CN114878390B - 一种管阀件冲蚀磨损测试系统及测试方法 - Google Patents

Abstract

本发明公开了一种管阀件冲蚀磨损测试系统及测试方法，涉及石油工程数字仿真技术领域，便于使用者快速了解管阀件的冲蚀磨损情况，使得管阀件的使用更加安全，同时为了解阀件蚀磨损情况所花费的成本相对较低，其技术方案要点是：包括测试设计模块、数据处理模块以及综合评价模块；包括以下步骤；S1，搭建管阀件冲蚀磨损测试装置；S2，点击混砂装置中的加砂设备热键，设置砂粒粒径，单击混砂设备中的混砂射流发生设备热键，设置含砂比，该过程模拟筛分砂粒及灌装砂粒过程。

Description

一种管阀件冲蚀磨损测试系统及测试方法

技术领域

本发明涉及石油工程数字仿真技术领域，更具体地说，它涉及一种管阀件冲蚀磨损测试系统及测试方法。

背景技术

压裂作业是现代油气资源勘探开发过程常用的油气增产技术措施，作业时地面高压管管阀件将受到高速固体支撑剂颗粒的冲刷，由于压裂作业具有作业时间长以及规模大特征，因此，正确认识管阀件的冲蚀磨损特征对评价管阀件安全使用寿命意义重大。

现今可利用室内物理模拟实验或现场试验探究管阀件冲蚀磨损规律，但此类实验设备昂贵、成本高、存在安全隐患，使用具有较大的局限，并未被广泛使用；从而导致大部分油田现场的实际的管阀件冲蚀磨损数据较少，造成油田现场的工作人员对管阀件冲蚀磨损特征认识不清，无法准确预测管阀件安全使用寿命，致使管阀件使用存在过早报废或使用不安全。

发明内容

本发明的目的是提供一种管阀件冲蚀磨损测试系统及测试方法，其优点在于，便于使用者快速了解管阀件的冲蚀磨损情况，使得管阀件的使用更加安全，同时为了解阀件蚀磨损情况所花费的成本相对较低。

本发明的上述技术目的是通过以下技术方案得以实现的：一种管阀件冲蚀磨损测试系统，包括测试设计模块、数据处理模块以及综合评价模块；

所述测试设计模块用于提供人机交互平台，包括测试流程设计单元以及测试参数设置单元，所述测试流程设计单元用于设计测试流程，所述测试参数设置单元用于设置测试参数；

所述数据处理模块与测试设计模块连接，用于计算用户测试操作成绩及计算用户设计测试的结果，包括测试分数计算单元、基础数据预测单元及自生成-对抗数据预测单元；

所述综合评价模块与数据处理模块连接，用于定量评价用户操作的准确性及计算测试结果，包括测试操作评价单元及测试结果展示单元；

所述测试设计模块还包括管阀件冲蚀磨损测试系统，所述管阀件冲蚀磨损测试装置由高压供液设备、混砂发生设备、高压管汇设备以及磨料罐发生设备组成；

所述高压供液设备包括水箱、高压泵以及多个高压管线，所述高压泵用于控制流体排量，设置多个所述高压泵形成高压泵组，利用所述高压泵组的排量确定测试排量，所述水箱上开设流体粘度出口，所述水箱上安装用于监控流体粘度出口压力大小的压力表；

所述混砂发生设备包括加砂设备和高压混砂射流发生设备热键，所述加砂设备用于筛分砂粒并且完成砂粒向砂粒罐内的灌装，通过点击加砂设备热键，可选择相应粒径的砂粒，所述高压混砂射流发生设备用于配置不同含砂比的流体，通过点击所述高压混砂射流设备，可选择流体粘度；

所述高压管汇设备包括测试用的直管、弯头、高压管件元件以及高压管汇设备热键，通过点击所述高压管汇设备热键，可以选择冲蚀管阀件的类型。

优先地，所述测试流程设计单元包括两类管阀件冲蚀磨损测试，一类为评价特定条件下管阀件最大冲蚀深度随时间的变化规律；另一类为评价特定时刻，不同因素对管阀件最大冲蚀深度的影响规律；管阀件最大冲蚀深度计算公式为H=t•Er/ρ，其中，t代表测试时间，ρ代表管阀件密度，Er代表最大冲蚀率；所述测试设计模块包括虚拟材料库，所述虚拟材料库包括高压泵组、压力表、水箱、磨料罐发生设备、加砂设备、砂粒、管汇系统的3D动画元件。

优先地，所述测试参数设置单元设置的参数包括测试时间、冲蚀排量、流体粘度、含砂比、颗粒粒径，所述测试参数设置单元设置的参数的系统基础数据范围如下：冲蚀时间（0~1000h）、冲蚀排量（10~15m³/min）、流体粘度（0.01~0.025 Pa·s）、含砂比（5%~15%）、颗粒粒径（20~60目）；所述测试参数设置单元包括工程参数设置子单元及测试参数设置子单元，所述工程参数设置子单元的数赋值范围在系统基础数据范围之内。

优先地，所述测试分数计算单元从两个方面对测试操作进行打分，一方面将用户搭建的测试装置与标准化操作流程编码进行对比，分析用户搭建的测试装置是否存在缺陷，得出测试装置设计分数；另一方面，对用户操作测试流程与标准化操作流程编码进行对比，得出测试操作分数，两个分数权重各占0.5，最终得出用户测试综合评分。

优先地，所述基础数据预测单元为5-6-1型神经网络模型。

优先地，所述自生成-对抗数据预测单元为一个多隐含层的深度学习网络模型，由自生成网络模型、隐含层及对抗网络模型组成，用于扩展测试系统自身数据体参数范围，并保证拓展数据体的可靠性，当用户输入参数范围超出系统本身数据体参数范围时，启用自生成-对抗数预测单元，可有效评价管阀件冲蚀变化规律，拓展了测试数据体的参数取值范围。

优先地，所述自生成-对抗数据预测单元可扩展系统自身数据体，首先固定自生成网络模型参数，迭代更新对抗网络模型的参数，选取一部分系统本身的数据集及一部分自生成的数据集同时输入对抗网络模型，优化对抗网络模型参数，使其能够对系统本身的数据集打出高分，给自生成的数据集打出低分；然后，固定对抗网络模型参数，更新自生成网络模型参数，由于这一阶段对抗网络模型参数布变，自生成网络模型需要调整自己的参数使得输出得分越高越好。

优先地，所述深度学习网络模型的结构包括一层输入层、三层隐藏层、一层输出层、所述输入层包括数量为五的神经元数量，所述隐藏层包括数量分别为二十五、七十五、二百二十五的节点，所述输出层包括数量为一的神经元。

优先地，所述测试操作评价单元可对用户测试装置搭建、测试流程操作及测试参数设置进行评价打分，得出用户测试报告，若评价打分为满分，表明用户测试设计和操作没有问题，可前往测试结果展示单元查看测试结果；若评价打分小于100分，说明用户测试设计及操作过程可能存在错误，用户需要根据测试报告，查找错误，重新测试，方能得到正确的测试结果。

一种管阀件冲蚀磨损测试装置进行测试的的方法，包括以下步骤；

S1，搭建管阀件冲蚀磨损测试装置；

S2，点击混砂装置中的加砂设备热键，设置砂粒粒径，单击混砂设备中的混砂射流发生设备热键，设置含砂比，该过程模拟筛分砂粒及灌装砂粒过程；

S3，分别点击高压泵组及水箱，设置施工排量和流体粘度；选择管阀件类型为直管，设置模拟时间开始模拟计算；

S4，若测试参数取值未超过测试系统，选择基础数据预测单元进行计算，反之，选择自生成-对抗数据预测单元进行计算；

所述自生成-对抗数据预测单元的算法流程如下,其中G代表自生成网络模型，θ _g 代表G的模型参数，D代表对抗网络模型，θ _d 代表D的模型参数；

A1：初始化θ _d 和θ _g ；

A2：从自身数据集中选出m组样本数据{x¹，x²，...，x^m}，m为随机数；

A3：从正态分布中随机选出m个向量{z¹，z²，...，z^m}；

A4：将A3中的向量输入G模型，得到m组生成的数据，数学表达式为

；

A5：训练D模型，以函数

最大为目标，迭代更新参数θ _d ，可进行多次迭代更新；

A6：从正态分布中随机选出n个向量{z¹，z²，...，zⁿ}；

A7：训练G模型，以函

小为目标，迭代更新参数θ _g ，此时θ _d 保持布变，迭代次数比A5少；

S5，若测试操作评价结果为满分，则测试计算结果有效，更改流体粘度数值，重复上述计算过程。

综上所述，本发明具有以下有益效果：通过管阀件冲蚀磨损测试系统，实现了对测试装置搭建、测试流程操作及测试参数设置等测试技能过程性评价，并对用户提出改进建议，有利于快速提升测试技能，且整体制造以及使用成本相对较低；同时，通过自生成-对抗数据预测模型，有效扩展了测试模拟数据体，降低了测试获取数据的费用成本及时间成本，有利于提高了工作效率，快速了解管阀件的冲蚀磨损情况，提高管阀件的使用安全。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的系统结构示意图；

图2为本发明冲蚀磨损测试装置示意图；

图3为本发明自生成-对抗网络模型预测结果示意图。

附图标记：

1、高压管汇设备；2、加砂设备；3、磨料罐发生设备；4、压力表；5、阀门；6、高压泵组；7、水箱。

具体实施方式

以下结合附图对本发明作进一步详细说明。

一种管阀件冲蚀磨损测试系统，如图1，包括测试设计模块、数据处理模块以及综合评价模块。

测试设计模块用于提供人机交互平台，包括测试流程设计单元以及测试参数设置单元，测试流程设计单元用于设计测试流程，测试参数设置单元用于设置测试参数。

测试流程设计单元包括两类管阀件冲蚀磨损测试，一类为评价特定条件下管阀件最大冲蚀深度随时间的变化规律；另一类为评价特定时刻，不同因素对管阀件最大冲蚀深度的影响规律；管阀件最大冲蚀深度计算公式为H=t•Er/ρ，其中，t代表测试时间，ρ代表管阀件密度，Er代表最大冲蚀率。

测试参数设置单元设置的参数包括测试时间、冲蚀排量、流体粘度、含砂比、颗粒粒径，测试参数设置单元设置的参数的系统基础数据范围如下：冲蚀时间（0~1000h）、冲蚀排量（10~15 m³/min）、流体粘度（0.01~0.025 Pa·s）、含砂比（5%~15%）、颗粒粒径（20~60目）；测试参数设置单元包括工程参数设置子单元及测试参数设置子单元，工程参数设置子单元的数赋值范围在系统基础数据范围之内。

数据处理模块包括测试分数计算单元、基础数据预测单元及自生成-对抗数据预测单元，数据处理模块与测试设计模块连接，用于计算用户测试操作成绩及计算用户设计测试的结果。

测试分数计算单元从两个方面对测试操作进行打分，一方面将用户搭建的测试装置与标准化操作流程编码进行对比，分析用户搭建的测试装置是否存在缺陷，得出测试装置设计分数；另一方面，对用户操作测试流程与标准化操作流程编码进行对比，得出测试操作分数，两个分数权重各占0.5，最终得出用户测试综合评分。

基础数据预测单元为5-6-1型神经网络模型。

自生成-对抗数据预测单元为一个多隐含层的深度学习网络模型，由自生成网络模型、隐含层及对抗网络模型组成，用于扩展测试系统数据体参数范围，并保证拓展数据体的可靠性，当用户输入参数范围超出系统本身数据体参数范围时，启用自生成-对抗数预测单元，可有效评价管阀件冲蚀变化规律，拓展了测试数据体的参数取值范围。

深度学习网络模型的结构包括一层输入层、三层隐藏层、一层输出层，输入层包括数量为五的神经元数量，隐藏层包括数量分别为二十五、七十五、二百二十五的节点，输出层包括数量为一的神经元。

自生成-对抗数据预测单元可扩展系统自身数据体，首先固定自生成网络模型参数，迭代更新对抗网络模型的参数，选取一部分系统本身的数据集及一部分自生成的数据集同时输入对抗网络模型，优化对抗网络模型参数，使其能够对系统本身的数据集打出高分，给自生成的数据集打出低分；然后，固定对抗网络模型参数，更新自生成网络模型参数，由于这一阶段对抗网络模型参数布变，自生成网络模型需要调整自己的参数使得输出得分越高越好。

综合评价模块与数据处理模块连接，用于定量评价用户测试操作的准确性及计算测试结果，包括测试操作评价单元及测试结果展示单元。

测试操作评价单元可对用户测试装置搭建、测试流程操作及测试参数设置进行评价打分，得出用户测试报告，若评价打分为满分，表明用户测试设计和操作没有问题，可前往测试结果展示单元查看测试结果；若评价打分小于100分，说明用户测试设计及操作过程可能存在错误，用户需要根据测试报告，查找错误，重新测试，方能得到正确的测试结果。

如图2，管阀件冲蚀磨损测试系统进行测试用的装置，管阀件冲蚀磨损测试装置由高压供液设备、混砂发生设备、高压管汇设备1等组成；测试设计模块设有虚拟材料库，包括但不限于以下3D动画元件:高压管汇设备1、阀门5、高压泵组6、压力表4、水箱7、磨料罐发生设备3、加砂设备2、砂粒。

高压供液设备包括水箱7、高压泵以及多个高压管线，高压泵用于控制流体排量，设置多个高压泵形成高压泵组6，利用高压泵组6的排量确定测试排量，水箱7上开设流体粘度出口，水箱7上安装用于监控流体粘度出口压力大小的压力表4。

混砂发生设备包括加砂设备2和高压混砂射流发生设备热键，加砂设备2用于筛分砂粒并且完成砂粒向砂粒罐内的灌装，通过点击加砂设备热键，可选择相应粒径的砂粒，高压混砂射流发生设备用于配置不同含砂比的流体，通过点击高压混砂射流设备，可选择流体粘度。

高压管汇设备1包括测试用的直管、弯头、高压管件元件以及高压管汇设备热键，通过点击高压管汇设备热键，可以选择冲蚀管阀件的类型。

如图1、图2和图3，一种管阀件冲蚀磨损测试方法，包括以下步骤；

S1，搭建管阀件冲蚀磨损测试装置；

S2，点击混砂装置中的加砂设备热键，设置砂粒粒径单击混砂设备中的混砂射流发生设备热键，设置含砂比，该过程模拟筛分砂粒及灌装砂粒过程；

S3，分别点击高压泵组6及水箱7，设置施工排量和流体粘度；选择管阀件类型为直管，设置模拟时间开始模拟计算；

S4，若测试参数取值未超过测试系统，选择基础数据预测单元进行计算，反之，选择自生成-对抗数据预测单元进行计算。

自生成-对抗数据预测单元的算法流程如下,其中G代表自生成网络模型，θ _g 代表G的模型参数，D代表对抗网络模型，θ _d 代表D的模型参数；

A1：初始化θ _d 和θ _g ；

A2：从自身数据集中选出m组样本数据{x¹，x²，...，x^m}，m为随机数；

A3：从正态分布中随机选出m个向量{z¹，z²，...，z^m}；

A4：将A3中的向量输入G模型，得到m组生成的数据，数学表达式为

；

A5：训练D模型，以函数

最大为目标，迭代更新参数θ _d ，可进行多次迭代更新；

A6：从正态分布中随机选出n个向量{z¹，z²，...，zⁿ}；

A7：训练G模型，以函数

最小为目标，迭代更新参数θ _g ，此时θ _d 保持布变，迭代次数比A5少；

S5，若测试操作评价结果为满分，则测试计算结果有效，更改流体粘度数值，重复上述计算过程，得到流体粘度对最到冲蚀深度的影响规律。

具体实施例：点击混砂装置中的加砂设备2，设置砂粒粒径为40目，单击混砂装置中的混砂射流发生装置元件，设置含砂比为7%，该过程模拟筛分砂粒及灌装砂粒过程；分别点击高压泵组6及水箱7，设置施工排量为10³/min、流体粘度为0.005 Pa•s；选择管阀件类型为直管，设置模拟时间为100h，开始模拟计算，若参数取值未超过测试系统本身数据体参数范围时，选择基础数据预测单元进行计算，反之，选择自生成-对抗预测单元进行计算。若测试操作评价结果为满分，则计算结果有效，更改流体粘度数值，重复上述计算过程。得到流体粘度对最到冲蚀深度的影响规律如图3所示。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种管阀件冲蚀磨损测试系统，其特征是：包括测试设计模块、数据处理模块以及综合评价模块；

所述测试设计模块用于提供人机交互平台，包括测试流程设计单元以及测试参数设置单元，所述测试流程设计单元用于设计测试流程，所述测试参数单元设置单用于设置测试参数；

所述测试参数设置单元设置的参数包括测试时间、冲蚀排量、流体粘度、含砂比、颗粒粒径，所述测试参数设置单元设置的参数的系统基础数据范围如下：冲蚀时间（0~1000h）、冲蚀排量（10~15m³/min）、流体粘度（0.01~0.025 Pa·s）、含砂比（5%~15%）、颗粒粒径（20~60目）；所述测试参数设置单元包括工程参数设置子单元及测试参数设置子单元，所述工程参数设置子单元的数赋值范围在系统基础数据范围之内;

所述数据处理模块与测试设计模块连接，用于计算用户测试操作成绩及计算用户设计测试的结果，包括测试分数计算单元、基础数据预测单元及自生成-对抗数据预测单元；

所述测试分数计算单元从两个方面对测试操作进行打分，一方面将用户搭建的测试装置与标准化操作流程编码进行对比，分析用户搭建的测试装置是否存在缺陷，得出测试装置设计分数；另一方面，对用户操作测试流程与标准化操作流程编码进行对比，得出测试操作分数，两个分数权重各占0.5，最终得出用户测试综合评分;

所述基础数据预测单元为5-6-1型神经网络模型;

所述自生成-对抗数据预测单元为一个多隐含层的深度学习网络模型，由自生成网络模型、隐含层及对抗网络模型组成，用于扩展测试系统自身数据体参数范围，并保证拓展数据体的可靠性，当用户输入参数范围超出测试系统本身数据体参数范围时，启用自生成-对抗数预测单元，可有效评价管阀件冲蚀变化规律，拓展了测试数据体的参数取值范围;

所述综合评价模块与数据处理模块连接，用于定量评价用户测试操作的准确性及计算测试结果，包括测试操作评价单元及测试结果展示单元；

所述测试设计模块还包括管阀件冲蚀磨损测试装置，所述管阀件冲蚀磨损测试装置由高压供液设备、混砂发生设备、高压管汇设备（1）以及磨料罐发生设备（3）组成；

所述高压供液设备包括水箱（7）、高压泵以及多个高压管线，所述高压泵用于控制流体排量，设置多个所述高压泵形成高压泵组（6），利用所述高压泵组（6）的排量确定测试排量，所述水箱（7）上开设流体粘度出口，所述水箱（7）上安装用于监控流体粘度出口压力大小的压力表（4）；

所述混砂发生设备包括加砂设备（2）和高压混砂射流发生设备热键，所述加砂设备（2）用于筛分砂粒并且完成砂粒向砂粒罐内的灌装，通过点击加砂设备热键，可选择相应粒径的砂粒，所述高压混砂射流发生设备用于配置不同含砂比的流体，通过点击所述高压混砂射流设备，可选择流体粘度；

所述高压管汇设备（1）包括测试用的直管、弯头、高压管件元件以及高压管汇设备热键，通过点击所述高压管汇设备热键，可以选择冲蚀管阀件的类型。

2.根据权利要求1所述的一种管阀件冲蚀磨损测试系统，其特征是：所述测试流程设计单元包括两类管阀件冲蚀磨损测试，一类为评价特定条件下管阀件最大冲蚀深度随时间的变化规律；另一类为评价特定时刻，不同因素对管阀件最大冲蚀深度的影响规律；管阀件最大冲蚀深度计算公式为H=t•Er/ρ，其中，t代表测试时间，ρ代表管阀件密度，Er代表最大冲蚀率；所述测试设计模块包括虚拟材料库，所述虚拟材料库包括但不限于：高压管汇设备（1）、阀门（5）、高压泵组（6）、压力表（4）、水箱（7）、磨料罐发生设备（3）、加砂设备（2）、砂粒。

3.根据权利要求2所述的一种管阀件冲蚀磨损测试系统，其特征是：所述自生成-对抗数据预测单元可扩展系统自身数据体，首先固定自生成网络模型参数，迭代更新对抗网络模型的参数，选取一部分系统本身的数据集及一部分自生成的数据集同时输入对抗网络模型，优化对抗网络模型参数，使其能够对系统本身的数据集打出高分，给自生成的数据集打出低分；然后，固定对抗网络模型参数，更新自生成网络模型参数，由于这一阶段对抗网络模型参数布变，自生成网络模型需要调整自己的参数使得输出得分越高越好。

4.根据权利要求3所述的一种管阀件冲蚀磨损测试系统，其特征是：所述深度学习网络模型的结构包括一层输入层、三层隐藏层、一层输出层、所述输入层包括数量为五的神经元数量，所述隐藏层包括数量分别为二十五、七十五、二百二十五的节点，所述输出层包括数量为一的神经元。

5.根据权利要求4所述的一种管阀件冲蚀磨损测试系统，其特征是：所述测试操作评价单元可对用户测试装置搭建、测试流程操作及测试参数设置进行评价打分，得出用户测试报告，若评价打分为满分，表明用户测试设计和操作没有问题，可前往测试结果展示单元查看测试结果；若评价打分小于100分，说明用户测试设计及操作过程可能存在错误，用户需要根据测试报告，查找错误，重新测试，方能得到正确的测试结果。

6.使用权利要求5所述的一种管阀件冲蚀磨损测试系统进行测试的方法，其特征是：包括以下步骤；

S1，搭建管阀件冲蚀磨损测试装置；

S2，点击混砂装置中的加砂设备热键，设置砂粒粒径，单击混砂设备中的混砂射流发生设备热键，设置含砂比，该过程模拟筛分砂粒及灌装砂粒过程；

S3，分别点击高压泵组（6）及水箱（7），设置施工排量和流体粘度；选择管阀件类型为直管，设置模拟时间开始模拟计算；

S4，若测试参数取值未超过测试系统本身数据体参数范围时，选择基础数据预测单元进行计算，反之，选择自生成-对抗数据预测单元进行计算；

所述自生成-对抗数据预测单元的算法流程如下,其中G代表自生成网络模型，θ _g 代表G的模型参数，D代表对抗网络模型，θ _d 代表D的模型参数；

A1：初始化θ _d 和θ _g ；

A2：从自身数据集中选出m组样本数据{x¹，x²，...，x^m}，m为随机数；

A3：从正态分布中随机选出m个向量{z¹，z²，...，z^m}；

A4：将A3中的向量输入G模型，得到m组生成的数据，数学表达式为

；

A5：训练D模型，以函数

最大为目标，迭代更新参数θ _d ，可进行多次迭代更新；

A6：从正态分布中随机选出n个向量{z¹，z²，...，zⁿ}；

A7：训练G模型，以函数

最小为目标，迭代更新参数θ _g ，此时θ _d 保持布变，迭代次数比A5少；

S5，若测试操作评价结果为满分，则计算结果有效，更改流体粘度数值，重复上述计算过程。

Images