直流式气液旋流分离器分离性能预测方法进行详细描述：

步骤一，选取导流叶片的叶片个数、叶片出口角、叶片宽度以及叶片包角这四个设计变量正交设计中的4个因素，每个变量具有5个取值。选用正交设计中的4因素5水平正交表来构建样本空间，其中因素水平取值见下表1所示：

表1旋流器导流叶片的取样空间

步骤二，采用数值模拟法获得所述样本空间中设计点的分离效率和压降，最终得到的正交表见下表2：

表2因素5水平正交表

步骤三，将样本空间作为支持向量机的输入，将数值计算得到的分离效率和压降作为输出，对支持向量机进行训练，建立旋流器的性能预测模型，具体建立模型的过程见上述方法实施例所述。

再将支持向量机的预测结果和数值模拟计算得到的分离效率进行对比，如图2所示为本发明实施例中基于支持向量机的旋流器性能预测方法的精度比较示意图。

步骤四，再采用设定的测试集对所述支持向量机的预测精度进行检验，验证所述性能预测模型的精度；

下表3和表4分别给出了svm预测得到的分离效率、压降与数值模拟值的相对误差。其中，svm预测分离效率的最大和平均相对偏差分别为2.82％和0.86％，svm预测压降的最大和平均相对偏差分别为9.39％和3.18％。

表3支持向量机方法预测分离效率的相对误差

表4支持向量机方法预测压降的相对误差

步骤五，基于所建立的性能预测模型，输入给定的任意导流叶片的结构参数，对直流式气液旋流分离器的分离性能进行预测。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

综上所述，本发明实施例所述预测方法无需每次进行数值模拟，即可准确、快速地得到直流式气液旋流分离器的分离性能，极大的方便了直流式气液旋流分离器的设计、运动和优化，大大缩短了研发周期和设计成本。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。