基于BP神经网络的天然气采气管线甲醇加注量预测及其分配管网优化

针对天然气采气管线冬季冻堵事故频发这一问题,以井口压力、井口温度、日产气量、日产水量和天然气相对密度为输入,以甲醇理论加注量为输出,利用BP(back propagation)人工神经网络技术对采气管线甲醇理论加注量进行了预测,采用Sobol灵敏度分析找出了显著影响甲醇理论加注量的关键参数,并对注醇分配管网进行了优化.结果表明:5-16-12-1型BP人工神经网络经过2764次迭代后,它的训练样本、验证样本、测试样本均方误差分别为0.0055、0.0072和0.0085,均小于容许收敛误差限0.0100,而其决定系数亦高达0.9995、0.9986、0.9964,表现出良好的相关性;井口温度、天然气相对密度和井口压力对甲醇理论加注量影响较大,而井口压力、井口温度、日产气量、日产水量与其他参数之间可能存在明显交互作用;靖99-66、靖99-65、靖99-66H2和靖98-65在放射状和环状管网模式下甲醇实际加注量小于甲醇理论加注量,存在欠注现象,而新北5站所有气井在树枝状管网模式下甲醇实际加注量都大于甲醇理论加注量,起到了预防冻堵的目的.研究结果可为天然气采气管线注醇过程的节能降耗、提质增效提供必要的理论支撑和数据来源.