基于支持向量機的油水界面預測

李建榮

(勝利油田現河采油廠,東營 257068)

?

基于支持向量機的油水界面預測

李建榮

(勝利油田現河采油廠,東營 257068)

針對原油儲油罐油水界面檢測時影響因素多、數據維數大，非線性等難以處理的問題，作者提出基于粒子群優化算法和支持向量機相結合的油水界面預測方法。通過對油罐實測數據的計算仿真，經過尋優進一步優化模型，得到油水界面的預測結果并生成了擬合效果圖。分析誤差表明該預測方法精度高、誤差小，可以較好地實現儲油罐油水界面的測量。

油罐計量；油水界面預測；粒子群優化算法；支持向量機

0 引言

目前，我國石化企業均按ISO 3170(GB/T 4756—1998)《石油液體產品手工取樣法》采樣，其采樣的準確度及難度受諸多因素的影響，且操作者勞動強度大，更不利于安全生產。隨著科學技術的發展和石化企業自動化水平的提高，為適應現代技術的要求，沿用幾十年的石油液體產品手工取樣被自動化設備取代是發展趨勢。要實現自動化取樣，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，就要實現對油水界面的自動化定位，而實現油水界面自動化定位最關鍵的技術就是能夠對油水兩相流中的含水率進行測量與預測。對于含水率的測量，主要有射線法、超聲法、層析法、電容法、電導法、微波法[1-4]等，但在對于已知數據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]，得到的數據維數高，處理不方便。

SVM是在統計學習理論的基礎上提出的機器學習工具，它遵循結構風險最小化(Structural Risk Minimization，SRM)原理，能較好的處理小樣本、高維數和非線性等問題[6]，在模式識別、分類和數據預測、擬合方面得到了廣泛應用。粒子群算法(PSO)是根據鳥群覓食行為提出的一種全局智能仿生方法，具有收斂快、人為設定參數少、并行實施、易編程實現等優點[7]。本文嘗試將支持向量機運用到油水界面含水率的預測中，并通過PSO算法來實現對支持向量機核函數和懲罰因子[8]的優化。

1 基于PSO-SVM的油水含水率預測

1.1 支持向量機的原理和實現

把支持向量機估計指示函數中得到的結論推廣到實函數中，即支持向量機回歸[9]。根據統計學習理論，構造線性回歸方程[10]

f(x)=ωΦ(x)+b

(1)

式中，非線性映射φ把數據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；C為懲罰系數。

引入拉格朗日函數和對偶變量：

(3)

i=1,2,…,n

(4)

(5)

(6)

于是可得

(7)

(8)

1.2 粒子群優化算法

粒子群優化算法是由Kennedy和Eberhart提出的一種基于群智能(Swarm Intelligence)的演化計算技術，是在鳥群、魚群和人類社會的行為規律的啟發下提出來的粒子群優化算法通過群體中的粒子間的合作與競爭產生的群體智能來指導優化搜索。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，避免了復雜的遺傳操作。粒子群優化算法特有的記憶，使其可以動態跟蹤當前的搜索情況，調整其搜索策略。與演化計算相比，粒子群優化算法是一種高效的并行搜索算法。由于算法收斂速度快，設置參數少，近年來受到學術界的廣泛重視[11]。

粒子群優化算法的精確描述為：在D維目標搜索空間中，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位置pi。在每次迭代中，粒子i根據自身慣性、自身經驗pi=(pi1，pi2，…，piD)和粒子群最優經驗pg=(pg1，pg2，…，pgD)調整自身的速度向量，進而調整自身位置?？梢酝ㄟ^一個適應值函數f(x)來衡量粒子的優勢。

1.3 粒子群優化支持向量機

利用粒子群算法優化支持向量機的算法如下：

Step 1確定適應度函數f(x)；

Step 2初始化種群的位置，數量以及速度；

Step 3適應度定標；

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利用更新的數據計算適用度，前往step 4；

Step 7利用輸出的最優解優化支持向量機模型，并對數據進行擬合。

2 基于粒子群優化的支持向量機仿真實例

2.1 數據的獲取

針對某一油罐，對其進行不同高度的取樣，分別測得其液位高度、出罐壓力、溫度、質量流量、混合密度、體積流量，進罐壓力、以及含水率等數據為訓練樣本來訓練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，油水二相流進入取樣管，含水率測量儀獲得含水率的數據，并進行記錄，與此同時，記錄其出罐壓力、罐內溫度等數據。得到84個不同取樣口高度的數據，其中的22個數據如表1所示。

2.2 仿真過程

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

表1 取樣數據

圖2 交叉檢驗時的三維圖

利用尋優得到的結果，來訓練支持向量機模型，并利用得到的模型來預測得到的數據，擬合效果如圖3。

圖3 擬合效果圖

3 結果分析

通過PSO優化支持向量機參數，并對含水率進行預測，對數據擬合效果較好，誤差均不超過5%。支持向量機是可以作為預測含水率的新方法。

4 結論

由于油水兩相流是個非線性關系，而且影響因素較多，數據的維數相對較大，而支持向量機在處理大維數數據方面有獨特的優勢，本文以油罐中實測數據為實例，對油水二相流含水率運用支持向量機進行擬合，擬合誤差較小，預測精度較高。

[1] 李霞，黃志堯，王保良．應用單相流量計測量油水兩相流[J]．工程熱物理學報，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的發展[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]．電子測量與儀器學報，2011，25( 1) : 1-9

[5] 田晶京.無網格方法在油罐計量系統中的應用研究[J]. 計量技術,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，巖石力學性態預測的PSO-SVM模型[J]. 巖石力學與工程學報,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報[J]. 巖土力學，2007，28(6)：1176-1180

[9] 王定成. 支持向量機建模預測與控制[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．粒子群算法及其應用[M]．沈陽:遼寧大學出版社，2007:29-34

10.3969/j.issn.1000-0771.2015.12.08