Нейросетевая система управления процессом термохимического обезвоживания нефтяных эмульсий

• Название: Нейросетевая система управления процессом термохимического обезвоживания нефтяных эмульсий
• Дата: 09.02.2022
• Размер: 4.35 Mb.
• Имя файла: artyushkin_dis.pdf
• Тип: Диссертация; #355795
• страница: 4 из 8

2 МОДЕЛИРОВАНИЕ ПРОЦЕССОВ ОБЕЗВОЖИВАНИЯ
НЕФТИ
2.1 Термохимический метод разрушения водонефтяной эмульсии
2.1.1 Общие сведения
Применение любых методов воздействия на водонефтяную эмульсию предполагает следующий порядок действий:
1. Разрушение бронирующих оболочек капель эмульсии.
2. Укрупнение капель в процессе коалесценции.
3. Осаждение капель под действием силы гравитации или иной искусственно созданной инерции (центрифугирование).
4. Формирование сплошной водной фазы.
Термохимический метод разрушения водонефтяной эмульсии обеспечивает разрушение бронирующих оболочек капель эмульсии за счёт применения поверхностно-активных веществ, которые вытесняют собой эмульгирующие вещества.
Для улучшения распределения деэмульгатора по объему эмульсии используют различные методы:

подогрев эмульсии. За счет этого уменьшается вязкость и улучшается диффузия молекул деэмульгатора между молекулами воды и углеводородов;

перемешивание. Увеличивает вероятность сталкивания глобул воды.
Для этого применяют смесители, ультразвук, электрическое поле или центробежные силы. В случае термохимического способа обезвоживания осуществляется подача деэмульгатора в турбулентный поток перед аппаратом обезвоживания, в результате чего обеспечивается естественное перемешивание за счёт энергии потока жидкости.
Схематическое изображение процесса термохимического обезвоживания нефтяных эмульсий представлено на рисунке 2.1.

40
Рисунок 2.1 – Действующие параметры процесса термохимического обезвоживания нефти
2.1.2 Деэмульгаторы
Деэмульгаторы представляют собой химические поверхностно- активные вещества, обладающие способностью снижать поверхностное натяжение на границе раздела фаз [37,47,50,65].
На нефтяных промыслах чаще всего используются деэмульгаторы на водной основе из-за их сравнительно низкой стоимости и простоты хранения.
Они делятся на три основные группы [34]:

анионоактивные – в водных растворах диссоциируют на положительно заряженный ион водорода или металла и отрицательно заряженную углеводородную часть молекулы;

катионоактивные – диссоциируют на отрицательно заряженный ион кислоты и положительно заряженный радикал;

неионогенные – не диссоциируют в водных растворах.

41 1 – гидрофобная часть молекулы ПАВ; 2 – гидрофильная часть молекулы ПАВ.
Рисунок 2.2 – Ориентация молекул ПАВ на границе раздела фаз нефть-вода.
Наиболее эффективными деэмульгаторами является неионогенные поверхностно-активные вещества. Они состоят из окисей алкенов, которые присоединяют к органическим веществам с подвижным атомом водорода.
Таким образом, образуются цепочки, называемые блоксополимеры. Одна часть цепочки может иметь гидрофильные свойства – это достигается присоединением окиси этилена, либо гидрофобные свойства – окиси пропилена и бутилена.
Их деэмульгирующую активность можно регулировать, изменяя длину присоединяемой полиоксиэтиленовой части блоксополимера. Чем длиннее гидрофильная часть, тем выше растворимость поверхностно-активного вещества в воде. Чтобы снизить растворимость в воде, к блоксополимеру присоединяют окись пропилена, таким образом увеличивают гидрофобные свойства.
Возможные варианты получаемых блоксополимеров можно представить следующими формулами:
A–A–(A)
m
–A–B–(B)
n
–B–B,
(2.1)
B
n
–A
m
–B
n
,
(2.2)

42
A
m
–B
n
–A
m
,
(2.3)
где A – гидрофобная часть, B – гидрофильная часть, m – число цепочек оксипропилена, n – число цепочек оксиэтилена.
За счёт варьирования длины присоединяемых окисей алкенов можно широко изменять свойства поверхностно-активного вещества. В качестве основы для синтеза блоксополимеров являются спирты, фенолы, органические кислоты, амины и амиды кислот, меркаптаны.
На рисунке 2.3 для определённой нефти приведён график зависимости содержания воды от времени отстаивания при дозировке различных деэмульгаторов 84 г/т и температуре смеси 20 °С.
Рисунок 2.3 – Графики процесса разрушения эмульсии при дозировке деэмульгаторов
84г/т и температуре 20°С

43
2.2 Разработка модели процесса
2.2.1 Моделирование
Необходимо построить модель процесса разделения водонефтяной эмульсии, идентифицировать управляющие параметры и определить управляемую величину. Модель должна быть пригодна для работы в широком диапазоне параметров с достаточной для выполнения анализа и прогнозирования точностью. Также необходимо определить критерии, по которым будет оцениваться качество модели [6,7,8].
Для разработки модели процесса необходимо выбрать способ воспроизведения данных.
Существуют различные методы моделирования:

полиномиальная регрессия;

статистическое моделирование;

нейросетевое моделирование.
Для выбора метода моделирование необходимо проанализировать набор экспериментальных данных, по которым будет в дальнейшем строиться модель. От вида и сложности зависимостей между входными и выходными величинами будет сделан вывод о необходимости применения того или иного метода моделирования.
2.2.2 Источник данных
В процессе лабораторных исследований нефти и пластовой воды проводится изучение реологических свойств, плотности, компонентного состава, примесей и посторонних включений. Одним из важных исследований является изучение качества разделения водонефтяной эмульсии для определения условий, при которых на промышленной площадке обезвоживание нефти будет происходить быстрее всего. На основании лабораторных испытаний промысловый отдел выдаёт рекомендации по компоновке технологической линии теплообменными

44 аппаратами, сепараторами, их объеме и режиме работы, выделении параллельных линий, а также даёт прогноз о том, какая обводненность будет у добываемой жидкости при прохождении каждого этапа подготовки.
При разработке системы управления процессом разделения водонефтяной эмульсии была построена искусственная нейронная сеть, обученная на экспериментальных данных, взятых из отчета о НИР по разработке технико-технологических рекомендаций по подготовке нефти
Среднеботуобинского нефтегазоконденсатного месторождения (НГКМ), выполненного специалистами
Промыслового отдела
АО
«Гипровостокнефть».
В отчете представлено определение технологических параметров процесса предварительного обезвоживания искусственных эмульсий, таких как тип и удельный расход реагента-деэмульгатора, продолжительность и температура отстаивания эмульсии, обработанной реагентом. В качестве основных исходных данных были использованы результаты теплохимического обезвоживания нефти
Среднеботуобинского нефтегазоконденсатного месторождения I ступень при температуре 10 °С,
20 °С, 40 °С, времени отстаивания 15, 30, 60, 90, 120 минут и расходе реагента 0, 21, 42, 63, 84 г/т нефти для наиболее эффективного по результатам исследований деэмульгатора Диссолван–5592 (относится к неионогенным деэмульгаторам). В таблице 2.1 представлена сводная таблица результатов теплохимического обезвоживания нефти Среднеботуобинского нефтегазоконденсатного месторождения, составленная на основе таблиц из отчета о НИР.
Как лабораторные исследования, так и дальнейшее моделирование производится при условии, что эмульсия имеет вид «вода в нефти» (обратная эмульсия) и процесс разделения водонефтяной эмульсии происходит однообразно с одинаковой скоростью при любом процентном содержании

45 воды от 0% до точки инверсии фаз (50-60%), когда эмульсия становится вида
«нефть в воде» (прямая эмульсия).
Таблица 2.1 – Фрагмент сводной таблицы результатов термохимического обезвоживания нефти Среднеботуобинского НГКМ
Наименование
реагента
Температура,
°С
Расход
реагента,
г/т нефти
Отделилось воды, %, за
время отстаивания, мин.
15
30
60
90
120
Без реагента
–
0 0
0 0
0 0
Диссолван–
5592 10 21 2,7 5,4 13,6 16,3 19,0 42 5,6 11,2 28,2 33,9 36,7 84 11,4 40,0 60,6 74,3 80,0 20 21 5,3 21,0 26,3 31,6 36,8 42 12,9 36,1 43,8 49,0 54,1 84 15,5 67,0 79,9 82,2 85,1 40 21 10,4 23,4 39,1 44,3 49,5 42 36,8 52,6 65,8 71,7 73,7 84 67,7 88,5 88,5 91,1 91,1
Для удобства вводится относительный параметр эффективность разделения эмульсии
E
, который принимает значения от 0 до 1 и рассчитывается по следующей формуле:
1 2
1
W
W
W
E


,
(2.4) где
1
W – начальное содержание воды в нефти;
2
W – содержание воды в нефти после эксперимента.
Параметр
E
означает долю воды, отделившейся после проведения эксперимента при определённых действующих параметрах. Таким образом:
)
,
,
(
T
t
Q
f
E

,
(2.5) где
Q
– расход реагента;
t
– температура нагрева;
T
– время отстаивания.
На основе экспериментальных данных лабораторных исследований можно построить график зависимости эффективности обезвоживания от действующих параметров. На рисунке 2.4 представлены зависимости

46 относительной эффективность разделения эмульсии от расхода реагента
Q
и температуры нагрева
t
для различных значений времени отстаивания
T
Рисунок 2.4 – Экспериментальные данные эффективности обезвоживания для времени отстаивания T=0; 15; 30; 60; 90; 120 мин
При анализе экспериментальных данных прослеживается прямая корреляция между расходом деэмульгатора и долей отделившейся воды, а также между температурой нагрева и долей отделившейся воды. Таким образом, модель процесса должна быть монотонно возрастающей в пределах рабочих значений параметров. Следовательно, качество модели определяется следующими параметрами:

минимальное значение стандартного отклонения непрерывной функции по каждому параметру
)
,
,
(
T
t
Q
f
E

;

неотрицательные значения частных производных на всём диапазоне моделирования
0
;
0
;
0









T
E
t
E
Q
E
;

47

минимум среднеквадратичной ошибки между исходным массивом данных и воспроизводимым моделью.
В качестве инструмента создания модели экспериментальных данных технологического процесса использована искусственная нейронная сеть
(ИНС). Для создания нейросетевой модели не обязательно задавать параметрическое описание нелинейного объекта, что позволяет рассматривать моделируемый объект как «черный ящик», предоставляя возможности для нахождения зависимостей в больших массивах данных и для дальнейшего подробного анализа полученной модели.
2.2.3 Нейросетевое моделирование
Нейронные сети можно рассматривать как современные вычислительные системы, преобразующие информацию по образу процессов, происходящих в мозгу человека. Обрабатываемая информация имеет численный характер, что позволяет использовать нейронную сеть в качестве модели объекта с нечеткими или неопределенными характеристиками [2,72].
Искусственная нейронная сеть – это совокупность элементов, соединенных некоторым образом так, чтобы между ними обеспечивалось взаимодействие. Эти элементы, называемые также нейронами или узлами, представляют собой простые процессоры, вычислительные возможности которых обычно ограничиваются некоторым правилом комбинирования входных сигналов и правилом активизации, позволяющим вычислить выходной сигнал по совокупности входных сигналов.
Нейронная сеть – средство обработки информации, которое может выступать как гибкая модель для нелинейной аппроксимации многомерных функций, а также как модель для поиска закономерностей в массивах данных. К тому же нейронные сети отличаются высокой скоростью работы

48 при моделировании многомерных объектов благодаря параллельному характеру проведения вычислений [30].
К задачам, успешно решаемым нейронными сетями на текущем этапе их развития, кроме прочего относятся:

формирование моделей и различных динамических нелинейных и трудно описываемых математически систем, прогнозирование развития этих систем во времени;

системы управления и регулирования с предсказанием [71], управление роботами и другими сложными устройствами. Одним из способов адаптации традиционных методов управления линейными динамическими объектами к управлению нелинейными объектами состоит в использовании искусственных нейронных сетей в качестве механизма оптимизации при настройке параметров регулятора.
Основной компонент искусственной нейронной сети – искусственный
(формальный) нейрон можно представить в следующем виде [57]:
Рисунок 2.5 – Структура формального нейрона
Нейрон состоит из взвешенного сумматора и нелинейного элемента.
Функционирование нейрона определяется формулами:


i
i
i
x
w
NET
,
(2.6)
)
(



NET
F
OUT
,
(2.7) где
i
x – входные сигналы, совокупность всех входных сигналов нейрона образует вектор
X
;
i
w
– весовые коэффициенты, совокупность весовых коэффициентов образует вектор весов W; NET – взвешенная сумма входных

49 сигналов, значение NET передается на нелинейный элемент;

– пороговый уровень нейрона;
F
– нелинейная функция, называемая функцией активации
(рисунок 2.6).
Рисунок 2.6 – Виды функций активации
Математическое выражение функций активации:
as
e
s
f



1 1
)
(
– логистическая (сигмоидальная);
as
as
as
as
e
e
e
e
s
f





)
(
– гиперболический тангенс (сигмоидальная);
as
s
f

)
(
– чистая линейная функция.
Выбор функции активации определяется:

спецификой задачи;

удобством реализации;

алгоритмом обучения.

50
Нейроны могут объединяться в сети различным образом, в один или несколько слоев (рисунок 2.7).
Рисунок 2.7 – Многослойный перцептрон
Нейроны каждого слоя соединяются с нейронами предыдущего и последующего слоев по принципу «каждый с каждым». Первый слой называется сенсорным или входным, внутренние слои называются скрытыми или ассоциативными, последний – выходным или результативным.
Количество нейронов в слоях может быть произвольным. Обычно во всех скрытых слоях одинаковое количество нейронов. Каждый слой рассчитывает нелинейное преобразование от линейной комбинации сигналов предыдущего слоя.
Большинство моделей нейронных сетей требуют обучения. В общем случае, обучение – такой выбор параметров сети, при котором сеть лучше всего справляется с поставленной проблемой. Обучение – это задача многомерной оптимизации, и для ее решения существует множество алгоритмов [21,46].
После обучения сеть становится нечувствительной к малым изменениям входных сигналов и дает правильный результат на выходе.
Обучение проводится с целью минимизации разницы между обучающим значением и рассчитанным значением нейронной сети. Для этого в процессе обучения вычисляется функция ошибки в зависимости от весовых

51 коэффициентов нейронов. По причине того, что поверхность ошибки имеет сложную форму, на ней могут находиться области с впадинами и пологими участками, возможно попадание в так называемый «локальный минимум».
При попадании в локальный минимум, любое движение из него приводит к увеличению ошибки и некоторые методы обучения, не учитывающие этого, могут завершить процесс обучения нейронной сети, не определив оптимальные веса связей между нейронами.
При обучении нейронной сети используется алгоритм обратного распространения ошибки (backpropagation). Суть алгоритма состоит в вычислении параметра ошибки между целевым значением и текущим значением на выходе нейрона. Расчёт начинает выполняться с выходного слоя нейронной сети, затем расчёт ошибки переходит на внутренний слой и движется к начальному слою нейронной сети в направлении, обратном нормальному распространению сигнала.
2.3 Формирование обучающей выборки
Для обучения нейронной сети необходим набор данных, достаточный для отображения всех характерных зависимостей выходных величин от входных. Так как в исходных таблицах лабораторных исследований нефтяных эмульсий набор данных насчитывает около 100 комбинаций с нерегулярным шагом по значениям параметров, возникает задача заполнения отсутствующих данных. Для этого существуют различные методы [51,68]:

заполнение пропущенных значений усреднёнными данными;

метод ближайших соседей;

регрессионный метод;

интерполяционный метод.
Для расширения обучающего набора данных был применен метод поэлементной интерполяции функции
)
,
,
(
T
t
Q
f
E

кубическими

52 полиномами Эрмита. Отличие примененного метода заключается в том, что интерполируемая функция задаётся не только набором данных, но и их первыми производными, что усложняет вычисления, но даёт преимущество в точности значений в промежутках между интерполируемыми данными.
Функция кубического полинома Эрмита имеет следующий вид:
,
)
)(
(
)
3 2
(
)
)(
2
(
)
1 3
2
(
)
(
1 1
2 3
1 2
3 1
2 3
2 3


















k
k
k
k
k
k
k
k
m
x
x
u
u
p
u
u
m
x
x
u
u
u
p
u
u
u
p
(2.8)
где переменная u представляет собой замену параметра из набора данных x по формуле:
)
(
)
(
1
k
k
k
x
x
x
x
u




,
(2.9) переменная m является центральной разностной производной:
)
(
2
)
(
2 1
1 1
1










k
k
k
k
k
k
k
k
u
u
p
p
u
u
p
p
m
,
(2.10)
Суть метода в том, что по экспериментальным значениям в MATLAB создаётся модель для каждой пары значений:
1.
)
(Q
F
tT
– доля отделившейся воды от расхода деэмульгатора при фиксированной температуре и времени отстаивания;
2.
)
(t
F
QT
– доля отделившейся воды от температуры при фиксированном расходе деэмульгатора и времени отстаивания;
3.
)
(T
F
Qt
– доля отделившейся воды от времени отстаивания при фиксированном расходе деэмульгатора и температуре.
При фиксировании двух параметров – температуры и времени отстаивания получается функция одного параметра – зависимость эффективности обезвоживания от дозировки реагента-деэмульгатора. В программном комплексе MATLAB для интерполяции сплайнами Эрмита используется функция pchipinterp из пакета Curve Fitting Toolbox [67], которая лучше всего справляется с интерполяцией данных в границе

53 экспериментальных значений. При необходимости, на небольшом доверительном интервале с помощью pchipinterp можно проводить и экстраполяцию.
Таким образом, построенные модели позволяют оценить вклад каждой переменной в общий результат. На рисунках 2.8 и 2.9 показан пример аппроксимации доли отделившейся воды от температуры при фиксированном расходе деэмульгатора и времени отстаивания, где кругами обозначены экспериментальные данные, а сплошной линией – график, полученный из аппроксимирующей модели.
Рисунок 2.8 – График после расширения набора данных по Q (t=40°С, T=120 мин.)
Аналогичным образом проведено расширение для значений второго параметра – температуры нагрева эмульсии. При этом фиксируются значения времени и расхода реагента-деэмульгатора.
Финальный этап расширения обучающего набора данных – это фиксирование значений расхода реагента-деэмульгатора и температуры нагрева эмульсии для интерполяции по времени отстаивания.

54
Рисунок 2.9 – Экспериментальные данные после интерполяции по
Q
при различных
T
(0, 15, 30, 60, 90, 120 мин).

55
Из каждой модели с заранее заданным шагом, который меньше изначального интервала между экспериментальными данными, берутся значения и записываются в общий массив. После получения итогового массива данные из него поступают на обучение нейронной сети.
На примере таблицы экспериментальных данных лабораторных исследований получен следующий результат:

изначальный массив экспериментальных данных имел размер 110х4.

после расширения данных полученный массив данных имеет в своём составе 4275х4, то есть 17100 элементов, среди которых 4275 целевых выходных значений, на основе которых производится обучение нейронной сети.