基于時序驅動的管道結蠟程度預測及清管效果評價

姜兆波，姚佳杉，高曉楠，馬 靜，劉 倩，梁昌晶

1.中國石油華北油田公司第一采油廠，河北任丘 062552

2.華北石油通信有限公司，河北任丘 062552

3.中國石油華北油田公司第三采油廠，河北河間 062450

我國大部分油田生產易凝、高黏、高含蠟原油，在熱油輸送的過程中，因流體與管壁、土壤的持續換熱，會損失部分熱量，當溫度降至析蠟點以下時，溶解在原油中的蠟晶分子會析出，借助表面自由能沉積在管壁上[1]。蠟沉積發生后，將減小管道流通面積，降低輸送能力，嚴重時可能發生堵管，進而造成巨大的經濟損失[2]。因此，研究管道的結蠟程度，制定合理的清管周期對于保障輸油管道安全運行具有重要意義。

迄今為止，諸多學者從單相流、油水多相流等方面對蠟沉積規律和影響因素進行了研究，形成了包括分子擴散、剪切剝離和老化等理論在內的認知機理，推導了以BURGER、SINGH、黃啟玉等模型為代表的蠟沉積速率計算公式[3-6]，但這些模型多在環道實驗或冷指實驗上應用，研究成本較高，模型普適性相對較差。隨著計算機科學的不斷發展，基于人工智能算法的蠟沉積預測模型被廣泛應用，駱正山等[7]、陳卓等[8]、肖榮鴿等[9]均證明了此類模型的穩定性和優越性，但訓練中所需的管壁處溫度梯度、管壁蠟分子濃度梯度等參數計算較為復雜，這也限制了此類模型的應用。管道結蠟是一個緩慢時序過程，目前結合時間序列對管道結蠟程度進行預測的研究還鮮有報道，且現場對于清管周期的確定存在一定的隨機性和盲目性，導致頻繁出現過度清管，同時缺乏對清管效果的定量評價?；谏鲜鰡栴}，在研究生產數據參數與結蠟程度關系的基礎上，通過改進Kmeans 和卷積神經網絡（CNN）算法確定管道結蠟程度，實現不同結蠟程度持續時間的在線更新，最后依據清管效果評價指數確定清管效果。

1 管道結蠟影響因素分析

管道結蠟是一個緩慢過程，初始時刻結蠟強度較弱，少量蠟沉積不影響管道運行，隨后蠟沉積速率迅速上升達到峰值，最后在多種機理的影響下維持動態平衡。蠟沉積與油溫、壁溫、流速、流型、原油物性及管壁材料等因素相關[10-11]。溫度是影響蠟晶分子析出最重要的熱力學因素，油壁溫差越大，析蠟區間跨度也越大，蠟分子的擴散驅動力更強，結蠟量增多，但當油溫降低至一定程度時，擴散作用減弱，結蠟量趨于穩定。流速體現了剪切剝離的作用機理，在原油剪切的作用下，當流速導致的剪切應力大于蠟沉積三維網絡應力時，沉積物被剝離并逐漸向管道后方移動。含水率差異是多相流蠟沉積的主要特征，含水率影響油水乳化程度，特別是含水率超過60%～70%時，管內流型從油包水轉為水包油，管壁潤濕性大幅增加，蠟分子不易析出且不易在管壁上附著。氣油比越大，氣體的攜液能力越強，攜帶蠟沉積物排出管道的可能性越大，蠟沉積速率越小。此外，總傳熱系數表示油流向周圍介質傳熱強度的大小，結蠟厚度越大，管道的保溫效果越強，總傳熱系數越小。

綜上所述，影響管道結蠟的因素具有時變性、非線性特點，結合現場可獲取的傳感器測量參數，確定平均油溫、地溫（代表壁溫）、起點壓力（反映蠟沉積對管道的堵塞）、流速、含水率、氣油比、總傳熱系數（通過反算法計算）等為時序輸入變量。此外，管道材料、粗糙度和管徑也是影響蠟沉積的因素，但對于單一管道而言，這些變量不隨時序變化，故不作為輸入變量?？紤]到一個區塊同一開采層位的油品物性接近，且物性也非時序變量，故蠟、膠質、瀝青質等含量亦不作為輸入變量。

2 基于改進K-means和CNN算法的管道結蠟程度預測模型

基于改進K-means 和CNN 算法的管道結蠟程度預測流程如下。

1）收集同一區塊不同集輸管道的生產參數，采樣周期從清管完成后至下一次清管開始前，且在運行期間內，未采取添加減阻劑、降凝劑等減緩蠟沉積的藥劑或清蠟措施，確保結蠟程度是逐漸增加的，采樣周期內輸入變量的主要變化受蠟沉積影響。

2）為消除單位和數值范圍不統一帶來的影響，將所有數據進行歸一化處理。

3）通過肘部分析法確定K-means 算法的聚類個數，結合結蠟周期內輸入變量的變化確定結蠟程度。

4）劃分訓練集和測試集，利用CNN 模型訓練樣本集，建立管道結蠟程度預測模型。

5）通過結蠟程度和清管周期的變化程度確定清管效果評價指數。

2.1 基于肘部分析的K-means算法

K-means算法屬于分區聚類算法的一種，目的是將不同連續時序區間的管道數據分為若干類，并且一個時間點的數據只能屬于一類而不能同時屬于多類，通過迭代優化步驟，當每類的質心不再發生改變時，即完成聚類[12]。傳統方法需事先指定分類個數k，缺乏數據客觀性，容易使質心迭代陷入局部最優。因此，可以引入肘部分析法改進K-means算法。

將每類質點與類內樣本點的平方誤差和稱為畸變程度，對于一個類別，畸變程度越低，類內樣本的距離越緊密。一般畸變程度會隨類別數的增加而降低，但會存在一個拐點使畸變程度發生轉變，這個拐點（肘部）對應的分類個數的聚類性能較好。

通常采用CH指標、輪廓系數等內部評估指標作為畸變程度的損失函數，見下式：

式中：CH（k）為分類數k的指標值，Bk和Wk分別為類別間、類別內的協方差矩陣，Tr為矩陣的跡；N為樣本點個數，S（i）為第i個樣本的輪廓系數，a為同類樣本中2點距離的均值，b為該樣本到除自身所在類外的最近類內樣本均值。將所有的S（i）取均值后，即為該分類數下的輪廓系數S（k）。

以每1 h為采樣頻率，采樣周期20～40 d（根據每條管道完整結蠟周期的不同確定），單條管道共采集480～960 條數據，共取30 條參數不同的集輸管道，考察不同k值下的畸變程度指標，見圖1。不同損失函數的誤差平方和隨k值的增加不斷減小，并在k= 4 時產生拐點，故此肘部對應的分類數4為最佳聚類個數。

圖1 不同k值下的CH指標和輪廓系數指標

根據聚類個數，將管道結蠟程度分為4 個等級，1 級對應管道基本無結蠟，2 級對應有輕微結蠟或有結蠟趨勢，3 級對應蠟沉積速率快速上升，4 級對應嚴重結蠟且此階段的蠟沉積厚度已達到2 mm 及以上。以其中的5 條管道為例，聚類結果見圖2。不同管道在完整結蠟周期內的等級時間不同，周期長短也不同，這體現了輸入參數差異帶來的結蠟程度不同，其中各管道在第1～2級中所占的時長較長，在第3 級尤其是第4 級中所占的時長較短，反映了蠟沉積速率的上升速率不斷增加，在后期很快時間內可達到堵管狀態。以管道1 為例，觀察起點壓力隨時間的變化趨勢，見圖3。在末點進站壓力不變的前提下，蠟沉積引發起點壓力逐漸上升，變化曲線與聚類結果基本一致，且最后一個階段的起點壓力上升較快，說明聚類結果可以真實反映管道結蠟程度。

圖2 5條管道的聚類結果

圖3 管道1起點壓力隨時間的變化趨勢

2.2 一維卷積神經網絡的建立及訓練

考慮到與結蠟程度相關的變量均為時間序列，故在此采用一維卷積神經網絡，網絡結構見圖4。通過窮舉法試算，設置2組卷積層和池化層，卷積層1 和卷積層2 的卷積核個數分別為10、15，卷積層1 和卷積層2 的卷積核大小均為3，步長均為1，并且每層增加了32 個過濾器，采用ReLu 作為激活函數；為降低輸出類別混疊性帶來的過擬合，每個卷積層后設置大小為3、步長為1的池化層，采用最大池化法對數據進行降采樣；隨后連接Dropout 層用于篩選數據變化趨勢不明顯的變量，通過去除50%神經元實現，設置Dropout 為0.5；最后，全連接層整合管道不同工況下的局部特征，并基于Softmax分類器實現不同結蠟程度的時序分類輸出。

圖4 一維CNN的網絡結構示意

將30 條管道數據用于模型訓練，設置初始學習率為0.001，每2 輪訓練后的學習率按照0.5 倍遞減，使用Adam 優化器微調模型參數，批處理尺寸為16，將交叉熵（Loss）作為損失函數用來評估模型結構的有效性，見圖5。隨著迭代次數的增加，CNN 模型的訓練誤差不斷減小，結蠟程度的識別準確率不斷上升，當迭代次數達到50 次以后，損失值和識別準確率達到穩定狀態，分別為0.045 87和98.17%，說明模型參數選擇合理，建立的模型對管道結蠟程度具有較好的識別效果。

圖5 訓練過程中損失函數的變化曲線

2.3 模型預測及性能評價

選取8 條與訓練時完全不同的管道數據用于模型預測，通過當前及上一時段的管道特征參數可以預測下一時段的結蠟程度，輸出結蠟程度序列，并與真實結蠟程度對應的時間相比較，對比結果見圖6。為全面評價模型性能，將單個結蠟程度內所有樣本發生時間預測值與真實值絕對差值的平均值Kj定義為評價指標，以反映對結蠟程度預測的誤差水平，見表1。除第4 級結蠟程度外，其余不同結蠟程度的預測誤差在1.0 d 以內，總體平均誤差為0.781 d。第4級結蠟程度預測誤差較大的原因與該等級對應的時長較短、容許誤差較小有關?？傮w上看，基于改進K-means 和CNN 的管道結蠟程度預測模型具有較強的泛化能力和魯棒性。

表1 模型評價指標及預測誤差

圖6 模型預測值與真實值對比

考慮循環神經網絡（RNN）和長短期記憶網絡（LSTM）也是常用的時間序列預測模型，將其與本文模型的預測誤差進行對比，見圖7。其中，RNN 模型隱含層個數為2，每個隱含層的節點數分別為30、50，批次樣本數量為2；LSTM 模型隱含層節點個數和權值更新初值分別為30、1 000，批次樣本數量為2?？梢奟NN 模型的預測誤差最大，這是由于隨著預測時間的延長，RNN 在長序列場景會出現梯度消散或梯度爆炸的缺陷，是反向傳播誤差逐漸累積造成的。LSTM 模型的預測誤差大幅降低，雖然LSTM 模型通過引入遺忘門的細胞結構對RNN 模型的梯度問題進行了一定改善，但在處理時間跨度大的序列時，仍存在網絡參數混疊，計算量偏大的問題。本文模型的預測精度最高，證明了采用改進K-means算法進行結蠟程度聚類獲取數據標簽，并用CNN 模型實現預測的過程是合理可行的。

圖7 不同模型的預測誤差對比

3 清管效果評價

清管是管道常用的清蠟措施，在首站發球筒中放入清管器，利用清管器前后壓差，推動蠟沉積從管道內移出。輸氣管道可通過相對輸氣效率或允許壓降衡量清管效果，但對于輸油管道尚未建立科學有效的定量化效果評價指標?；谏鲜鲅芯?，一方面，清管后的管道結蠟等級有所下降，證明清管效果良好；另一方面，管道清管后，下一次清管周期有所延長，也可證明本次清管徹底。將前者定義為清管效果的即時性評價指標，后者定義為長期性評價指標，通過下式構建清管效果評價指數。

式中：Fa、Fb分別為清管前和清管后的結蠟等級；Ta、Tb分別為上次和本次清管周期，d；第一項的分母3為結蠟程度的最大下降值；第二項的分母AT為本區塊內相似原油物性管道的平均清蠟周期，d；α、β均為平衡因子，分別取0.8和0.2。

對于公式（3），Fa、Ta為已知變量，Fb和Tb可通過本文預測模型得到，每次清管后，可根據結蠟程度和清管周期的變化確定清管效果。

以該區塊一條含水油管道為例，長度6.25 km，管徑D159 mm × 7 mm，起點壓力1.5～2.0 MPa，區塊內平均清蠟周期為36 d。2022 年8 月15 日清管后，根據改進K-means 和CNN 算法建立結蠟程度預測模型，輸入步長為10 d（即2022 年8 月15 日～8月24日的數據），以此預測后30 d內的結蠟程度，見圖8。預測值與真實值的吻合性較好，說明模型預測的變化趨勢是準確的。模型預測在2022 年9月17 日結蠟程度達到4 級，此時系統發出嚴重結蠟量報警并建議采取清管措施，通過觀察起點壓力發現壓力較平穩運行時上升了0.8～1.2 MPa，沿程溫度也上升了5～7 ℃，同時在末點輸油泵前的過濾器中發現了沉積物增多的現象。參照SY/T 7550—2012《原油中蠟、膠質、瀝青質含量的測定》規定的方法對沉積物組成進行測定，得到蠟、膠質和瀝青質的質量分數分別為75.52%、21.63%和2.62%，其余為甲苯不溶物（機械雜質）。由此可見，該管道確實有發生堵塞的趨勢，經綜合分析于9 月18 日9：10 對其進行清管作業，控制清管器速度為0.7～0.8 m/s，清管時長3.68 h。清管后，根據一段時間的運行數據，對Fb和Tb進行預測，結蠟程度降為1 級，清管周期從35 d 升為40 d，代入式（3）得到本次清管效果評價指數為Q= 0.8×（4-1）/3+0.2×（40-35）/36=0.800+0.028=0.828，Q值較大，說明本次清管效果較好，清管周期降低幅度有限與油品物性和運行條件等因素相關。

圖8 某管道結蠟等級預測值與實際值對比結果

4 結論

1）利用改進K-means 算法對管道結蠟程度進行了等級劃分，以時間序列為輸入變量，通過CNN 算法構建了結蠟程度預測模型，可準確預測管道蠟沉積的變化趨勢。

2）本文模型在不同結蠟程度上的預測結果具有良好的泛化性，總體平均誤差為0.781 d，小于RNN模型和LSTM模型的2.025 d、1.225 d。

3）根據結蠟等級和清管周期的變化情況，構建了清管效果評價指數模型，實現了清管作業的事前預警，避免了過度清管，可指導現場人員進行清管措施的決策。