论文研究-基于优化神经网络预报的原油含水率测量.pdf

所需积分/C币:9 2019-09-20 13:31:40 588KB .PDF
收藏 收藏 1
举报

论文研究-基于优化神经网络预报的原油含水率测量.pdf,  在线密度法在原油含水率测量中有很强的实用价值, 但存在着受现场不确定因素影响测量误差波动较大的缺点. 为了提高含水率的测量精度和稳定性,将误差反向传播神经网络用于密度法计算含水率数学模型中, 针对该算法收敛速度缓慢和易陷入局部极小点的缺点, 提出了将模拟退火算法用于该模型的全局寻优, 改进后的误差反向传播神经网络的误差预报值对密度法
1114 系统工程理论与实践 第31卷 y 输出层 隐含层 输入层 X X 图1BP神经网络结构图 假设BP神经网络每层有N个节点,作用函数为非线性的 Sigmoid型函数,一般采用f(x)=1/(1+e-z) 对第?个学习样本(x,V),(P=1,2,…,M),M为学习样本的个数.节点的输入总和记为meth,输出 总和记为O,,则有: ∑W 5 如果任意设置网络初始权值,那么对每个输入样本p,网络输出O,与期望输出d,同的误差记为: E E 定义?为系统学习效率,则BP网络的权值修正公式可表示为 W1(k+1)=W,(A)0E(k) aW(k 若取误差E为目标函数,x为状态参数,搜索目的是到一个x*,使得内能E(x*)达到最小,模拟退火算 法主要有以下过程 1)对于初始高温T。有系统初态x,选择合适的温度衰减函数(即退火策略); 2)令x!=x+△x,并计算△E=E(x)-E(x),其中△x为服从 Cauchy分布的随机扰动; 3)若△F<0,则接受m′为新的状态,否则以概率r=exp(-△F/T)接受m′; 4)重复步骤2)和3)直到系统达到平衡状态; 5)按预先给定的温度哀减函数下降温度T,重复步骤2)到步骤4),直到T=0或达到某一预先给定的 低温 由以上原理可知,模拟退火算法具有全局优化特征,本文将此算法用于对BP神经网络权向量的修正,避 免算法过程陷入局部极小 4模拟退火BP神经网络对含水误差测量的预报 由密度法测量含水率的数学模型可知影响含水率fm精度的参数主要有Gn、Vn、P0、P,在实际测量 中,温度T对密度的变化也有较大的影响,从而间接影响含水率测量结果,同样需要考虑.本文用于误差补偿 的BP神经网络模型采用以上5个输入,输出参数即为实际含水率误差预报值△∫。 模拟退火算法的整个优化过程就是不断寻找新解和缓慢降温的交替过程,最终的解是对该问题寻优的结 果 若将某次迭代中输入C、V、P、P、T记为x1(k)(=1,2,3,4,5).输出△∫。记为9(k),d(k)是与相 对于1(k)的真值输出.定义其平方误差为 (k)=1 d(k)-g(k) 设训练样本总数为N,则平方误差均值为 E、1,M ∑(k)-(k)2 第6期 张勇军,等:基于优化神经网络预报的原油含水率测量 1115 算法学习的目标是使目标函数E达到最小,基于模拟退火策略的BP神经网终学习的算法主要有如下 过程 1)参数初始化,包括网络权值”、初始温度Tυ,并选定温度衰减函数; 2)对每个训练样本x、(k)计算其输出%(k),并计算其平方误差均值E; 3)对权值进行扰动,令m=0+△”,其中△为服 Cauchy分布的随机扰动: 4)对每个训练样本x(k),利用调整后的权值重新计算其输出y*(k) 5)再次计算平方误差均值E*=∑1c(k)=∑A1(d(k)-y*(k); 6)若E*<E,则接受;为新的权值状态,即1=,;否则以概率r=cXp(△E/7)接受’,其 中△E=E*一E,T为当前温度 7)重复步骤3)-6)直到系统达到平衡洑态; 8)按给定的温度衰减函数下降温度T.重复步骤3)7)直到T=0或达到某一预定的低温,即达到指 定的误差范围 在实际测量含水率的过程中,利用寻优后的BP神经网络误差预报结果对模型计算值进行补偿,达到提 高测量精度和稳定性的目标,即: f。=∫”+△厂 式中∫为密度法数学模型计算值;△f。为BP网络预测值改进后的系统组成原理如图2所示 SA-BP 更新算法 归 △f 化 理 含水率∫n ≈(Gn-pv)|f (p-PG 密度法测量含水率数学模型 图2优化权值的BP神经网络误差补偿 5实验结果 为验证方法的实际应用效果,这里在一台基于在线密度法设计的原油含水率快速测量仪上进行数据采集 实验.该测量仪采用智能化单片机控制,能够同时测定混合液的体积、质量和温度,根据预先设定的油、水标 准密度值,使用在线密度法模型可以快速计算岀混合液含水率.但现场使用仍存在测量结果误差波动较大的 缺陷 通过在某采油厂联合站内采集到的多组实测数据G2、V、T,同时取不同区域地质条件下油和水的标准 设定密度、ρυ(20℃温度下)作为密度修正基础值.其修正系数存储在存储器中,可以得到不同温度下的 泊和水密度值,将以上5个值作为神经网络的输入,以人工采样得到的实际含水率(这里实际含水率以蒸馏 法得到的数据为依据)与用该仪器的密度法数学模型计算得到的测量含水率之差作为神经网络的输出.隐层 神经元的个数经过试验确定为8个,神经网络的结构为5-8-1.为了获取模拟退火算法优化后的动态权值,现 场实验训练样本取300组,另外再选取42组作为预测样本,其部分训练样本数据如表1所示 1116 系统工程理论与实践 第31卷 表1部分训练样本数据 学习样本 序原油混合液体原油混合液体纯油密度纯水密度温度含水率 含水率 号总质量/gcm-3)总体积(cm3)/(gcm-3)/g:cm-3)/(℃)实际值/%0)训练值/(%) 866.54 998.35 0.8462 0.9898 46.11 10.62 1234567 890.13 1012.36 0.8398 0.9858 5195 23.19 73.17 980.89 0.8426 0.987 30 31.16 90A.41 0.8119 0.987152.11 58 59.87 937.30 991.51 0.8532 0.9932 37.31 64 66.32 947.64 987.06 0.8447 0.988848.20 76 74.16 927.59 998.21 0.8462 0.9901 45.43 87.75 997.29 101887 0.843 0.988249.68 90 91.57 作为预测样本42组数据分别提供了在不同含水率范围内的误差预报值,其输出值就是对实际过程的修 正预测值.图3分别显示了一组在45℃下(该温度下的p、P。是通过查表程序找到45℃下的密度修正系数 并乘上20℃下的p、p而得到的)测得的采用模拟退火BP网络进行误差修正的含水率预测值、密度法数 学模型计算值与实际值曲线.可以看出,密度法数学模型计算值曲线与实际值曲线误差较大接近10%-15%, 而经改进的预测值曲线和实际值曲线大部分重合,逼近程度较高,相对误差基本可以控制在4%以内 0∞∞ 密度法数学模型计算值、 实际值 SA-BP+密度法数学模型 预测值 预测样本数/个 图3预测值、计算值与实际值曲线图(45℃) 6结论 在线密度法是一种具有很强实用推广价值的含水率测量方法,它测量速度快且无污染,为降低过程中不 确定因素对测量结果的不利影响,本文对在线密度法含水率测量中的误差产生原因及机理进行了分析,提出 并实现了采用模拟退火算法进行权值寻优的BP神经网络对测量误差进行预报,通过对在线含水测量仪采集 的实验数据进行离线训练,得到了在不同含水率区间、不同温度下的误差补偿值.现场使用和数据分析结果 表明,该方法得到的含水率测量值精度和稳定性得到有效提高. 参考文献 l张乃禄,薛朝妹,徐竟天,等原油含水率测量技术及其进展刂J.石油工业技术监督.2005,21(11):25-28 Zhang N L, Xue C M, Xu T, et al. Measuring technique for water content of crude and its developmentJ Technology Supervision in Petroleun Industry, 2005, 21(11): 25-28 2」张冬至,胡国清.油水混合物含水璨在线检测技术最新研究进展J.传感器与微系统,2009,28(10):5 Zhang D Z, Hu G Q. Recent progress of on-line measuring techniques for water content in oil-water mixtureJ Transducer anld MicrosysteInl Technologies, 2009, 28(10): 5-8 第6期 张勇军,等:基于优化神经网络预报的原油含水率测量 1117 3 Makcycv Y V, Lifanov A P, Sovloukov A S. On-linc microwave mcasurcment of crude oil wator content(Cl//Mic cro- wave Telecommunication Technology. Sevastopol: International Crimean Conference, 2009: 839-840 4 Liu C L, Niu H F, Wang J Q, et al. Research into prediction model of water content in crude oil of wellheat me tering based on general regression neural network[Cl// Intelligent Computing and Intelligent Systems, Shanghai IEEE International Conference 2009 191-194 5]刘春涛,陈祥光,李兵.多传感器信息融合技术在原油含水检测中的应用[J.微计算机信息,2006,22(10):196-198 Liu C t, Chen X G, Li B. Application of multi-sensor information fusion in the measurement of water content in crude oilJ. Control Automation, 2006, 22(10 196 198 6]吴国忠,郑晓兰,吴俊学,等.基于BP神经网络的原油含水率数据处理[J石油化工应用,2009,28(4):35-37 Wug 7, Zheng X I, Wu JX, et, a.L. Processing of water cut of crude oil data based on back propagation artificia l neural networksJ. Petrochemical Industry Application, 2009, 28 (1):35-37 7庞彦斌.密度法测量原油含水率的误差分析「J石油大学学报:自然科学版,1994,18(6):116-121 Pang Y B. Analysis on errors in measuring water content with density method[J]. Journal of the University of Petroleum: Natural Science Edition, 1994, 18(6):116-121 8]邓洪财,刘益智,工国滨.应用密度法测原油含水率小.黑龙江科技信息,2008(10):3940 Deng H C, Liu Y Z, Wang G B. Application of the density method to measure the water content of crude oilJ Heilongjiang Science and Technology Information, 2008(10):39-40 ⑨田景文,高美娟.人工神经网络算法研究及应用M].北京:北京理工大学出版社,2006:182-190 [10曹先庆,朱建光,唐仨远.基于改进算法BP神经网络的软测量技术可J].仪器仪表学报,2005,26(8):1065-1066 Cao X Q, Zhu J G, Tang R.Y. Soft-sensing technology based on improved BP-neural-networkJ. Chinese Journal of Scientific Instrument, 2005, 26(8):1065-1066 1]陈楚明,戴哓勉,张永和,等.模拟退火算法在神经网络中的实蚬(J.现代计算机,2009(8):34-36 Chen C M, Dai X M, Zhang Y H, et al. Implementation of simulated annealing algorithm in neural net J Modern Computer, 2009(8):34-36 ∏12]李丙春,汪仰文·基于模拟退火的神经网络预测模型[J哈什师范学院学报,2004,25(3):6365. Z W. An artificial neural network prediction Inodel based on simulated annealing[J. Journal of Kashgar Teachers College, 2004, 25 (3):63-65

...展开详情
试读 6P 论文研究-基于优化神经网络预报的原油含水率测量.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
    抢沙发
    一个资源只可评论一次,评论内容不能少于5个字
    weixin_38743968 你的留言是对我莫大的支持
    2019-09-20
    • 至尊王者

      成功上传501个资源即可获取
    关注 私信 TA的资源
    上传资源赚积分,得勋章
    最新推荐
    论文研究-基于优化神经网络预报的原油含水率测量.pdf 9积分/C币 立即下载
    1/6
    论文研究-基于优化神经网络预报的原油含水率测量.pdf第1页
    论文研究-基于优化神经网络预报的原油含水率测量.pdf第2页

    试读已结束,剩余4页未读...

    9积分/C币 立即下载 >