CN111494988B - 基于深度学习的原油储罐切水方法及设备 - Google Patents

基于深度学习的原油储罐切水方法及设备 Download PDF

Info

Publication number
CN111494988B
CN111494988B CN202010609376.8A CN202010609376A CN111494988B CN 111494988 B CN111494988 B CN 111494988B CN 202010609376 A CN202010609376 A CN 202010609376A CN 111494988 B CN111494988 B CN 111494988B
Authority
CN
China
Prior art keywords
storage tank
water
oil
crude oil
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010609376.8A
Other languages
English (en)
Other versions
CN111494988A (zh
Inventor
鄢烈祥
陈国辉
周力
徐鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangu Yunzhi Wuhan Technology Co ltd
Original Assignee
Hangu Yunzhi Wuhan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangu Yunzhi Wuhan Technology Co ltd filed Critical Hangu Yunzhi Wuhan Technology Co ltd
Priority to CN202010609376.8A priority Critical patent/CN111494988B/zh
Publication of CN111494988A publication Critical patent/CN111494988A/zh
Application granted granted Critical
Publication of CN111494988B publication Critical patent/CN111494988B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D17/00—Separation of liquids, not provided for elsewhere, e.g. by thermal diffusion
    • B01D17/02—Separation of non-miscible liquids
    • B01D17/0208—Separation of non-miscible liquids by sedimentation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D17/00—Separation of liquids, not provided for elsewhere, e.g. by thermal diffusion
    • B01D17/12—Auxiliary equipment particularly adapted for use with liquid-separating apparatus, e.g. control circuits

Landscapes

  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于深度学习的原油储罐切水方法及设备，所述方法包括：获取若干组原油罐区储罐的历史生产数据；以所述历史生产数据中的若干组数据作为训练集，根据所述训练集建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型；获取实时生产数据并存储，根据所述油水界面高度计算模型计算出预测油水界面高度；根据计算出的预测油水界面高度确定原油切水量。本发明可较精准的计算出油水界面的高度，进而指导切水操作，解决了现有技术中切水时费时费力，精度较低的问题。

Description

基于深度学习的原油储罐切水方法及设备
技术领域
本发明涉及原油脱水技术领域，特别涉及一种基于深度学习的原油储罐切水方法及设备。
背景技术
原油在生产过程中，无法避免的会掺入少量水分。通常情况下，这部分水分会传递到炼化企业的原油罐区。储罐中的原油在输送到一次加工装置（常减压装置）之前，必须采取一定的方式，降低原油的含水量，以达到一次加工装置生产的基本要求。目前，炼化企业的原油罐区在往一次加工装置输送原油之前，首先让原油在储罐中静置一段时间，这段时间内，原油中的水分在重力作用下，逐步沉降到储罐底部；然后排出储罐底部的水分（切水）；最后通过内部循环或者搅拌的方式，使储罐内的原油和剩下的水分混合均匀。
在以上降低原油含水量的过程中，问题的关键在于根据储罐的静置时间确定排水量。目前，炼油企业的原油罐区，通过安装自动切水装置，在线监测油水界面，以实现自动切水。但是由于原油成分的复杂性，水分的沉降是一个非常复杂的物理过程，受众多因素的影响。现有的自动切水装置检测油水界面高度的准确度较差，稳定性也不太好；另外自动切水装置的安装成本较高，使得自动切水装置在炼化企业得不到大范围的推广。另一部分炼油企业的原油罐区，没有安装自动切水装置，在排出储罐底部水分的过程中，操作人员观察排出液体的特征，凭借自身经验终止切水操作。很显然，这种方式存在着费时费力、效率低、操作人员劳动强度大、油品浪费等特点。
因而现有技术还有待改进和提高。
发明内容
鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于深度学习的原油储罐切水方法及设备，可较精准的计算出油水界面的高度，进而指导切水操作。
为了达到上述目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种基于深度学习的原油储罐切水方法，包括如下步骤：
获取若干组原油罐区储罐的历史生产数据，其中，所述历史生产数据至少包括储罐的液位、储罐内的温度及压力、油水界面的高度、储罐的静置时间以及原油的密度、含水量、温度和粘度；
以所述历史生产数据中的若干组数据作为训练集，根据所述训练集建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型；
获取实时生产数据并存储，根据所述油水界面高度计算模型计算出预测油水界面高度，其中，所述实时生产数据至少包括储罐的静置时间、储罐内的温度及压力、储罐的液位以及原油的密度、含水量、温度、粘度；
根据计算出的预测油水界面高度确定原油切水量。
第二方面，本发明提供了一种基于深度学习的原油储罐切水设备，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如上所述的基于深度学习的原油储罐切水方法中的步骤。
第三方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的基于深度学习的原油储罐切水方法中的步骤。
相较于现有技术，本发明提供的基于深度学习的原油储罐切水方法及设备，通过利用原油罐区储罐的历史生产数据建立深度学习的油水界面高度计算模型，可通过模型计算出油水界面高度，进而指导切水操作，精度较高，可达到更好的切水效果，解决了现有技术中采用自动切水装置或者人工指导切水时费时费力，精度较低的问题。
附图说明
图1为本发明提供的基于深度学习的原油储罐切水方法的一较佳实施例的流程图；
图2为本发明提供的基于深度学习的原油储罐切水方法中，所述步骤S200的一较佳实施例的流程图；
图3为本发明提供的基于深度学习的原油储罐切水方法中，所述步骤S204的一较佳实施例的流程图；
图4为本发明提供的基于深度学习的原油储罐切水方法的一具体实施例的应用示意图；
图5为本发明基于深度学习的原油储罐切水程序的较佳实施例的运行环境示意图；
图6为本发明安装基于深度学习的原油储罐切水程序的系统较佳实施例的功能模块图。
具体实施方式
本发明提供一种基于深度学习的原油储罐切水方法及设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明实施例提供的基于深度学习的原油储罐切水方法，包括如下步骤：
S100、获取若干组原油罐区储罐的历史生产数据，其中，所述历史生产数据至少包括储罐的液位、储罐内的温度及压力、油水界面的高度、储罐的静置时间以及原油的密度、含水量、温度和粘度。
本实施例中，所述历史生产数据可为人工记录，并由人工导入数据库中存储，通过获取若干组历史生产数据，对若干组历史生产数据进行学习和训练，可实现深度学习模型的建立，此外，所述数据库中的历史生产数据可实时更新，以提高后续模型建立的准确性。
S200、以所述历史生产数据中的若干组数据作为训练集，根据所述训练集建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型。
本实施例中，所述训练集用于实现深度学习模型的建立，所述测试集用于实现深度学习模型的评价，以生成一计算精度较高、结果更为准确的油水界面高度计算模型，优选的，所述训练集的数量占总样本数的80%，通过建立油水界面高度计算模型，可直接利用模型来计算出油水界面的高度，从而取代现有技术中采用自动切水装置或者人工指导切水来实现切水操作的方法，而且所述模型是通过大量历史生产数据建立，精度较高，计算结果与实际值较接近。
优选的实施例中，请参阅图2，所述步骤S200具体包括：
S201、选取所述历史生产数据中的若干组数据作为训练集；
S202、确定深度学习模型的输入层和输出层，其中，所述输入层为储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度，所述输出层为油水界面的高度；
S203、采用标准化公式对所述训练集中的每个特征值和目标值进行标准化处理；
S204、根据标准化处理后的所述训练集的特征值和目标值建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型。
本实施例中，首先将选出部分样本作为训练集，然后确定模型的输入和输出，所述深度学习模型包括输入层、隐含层和输出层，输入层的数据经过所述隐含层计算后输出给所述输出层，从而可以通过输入特征值来得到目标值，所述隐含层包括若干个自编码器，本发明中所述特征值为储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度，所述目标值为油水界面的高度，为了方便模型的建立，需要首先对训练集中的每个特征值和目标值进行标准化处理，在标准化处理时可直接利用标准化公式来实施，具体的，对于一列数据
Figure 920670DEST_PATH_IMAGE001
（其中x为特征值时，x表示储罐的静置时间、储罐的液位、温度、压力、原油的密度、含水量、温度、粘度中的任意一个，x为目标值时，x表示油水界面的高度），所述标准化公式为：
Figure 692317DEST_PATH_IMAGE002
，
其中，
Figure 174114DEST_PATH_IMAGE003
为数据标准化之后的值，n为样本数（针对特征值来说，n为），
Figure 322198DEST_PATH_IMAGE004
为该列数据的平均值，s为该列数据的标准差。
进一步来说，在标准化处理完成后，即可根据标准化处理后的训练集数据建立深度学习模型，深度学习框架可采用TensorFlow，深度学习模型的建立过程分为两个步骤，一是进行无监督的逐层训练，而是有监督的微调，具体的，请参阅图3，所述步骤S204具体包括：
S2041、将标准化后的训练集中的特征值输入第一层自编码器中，对第一层自编码器进行训练后，以前一层自编码器的隐含层的输出作为后一层自编码器的输入依次训练每一层自编码器，得到各层网络的隐含层的输出；
S2042、利用损失函数调整各层网络的隐含层的权重和偏置。
具体来说，无监督的逐层训练实质上是对每一个自编码器的依次训练，其中，所述自编码器的隐含层的输出为：
所述自编码器的隐含层的输出为：
Figure 940262DEST_PATH_IMAGE005
，
其中，
Figure 148389DEST_PATH_IMAGE006
为第j个隐含层的输出，
Figure 851903DEST_PATH_IMAGE007
为非线性映射，本发明采用Tansig函数，
Figure 803678DEST_PATH_IMAGE008
为第j个自编码器的输入层到隐含层的权重，
Figure 541827DEST_PATH_IMAGE009
为第j个自编码器的输入层到隐含层的偏置，
Figure 655277DEST_PATH_IMAGE010
为第j个自编码器的输入。
在第一个自编码器训练完成后，保留输入层和隐含层之间的权重
Figure 580507DEST_PATH_IMAGE008
和偏置
Figure 70395DEST_PATH_IMAGE009
，并将隐含层的输出
Figure 164515DEST_PATH_IMAGE006
作为第i+1个自编码器的输入。通过这种逐层训练的方式，得到m个自编码器的编码过程。
进一步来说，当无监督的逐层训练完成之后，开始进行有监督的微调，所谓有监督的微调指的是对各层网络的权重和偏置进行调整，本发明实施例中利用损失函数来实现权重和偏置的调整，具体的，所述损失函数为：
Figure 980024DEST_PATH_IMAGE011
，
其中，
Figure 658130DEST_PATH_IMAGE012
为实际目标值，
Figure 686129DEST_PATH_IMAGE013
为预测目标值。
具体来说，首先初始化各层网络的权重W和偏置b，在堆叠自编码器的初始过程中，充分利用训练过程的结果，将预训练过程中得到的网络权重和偏置作为堆叠自编码神经网络的初始值，利用梯度下降法对损失函数进行求解，即对各层的权重和偏置进行调整，从而得到一个油水界面高度计算模型。其中，利用梯度下降法对损失函数求解的过程为现有技术，在此不再赘述。
优选的实施例中，为了加强模型的准确度，在通过训练集建立了深度学习模型后，还可所述油水界面高度计算模型进行验证，以提高模型的精度，具体的，所述步骤S200还包括：
以所述历史生产数据中的若干组数据作为测试集；
采用标准化公式对所述测试集中的每个特征值和目标值进行标准化处理；
将标准化处理后的测试集中的特征值代入所述深度学习模型中，得到预测值；
根据标准化处理后的测试集中的目标值以及得到的所述预测值计算出均方误差和相关系数。
具体的，所述测试集与所述训练集的数据应不同，一般的，所述测试集占样本总数的20%，具体实施时，将测试集数据进行标准化处理（标准化处理的过程与训练集一致，在此不再赘述），然后将标准化处理后的数据代入已经建立的深度学习模型中，对测试集的目标值，即油水界面的高度进行预测得到预测值，然后根据测试集的目标值和预测值计算出均方误差和相关系数，从而验证出模型的精确度，具体的，均方误差（MSE）和相关系数（R2），计算公式如下：
Figure 133291DEST_PATH_IMAGE014
Figure 854122DEST_PATH_IMAGE015
其中，
Figure 19524DEST_PATH_IMAGE016
为测试集的目标值，
Figure 851214DEST_PATH_IMAGE017
为测试集的预测值，n为样本数。
S300、获取实时生产数据并存储，根据所述油水界面高度计算模型计算出预测油水界面高度，其中，所述实时生产数据至少包括储罐的静置时间、储罐内的温度及压力、储罐的液位以及原油的密度、含水量、温度、粘度。
本实施例中，可采用OPC数据采集系统来采集实时生产数据，并存储到数据库中，所述实时生产数据即为所述油水截面高度计算模型的输入，从而可以将实时生产数据代入所述油水界面高度计算模型中，得出预测油水界面高度。优选的，本发明还将实际的油水界面的高度也采集并存储，从而可以利用对数据库进行更新，进而可以实时更新油水界面高度计算模型，增加油水界面的高度预测的准确性。
S400、根据计算出的预测油水界面高度确定原油切水量。
本实施例中，在得到了预测油水界面高度后，即可根据高度确定切水量，从而可以指导切水操作，与传统的机器学习算法相比，本发明的深度学习算法建立预测模型更准确且速度更快，适用于没有安装自动切水装置或者安装了自动切水装置但效果不佳的区域。
优选的，所述步骤S400之后还包括：
将存储的实时生产数据以及对应的油水界面高度的实际值作为最新的历史生产数据，并对所述油水界面高度计算模型进行更新。
换而言之，本发明可在生产过程中不断的更新油水界面高度计算模型，使油水界面高度计算模型变得越来越精确，以达到更好的切水指导作用。
传统的机器学习算法，如人工神经网络、支持向量机等在特征提取的过程中往往需要人为设计，因此测量的精度并不是很高。而本发明采用的深度学习算法与传统的机器学习算法的最大不同在于它是从大数据中自动学习特征，而非常用手工设计的特征。深度学习能够非常有效的从大量有标签数据中心深度提取数据的特征信息，充分挖掘数据的内在属性和有价值的表征数据，然后组合低层特征为更加抽象的高层特征，而高层特征则是数据更高级、更本质的描述，因此预测的结果更优。
在一个具体的实施例中，某炼化企业原油罐区某一储罐。样本数据的总数为335。按照时间顺序，将后268组数据作为训练集，进行预测模型的训练，前67组作为测试集，进行模型的评估。如图4所示，图4中的点的横坐标为真实值，纵坐标为预测值，直线的斜率为1，在直线上的所有点的预测值和真实值相等，从而能够清楚观测出预测值与真实值的误差，图4中测试集内的样本数据的预测值与真实值的MSE值为0.0014，相关系数R2为0.941，验证了该深度学习模型具有较高的精度。
同时，针对上述收集到的335组样本数据，分别采用传统神经网（NN）、支持向量机（SVM）进行模型训练，并在测试集上计算预测值。模型评估的对比情况如下表所示，本发明的深度学习方法的精度也明显更高。
传统神经网络 支持向量机 自编码深度学习
MSE 0.0045 0.0027 0.0014
R2 0.883 0.915 0.941
应该理解的是，虽然图1至图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。
如图5所示，基于上述基于深度学习的原油储罐切水方法，本发明还相应提供了一种基于深度学习的原油储罐切水设备，所述基于深度学习的原油储罐切水设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该基于深度学习的原油储罐切水设备包括处理器10、存储器20及显示器30。图5仅示出了基于深度学习的原油储罐切水设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述基于深度学习的原油储罐切水设备的内部存储单元，例如基于深度学习的原油储罐切水设备的硬盘或内存。所述存储器20在另一些实施例中也可以是所述基于深度学习的原油储罐切水设备的外部存储设备，例如所述基于深度学习的原油储罐切水设备上配备的插接式硬盘，智能存储卡（Smart Media Card,SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括基于深度学习的原油储罐切水设备的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述基于深度学习的原油储罐切水设备的应用软件及各类数据，例如所述安装基于深度学习的原油储罐切水设备的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于深度学习的原油储罐切水程序40，该基于深度学习的原油储罐切水程序40可被处理器10所执行，从而实现本申请各实施例的基于深度学习的原油切水方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述基于深度学习的原油储罐切水方法等。
所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。所述显示器30用于显示在所述基于深度学习的原油储罐切水设备的信息以及用于显示可视化的用户界面。所述基于深度学习的原油储罐切水设备的部件10-30通过系统总线相互通信。
在一实施例中，当处理器10执行所述存储器20中基于深度学习的原油储罐切水程序40时实现如上述实施例所述的基于深度学习的原油储罐切水方法中的步骤，由于上文已对基于深度学习的原油储罐切水方法进行详细描述，在此不再赘述。
请参阅图6，其为本发明安装基于深度学习的原油储罐切水程序的系统较佳实施例的功能模块图。在本实施例中，安装基于深度学习的原油储罐切水程序的系统可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器20中，并由一个或多个处理器（本实施例为所述处理器10）所执行，以完成本发明。例如，在图6中，安装基于深度学习的原油储罐切水程序的系统可以被分割成历史数据获取模块21、模型建立模块22、高度预测模块23和切水指导模块24。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述基于深度学习的原油储罐切水程序在所述基于深度学习的原油储罐切水设备中的执行过程。以下描述将具体介绍所述模块21-24的功能。
历史数据获取模块21，用于获取若干组原油罐区储罐的历史生产数据，其中，所述历史生产数据至少包括储罐的液位、储罐内的温度及压力、油水界面的高度、储罐的静置时间以及原油的密度、含水量、温度和粘度；
模型建立模块22，用于以所述历史生产数据中的若干组数据作为训练集，根据所述训练集建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型；
高度预测模块23，用于获取实时生产数据并存储，根据所述油水界面高度计算模型计算出预测油水界面高度，其中，所述实时生产数据至少包括储罐的静置时间、储罐内的温度及压力、储罐的液位以及原油的密度、含水量、温度、粘度；
切水指导模块24，用于根据计算出的预测油水界面高度确定原油切水量。
其中，所述模型建立模块22具体包括：
样本选取单元，用于选取所述历史生产数据中的若干组数据作为训练集；
模型输入及输出确定单元，用于确定深度学习模型的输入层和输出层，其中，所述输入层为储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度，所述输出层为油水界面的高度；
标准化单元，用于采用标准化公式对所述训练集中的每个特征值和目标值进行标准化处理；
深度学习模型建立单元，用于根据标准化处理后的所述训练集的特征值和目标值建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型。
其中，所述标准化公式为：
Figure 152882DEST_PATH_IMAGE002
，
其中，
Figure 44615DEST_PATH_IMAGE003
为数据标准化之后的值，n为样本数，
Figure 697313DEST_PATH_IMAGE004
为该列数据的平均值，s为该列数据的标准差。
其中，所述深度学习模型建立单元具体用于：
将标准化后的训练集中的特征值输入第一层自编码器中，对第一层自编码器进行训练后，以前一层自编码器的隐含层的输出作为后一层自编码器的输入依次训练每一层自编码器，以得到各层网络的隐含层的输出；
利用损失函数调整各层网络的隐含层的权重和偏置。
进一步的，所述自编码器的隐含层的输出为：
Figure 67115DEST_PATH_IMAGE005
，
其中，
Figure 488869DEST_PATH_IMAGE006
为第j个隐含层的输出，
Figure 285923DEST_PATH_IMAGE007
为非线性映射，
Figure 160338DEST_PATH_IMAGE008
为第j个自编码器的输入层到隐含层的权重，
Figure 599410DEST_PATH_IMAGE009
为第j个自编码器的输入层到隐含层的偏置，
Figure 630996DEST_PATH_IMAGE018
为第j个自编码器的输入。
进一步的，所述损失函数为：
Figure 864531DEST_PATH_IMAGE011
，
其中，
Figure 226242DEST_PATH_IMAGE012
为实际目标值，
Figure 937846DEST_PATH_IMAGE013
为预测目标值。
优选的，所述模型建立模块22还用于：
以所述历史生产数据中的若干组数据作为测试集；
采用标准化公式对所述测试集中的每个特征值和目标值进行标准化处理；
将标准化处理后的测试集中的特征值代入所述油水界面高度计算模型中，得到预测值；
根据标准化处理后的测试集中的目标值以及得到的所述预测值计算出均方误差和相关系数。
优选的，安装基于深度学习的原油储罐切水程序的系统还包括：
模型更新模块，将存储的实时生产数据以及对应的油水界面高度的实际值作为最新的历史生产数据，并对所述油水界面高度计算模型进行更新。
综上所述，本发明提供的基于深度学习的原油储罐切水方法及设备，通过利用原油罐区储罐的历史生产数据建立深度学习的油水界面高度计算模型，可通过模型计算出油水界面高度，进而指导切水操作，精度较高，可达到更好的切水效果，解决了现有技术中采用自动切水装置或者人工指导切水时费时费力，精度较低的问题。
当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件（如处理器，控制器等）来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种基于深度学习的原油储罐切水方法，其特征在于，包括如下步骤：
获取若干组原油罐区储罐的历史生产数据，其中，所述历史生产数据至少包括储罐的液位、储罐内的温度及压力、油水界面的高度、储罐的静置时间以及原油的密度、含水量、温度和粘度；
以所述历史生产数据中的若干组数据作为训练集，根据所述训练集建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型；
获取实时生产数据并存储，根据所述油水界面高度计算模型计算出预测油水界面高度，其中，所述实时生产数据至少包括储罐的静置时间、储罐内的温度及压力、储罐的液位以及原油的密度、含水量、温度、粘度；
根据计算出的预测油水界面高度确定原油切水量；
所述以所述历史生产数据中的若干组数据作为训练集，根据所述训练集建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型的步骤包括：
选取所述历史生产数据中的若干组数据作为训练集；
确定深度学习模型的输入层和输出层，其中，所述输入层为储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度，所述输出层为油水界面的高度；
采用标准化公式对所述训练集中的每个特征值和目标值进行标准化处理；
根据标准化处理后的所述训练集的特征值和目标值建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型；
所述根据标准化处理后的所述训练集的特征值和目标值建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型的步骤包括：
将标准化后的训练集中的特征值输入第一层自编码器中，对第一层自编码器进行训练后，以前一层自编码器的隐含层的输出作为后一层自编码器的输入依次训练每一层自编码器，以得到各层网络的隐含层的输出；
利用损失函数调整各层网络的隐含层的权重和偏置。
2.根据权利要求1所述的基于深度学习的原油储罐切水方法，其特征在于，所述标准化公式为：
Figure 212474DEST_PATH_IMAGE001
，
其中，
Figure 736996DEST_PATH_IMAGE002
为数据标准化之后的值，n为样本数，
Figure 258369DEST_PATH_IMAGE003
为该列数据的平均值，s为该列数据的标准差。
3.根据权利要求1所述的基于深度学习的原油储罐切水方法，其特征在于，所述自编码器的隐含层的输出为：
Figure 260960DEST_PATH_IMAGE004
，
其中，
Figure 49925DEST_PATH_IMAGE005
为第j个隐含层的输出，
Figure 745348DEST_PATH_IMAGE006
为非线性映射，
Figure 986974DEST_PATH_IMAGE007
为第j个自编码器的输入层到隐含层的权重，
Figure 793256DEST_PATH_IMAGE008
为第j个自编码器的输入层到隐含层的偏置，
Figure 702306DEST_PATH_IMAGE009
为第j个自编码器的输入。
4.根据权利要求1所述的基于深度学习的原油储罐切水方法，其特征在于，所述损失函数为：
Figure 303052DEST_PATH_IMAGE010
，
其中，
Figure 297552DEST_PATH_IMAGE011
为实际目标值，
Figure 641946DEST_PATH_IMAGE012
为预测目标值。
5.根据权利要求1所述的基于深度学习的原油储罐切水方法，其特征在于，所述以所述历史生产数据中的若干组数据作为训练集，根据所述训练集建立油水界面的高度与储罐的液位、储罐内的温度及压力、储罐的静置时间以及原油的密度、含水量、温度和粘度之间的深度学习模型，以得到油水界面高度计算模型步骤还包括：
以所述历史生产数据中的若干组数据作为测试集；
采用标准化公式对所述测试集中的每个特征值和目标值进行标准化处理；
将标准化处理后的测试集中的特征值代入所述油水界面高度计算模型中，得到预测值；
根据标准化处理后的测试集中的目标值以及得到的所述预测值计算出均方误差和相关系数。
6.根据权利要求1所述的基于深度学习的原油储罐切水方法，其特征在于，所述根据计算出的预测油水界面高度确定原油切水量的步骤之后还包括：
将存储的实时生产数据以及对应的油水界面高度的实际值作为最新的历史生产数据，并对所述油水界面高度计算模型进行更新。
7.一种基于深度学习的原油储罐切水设备，其特征在于，包括：处理器和存储器；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的基于深度学习的原油储罐切水方法中的步骤。
CN202010609376.8A 2020-06-30 2020-06-30 基于深度学习的原油储罐切水方法及设备 Active CN111494988B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010609376.8A CN111494988B (zh) 2020-06-30 2020-06-30 基于深度学习的原油储罐切水方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010609376.8A CN111494988B (zh) 2020-06-30 2020-06-30 基于深度学习的原油储罐切水方法及设备

Publications (2)

Publication Number Publication Date
CN111494988A CN111494988A (zh) 2020-08-07
CN111494988B true CN111494988B (zh) 2020-09-29

Family

ID=71878860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010609376.8A Active CN111494988B (zh) 2020-06-30 2020-06-30 基于深度学习的原油储罐切水方法及设备

Country Status (1)

Country Link
CN (1) CN111494988B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112684156A (zh) * 2021-01-06 2021-04-20 汉谷云智(武汉)科技有限公司 一种基于深度学习的混凝土强度预测方法
CN113094991B (zh) * 2021-04-09 2022-03-29 西南石油大学 一种利用地化热解谱图和机器学习计算原油密度的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101903765A (zh) * 2007-12-20 2010-12-01 雪佛龙美国公司 原油特性专家系统
CN110909451A (zh) * 2019-10-31 2020-03-24 汉谷云智(武汉)科技有限公司 一种基于神经网络的原油切水方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101903765A (zh) * 2007-12-20 2010-12-01 雪佛龙美国公司 原油特性专家系统
CN110909451A (zh) * 2019-10-31 2020-03-24 汉谷云智(武汉)科技有限公司 一种基于神经网络的原油切水方法及系统

Also Published As

Publication number Publication date
CN111494988A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111494988B (zh) 基于深度学习的原油储罐切水方法及设备
CN104952753B (zh) 测量抽样方法
US11029445B2 (en) Method and apparatus for determining oil output quantity and gas output quantity of shale oil in-situ conversion
CN110334816A (zh) 一种工业设备检测方法、装置、设备及可读存储介质
EP3904986B1 (en) Method, system and computer program product for the online monitoring of an oil refinery
US20170261972A1 (en) Monitoring means and monitoring method for monitoring at least one step of a process run on an industrial site
CN108509694A (zh) 一种基于bp神经网络的支撑剂铺置形态预测方法
Aven et al. On how to understand and present the uncertainties in production assurance analyses, with a case study related to a subsea production system
CN117029968A (zh) 一种流量数据的诊断方法、系统、存储介质和电子设备
CN116862079B (zh) 一种企业污染物排放预测方法及预测系统
US11934982B2 (en) Feedstock processing corrosion management
US20220307945A1 (en) Analysis apparatus, analysis method and computer readable medium
CN110928264A (zh) 数据处理、数据处理装置以及计算机可读取记录介质
CN114036829B (zh) 地质剖面图生成方法、系统、设备及存储介质
CN114970046A (zh) 一种谐波减速器产品可靠性试验方案确定方法和装置
CN113779391A (zh) 基于建模的智能锁开锁推荐方法、系统、装置及存储介质
RU2756340C1 (ru) Система, машиночитаемый носитель и способ обработки данных качества проб пластовых флюидов
CN115511341B (zh) 一种库岸边坡时变失效概率评估方法及装置
CN102129651A (zh) 一种智能确定离群点和优化显示方式的财务预测方法
Abdurakipov Increasing the efficiency of electric submersible pumps by using big data processing and machine learning technologies
CN117892192A (zh) 一种基于数据驱动的机载液压系统流量预测方法
CN118153985A (zh) 炼厂原油调度规划数据处理方法、装置、介质及电子设备
CN117903836A (zh) 常压蒸馏塔控制方法、装置、电子设备及存储介质
CN114724649A (zh) 催化裂化过程的产物产率的预测方法及装置
CN118095878A (zh) 油井解堵双级选井方法、装置、计算设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant