视粘度

粘度是表征流体流动性能的重要物理参数。在通常情况下,原油及其乳状液不符合牛顿粘滞定律,是一种非牛顿流体,其粘度不仅与温度有关,而且还与剪速、含水率和乳状液的分散度等因素有关,这种情况下的粘度叫视粘度。

由图1可见,在不同剪速的条件下,原油视粘度随含水率的增加呈相同的变化趋势,即原油视粘度先随着含水率的增加而类升,在含水率达到临界值势时,原油视粘度最大,然后原油视粘度又随着含水率的继续增加而下降;在相同含水的条件下,原油视粘度还随剪速的增加而下降。

图一

图二另外,从不同温度条件下的原油稠度系数(表示原油的粘稠程度)与含水率的变化关系(见图2)可以看出,同原油视粘度随含水率的变化规律相对应,在不同的温度条件下,原抽稠度系数随着含水率的增加亦呈相同的变化趋势;在相同含水率的条件下,原油的稠度系数还随着温度的增加而减小,但在含水率超过临界值以后,温度对原油稠度系数的影响越来越小。

根据在油井生产状态下测得的试验数据`并经反算得到的油气水三相流视粘度与含水率的关系(见图3),管输中油气水三相流的视粘度与含水率的变化关系同室内实验测试的结果非常类似。

图三

从图(a)35℃时的曲线可以看出,随着剪切速率的增大,含水原油视粘度不断降低,且非常明显。在温度较高时(如45℃或50℃),这种变化较小。因而当井口油温较高时,视粘度对流速影响不大,而温度低时影响较大,并导致流动压力损失增大。从图(b)中可以看出,当油温为50℃时,在高剪切速率下,如800 s- 1以后,曲线接近直线,呈现出一定的牛顿型流体特性。

图(a)和图(b)分别是原油含水率为65.2%和85.1%时原油视粘度与油温的关系曲线。在同一剪切速率下随着油温的增大,原油视粘度不断降低。当油温低于45℃时,原油视粘度随着油温的变化比较大,当油温高于45℃时,原油视粘度随着油温的变化不大,曲线接近直线。

利用BP神经网络进行含水原油视粘度计算。输入层有N个节点对应BP网络的N个输入,输出层有L个节点,对应BP网络的L个输出,隐层节点数M可以根据需要设置。对于(X(k),Y(k))(k= 0,… ,p)一类有限数目二值模式对,如果将输入样本空间X(k)表示成X(k)=(x(k)1,… ,x(k)N),输出样本空间Y(k)=(y(k)1,… , y(k)L),且x(k)i∈ R、y(k)i∈ R,则BP网络预测模型就可以实现预定的向量空间映射,即X(k)※Y(k)。令输入层节点xi到隐层节点zi的连接权为w1ij,隐层节点zj到输出层节点yk的连接权为w2jk,隐层节点的阈值为w10j,输出层节点的阈值为w20k,且x0= 1、z0= 1。随机赋于w1ij、w2jk一个较小的值,选择神经元的变换函数为S形函数,即f(x)=1/(1+ e- x),则有:zj= f(∑Ni= 0w1ijxi)　j= 1,2,… ,M (1)yk= f(∑Mj= 0w2jkzj)　k= 1,2,… ,L (2)计算输出层节点输出值yk与期望输出值y(0)k的误差δ2jk,并向隐层反向传播误差δ1ij,即:

δ2jk= yk(1- yk)(y0k- yk) (3)

δ1ij= zj(1- zj)∑Lk= 1δ2jkw2jk(t) (4)

利用式(5)和式(6)调整w1ij和w2jk:

w2jk(t+ 1)= w2jk(t)+ηδ2jkzj

+α(w2jk(t)- w2jk(t- 1)) (5)

w1ij(t+ 1)= w1ij(t)+ηδ1ijzj

+α(w1ij(t)- w1ij(t- 1)) (6)

反复逼近,直到输出误差小于给定的精度

根据Kolmogorov定理,三层BP网络可以逼近任意连续的非线性映射,所以,BP网络建模的实质就是如何正确选定网络的各层节点数。根据试验研究结果,高含水原油的视粘度与温度、含水率以及剪切速率有关,因此选择温度、含水率以及剪切速率作网络输入节点,即输入层节点数取3,输出层节点数取1,即高含水原油的视粘度。隐含层节点表达了网络输入与输出之间的非线性程度,但是至今没有统一的选择标准,隐含层及节点数的选择影响着预测值和实际值的非线性拟合程度。隐含层节点个数增加,可使非线性优化问题的可调参数增加,网络记忆能力加强,可得到更精确的解,但大大降低了网络的学习速度。隐含层节点个数过少会造成网络收敛到局部极小点,最佳隐含层节点个数由试验和经验得出。经过反复测试,隐含层节点个数选10个,使网络有较好的预报效果。为了更准确地模拟高含水原油的视粘度与温度、含水率以及剪切速率的关系,以反相点为界,将反相点前的乳状液的试验数据作为网络学习样本,建立了一个基于神经网络的高含水原油的视粘度的计算模型,该网络模型适合反相点前的乳状液的视粘度计算;将反相点后的乳状液的试验数据作为网络学习样本,建立了另一个基于神经网络的高含水原油的视粘度的计算模型,该网络模型适合反相点后的乳状液的视粘度计算。在建立计算模型时,将部分试验数据作为网络学习样本(留一部分试验数据作为检验样本,用来验证模型的精度),采用带动向量的学习率自适应调整法进行网络学习。网络通过对样本的学习,对网络的权值和阈值进行调整,不断获取各种影响因素对高含水原油视粘度的非线性影响知识,并将其分布储存在网络的连接权上,最终能将各种影响因素与高含水原油视粘度这一目标函数之间复杂的非线性关系知识以ANN特有的方式———连接权数字矩阵的形式记录下来,从而可以实现由输入模式到输出模式的任意非线性映射,实现各种因素非线性影响下的高含水原油的视粘度计算。