CN114970274A - 有限元/机器学习的橡胶皮球集流器结构优化系统及方法 - Google Patents
有限元/机器学习的橡胶皮球集流器结构优化系统及方法 Download PDFInfo
- Publication number
- CN114970274A CN114970274A CN202210619078.6A CN202210619078A CN114970274A CN 114970274 A CN114970274 A CN 114970274A CN 202210619078 A CN202210619078 A CN 202210619078A CN 114970274 A CN114970274 A CN 114970274A
- Authority
- CN
- China
- Prior art keywords
- rubber ball
- data
- subsystem
- ball elastic
- collector
- 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.)
- Granted
Links
- 229920001971 elastomer Polymers 0.000 title claims abstract description 221
- 239000005060 rubber Substances 0.000 title claims abstract description 221
- 238000005457 optimization Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 239000000463 material Substances 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 3
- 239000007788 liquid Substances 0.000 claims description 43
- 230000004323 axial length Effects 0.000 claims description 37
- 238000002347 injection Methods 0.000 claims description 19
- 239000007924 injection Substances 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000001902 propagating effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 5
- 239000012530 fluid Substances 0.000 description 5
- 238000001802 infusion Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000003129 oil well Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 229920003051 synthetic elastomer Polymers 0.000 description 1
- 239000005061 synthetic rubber Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及有限元/机器学习的橡胶皮球集流器结构优化系统及方法，属于油气剖面测井技术领域，所述优化系统包括数据采集子系统、数据预处理子系统、特征集构造子系统、智能参数优化子系统和优选参数输出子系统；所述优化方法包括采集数据样本、对数据样本进行数据预处理、对预处理后的数据样本进行特征提取及选择、构建智能参数优化模型、将最优参数结果进行保存。本发明通过分析多个参数下柱塞式橡胶皮球集流器集流性能影响，获取了其最优参数，时间短、成本低；采用神经网络建模的方法，减少计算量，为柱塞式橡胶皮球集流器参数的优化设计减少大量的时间，节省了人力物力。
Description
技术领域
本发明涉及一种有限元/机器学习的橡胶皮球集流器结构优化系统及方法，属于油气剖面测井技术领域。
背景技术
目前，低产低流速水平井在国内油井开采中占据重要地位，井下流量等参数的准确测量高度依赖于对管道内液体的集流程度。因此，实现全集流是产液剖面测井集流仪器研究中的重要难题。然而，石油生产测井用传统常规集流器存在漏失严重、易刮破爆破等问题。相较于伞式集流方法(CN201020611183.8)和皮球式集流方法(CN201110347614.3)，柱塞式橡胶皮球集流器因其高可靠性、高集流度开始被应用于低产水平井井下各层段流体的准确测量。柱塞式橡胶皮球集流器结构参数对其性能影响较大，目前测井用集流器优化方法多采用实验探究法。若单纯的通过实验来改变其结构参数来优化柱塞式橡胶皮球集流器参数会耗费大量的财力、物力，且准确度很难把握，因此如何实现柱塞式橡胶皮球集流器参数优化技术是当前亟需解决的问题
因此，针对上述问题，为解决柱塞式橡胶皮球集流器参数优化技术的缺失，一种有限元/机器学习的橡胶皮球集流器结构优化系统及方法成为当前亟需解决的问题。
发明内容
本发明的目的是提供一种有限元/机器学习的橡胶皮球集流器结构优化系统及方法，能够获取柱塞式橡胶皮球集流器的最优参数，具有时间短、成本低的特点。
为了实现上述目的，本发明采用的技术方案是：
一种有限元/机器学习的橡胶皮球集流器结构优化系统，包括数据采集子系统、数据预处理子系统、特征集构造子系统、智能参数优化子系统和优选参数输出子系统；
所述数据采集子系统采集的数据为不同参数下柱塞式橡胶皮球集流器的集流性能响应特性；
所述数据预处理子系统针对错误数据或误差点进行数据优选；
所述特征集构造子系统对数据采集子系统中的数据集进行特征提取及选择；
所述智能参数优化子系统由智能参数优化模型构成；
所述优选参数输出子系统基于智能参数优化子系统分析输出柱塞式橡胶皮球集流器最优结构组合。
一种有限元/机器学习的橡胶皮球集流器结构优化方法，包括以下步骤：
S1：利用数据采集子系统采集数据样本；
S2：采用数据预处理子系统对步骤S1获取的数据样本进行数据预处理，对错误数据或者误差点数据进行数据优选；
S3：利用特征集构造子系统对步骤S2预处理后的数据样本进行特征提取及选择；
S4：构建智能参数优化模型；
S5：优选参数输出子系统对柱塞式橡胶皮球集流器最优参数结果进行保存。
本发明技术方案的进一步改进在于：所述数据采集子系统的数据采集过程包括：建立柱塞式橡胶皮球集流器弹性件形变机理；基于双参数Mooney-Rivlin构建柱塞式橡胶皮球集流器有限元模型；采用单因素仿真分析获取橡胶皮球弹性件硬度、橡胶皮球弹性件表面摩擦系数、橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度对柱塞式橡胶皮球集流器的性能影响数据。
本发明技术方案的进一步改进在于：所述数据预处理子系统的数据预处理规则为：对橡胶皮球弹性件变形的有限元分析，在极个别注液压强值下，COMSOL求解器无法求解刚度矩阵，边界条件被破坏，集流器模型失效，因此这些数据是无效的；在橡胶皮球弹性件变形过程中，存在一个特殊的时间段，在所述时间段中增加注液压强后检测到橡胶皮球弹性件与柱塞式橡胶皮球集流器管道之间有足量液体，但橡胶皮球弹性件和套管之间的接触应力为0，计算得到的集流性能值K同样为0，这些数据是无效的；最后，25个集流器模型最终共获得930组数据。
本发明技术方案的进一步改进在于：所述特征集构造子系统的选择规则为将影响集流器集流性能的四个因素橡胶皮球弹性件硬度、橡胶皮球弹性件表面摩擦系数、橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度分为两类，第一类包括橡胶皮球弹性件硬度和橡胶皮球弹性件表面摩擦系数，第二类包括橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度；第一类通过单轴向拉伸实验获取描述材料性质的具体参数，可以忽略；对于第二类，橡胶皮球弹性件初始形状呈圆柱形，其几何模型的厚度和轴向长度在合理范围内能够以任意精度被设置为任意值，严重影响柱塞式橡胶皮球集流器性能，因此基于对存储空间和计算设备算力的考虑，选取橡胶皮球弹性件厚度4.5、5、5.5、6、6.5共五个数值，橡胶皮球弹性件轴向长度21、23、25、27、29共5个数值及相应的注液口压强为特征参数。
本发明技术方案的进一步改进在于：所述步骤S3特征提取及选择得到的特征参数为橡胶皮球弹性件厚度、橡胶皮球弹性件轴向长度和注液口压强。
本发明技术方案的进一步改进在于：所述步骤S4构建智能参数优化模型的具体过程为：
S4.1确定输入参数：获取步骤S3得到的特征参数橡胶皮球弹性件厚度、橡胶皮球弹性件轴向长度及注液口压强构建m组输入特征集；
S4.2确定输出参数：以集流性能、橡胶皮球弹性件内液体体积为输出特征集，同样构建m组输出特征集；
S4.3构建智能参数优化模型
基于所述m组输入特征集及输出特征集和BP神经网络模型，构建智能参数优化模型，并进行训练和预测，具体训练过程为：
S4.3.1建立待输入的学习样本，对数据进行预处理操作；
S4.3.2初始化权值，建立神经网络结构：将学习样本中的输入变量的维度数定为输入层的神经元节点个数，然后将学习样本中的输出变量的维度数定为输出层的神经元节点个数，最后初始化网络权值；
S4.3.3设置目标允许误差，学习率及最大迭代次数；
S4.3.4计算正向传播各层的输出及逆向传播各层的误差；
S4.3.5计算各个样本的累计误差，若每个样本均满足设定目标,则学习终止；当学习次数达到最大迭代次数时，学习同样终止；
S4.3.6更新整个神经网络的权值和输入变量转至步骤S4.3.4。
由于采用了上述技术方案，本发明取得的技术效果有：
本发明通过分析多个参数下柱塞式橡胶皮球集流器集流性能影响，获取了其最优参数，时间短、成本低。本发明采用神经网络建模的方法，减少计算量，为柱塞式橡胶皮球集流器参数的优化设计减少大量的时间，节省了人力物力。
本发明仅需要提供有代表性的数据作为学习数据训练神经网络，便可获得准确的预测值，为传统的多参数结构设计提供了更好的解决方式。
附图说明
图1是本发明柱塞式橡胶皮球集流器的结构示意图；
图2是本发明优化系统的示意图；
图3是本发明优化系统和方法的实施架构图；
图4是本发明优化系统和方法的数据集；
图5是本发明优化系统和方法的参数优化方法示意图；
其中，1、套管，2、柱塞式橡胶皮球集流器管道，3、驱动短节，4、驱动电机，5、滚珠丝杠，6、丝杆，7、进液口，8、柱塞腔，9、橡胶皮球弹性件，10、输液管道。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种有限元/机器学习的橡胶皮球集流器结构优化系统，所述橡胶皮球集流器为柱塞式橡胶皮球集流器，具体结构如图1所示，包括套管1、柱塞式橡胶皮球集流器管道2、驱动短节3、驱动电机4、滚珠丝杠5、丝杆6、进液口7、柱塞腔8和橡胶皮球橡胶皮球弹性件9。所述驱动电机4、滚珠丝杠5、柱塞腔8和橡胶皮球橡胶皮球弹性件9组成集流器短接，所述集流器短接全长1m，橡胶皮球橡胶皮球弹性件9的轴向长度250mm，滚珠丝杠5长度550mm。所述橡胶皮球橡胶皮球弹性件9包裹于柱塞式橡胶皮球集流器管道2上，呈圆柱形状；所述橡胶皮球橡胶皮球弹性件9内部通过输液管道10与柱塞腔8相连，所述柱塞腔8内装有纯净的液体以防止液体流动过程中堵塞输液管道10，腔体8呈圆柱体形状，外径50mm。所述柱塞腔8的一端为连接至橡胶皮球橡胶皮球弹性件9内部的输液通道10，另一端是柱塞。所述柱塞由驱动电机4控制，电机4供电后可以带动丝杠6旋转继而控制柱塞向前进或者向后退。橡胶皮球集流器的工作原理是：当需要张开橡胶皮球橡胶皮球弹性件9以封隔柱塞式橡胶皮球集流器管道2和套管1之间的环形空间时，为驱动电机4供正电，电机4带动滚珠丝杠5旋转，进而向前推动柱塞腔8一端的柱塞，柱塞将腔体内部自带的纯净液体从输液管道10推至橡胶皮球橡胶皮球弹性件9与柱塞式橡胶皮球集流器管道2的空间内，由于液体具有不可压缩的特性，进入橡胶皮球橡胶皮球弹性件9与柱塞式橡胶皮球集流器管道2间空间的液体将橡胶皮球橡胶皮球弹性件9撑开，集流器短接与套管1间的环形空间被封隔，集流操作完成。当橡胶皮球橡胶皮球弹性件9需要被收回时，为驱动电机4供反电，电机带动滚珠丝杠5旋转拉动柱塞腔8的一端的柱塞向后退，将橡胶皮球橡胶皮球弹性件9内的液体经由输液管道10抽回至柱塞腔8内，处于形变状态的橡胶皮球橡胶皮球弹性件9由于外力被撤去而恢复至初始的圆柱状形态，从而完成橡胶皮球橡胶皮球弹性件9的回收操作。
如图2所示，所述有限元/机器学习的橡胶皮球集流器结构优化系统包括数据采集子系统、数据预处理子系统、特征集构造子系统、智能参数优化子系统和优选参数输出子系统。
所述数据采集子系统采集的数据为不同参数下柱塞式橡胶皮球集流器的集流性能响应特性；
所述数据预处理子系统针对错误数据或误差点进行数据优选；
所述特征集构造子系统对数据采集子系统中的数据集进行特征提取及选择；
所述智能参数优化子系统由BP智能参数优化模型构成；
所述优选参数输出子系统基于智能参数优化子系统分析输出柱塞式橡胶皮球集流器最优结构组合。
如图3所示，一种基于有限元/机器学习的橡胶皮球集流器结构优化系统的优化方法，包括以下步骤：
S1：利用数据采集子系统采集数据样本
利用数据采集子系统采集不同参数下柱塞式橡胶皮球集流器的集流性能响应特性；采集过程包括：建立柱塞式橡胶皮球集流器橡胶皮球弹性件形变机理；基于双参数Mooney-Rivlin构建柱塞式橡胶皮球集流器有限元模型；采用单因素仿真分析获取橡胶皮球弹性件硬度、橡胶皮球弹性件表面摩擦系数、橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度对柱塞式橡胶皮球集流器的性能影响数据。
S2：采用数据预处理子系统对步骤S1获取的数据样本进行数据预处理，对错误数据或者误差点数据进行数据优选
对橡胶皮球弹性件变形的有限元分析，在极个别注液压强值下，COMSOL求解器无法求解刚度矩阵，边界条件被破坏，集流器模型失效，因此这些数据是无效的；在橡胶皮球弹性件变形过程中，存在一个特殊的时间段，在所述时间段中增加注液压强后检测到橡胶皮球弹性件与柱塞式橡胶皮球集流器管道之间有足量液体，但橡胶皮球弹性件和套管之间的接触应力为0，计算得到的集流性能值K同样为0，这些数据同样是无效的；最后，25个集流器模型最终共获得930组数据。
S3：利用特征集构造子系统对步骤S2预处理后的数据样本进行特征提取及选择
所述特征集构造子系统对数据采集子系统中的数据集进行特征提取及选择，得到的特征参数为橡胶皮球弹性件厚度、橡胶皮球弹性件轴向长度和注液口压强。所述选择规则为：
对影响集流器集流性能的四个因素(橡胶皮球弹性件硬度，橡胶皮球弹性件表面摩擦系数，橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度)分别进行了分析。这些因素大致分为两类，第一类包括橡胶皮球弹性件硬度和橡胶皮球弹性件表面摩擦系数，属于超弹性橡胶材料的基本性质；第二类包括橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度，是橡胶橡胶皮球弹性件的关键几何参数。对于第一类因素，超弹性橡胶材料属于合成橡胶，其弹性势能函数并不完全符合材料性质，因此必须通过单轴向拉伸等实验获取描述材料性质的具体参数。仿真分析中通过查找文献中已知的超弹模型参数确定橡胶皮球弹性件的硬度，然后对集流器建模并对橡胶皮球弹性件硬度和集流器集流性能之间的关系进行分析，最后确定了超弹模型Mooney-Rivlin表现出最佳集流性能的硬度值为43HA。由于橡胶皮球弹性件硬度是离散化的数值，通过仿真分析可以直接得到结果。接着，改变橡胶橡胶皮球弹性件和套管接触段间的摩擦系数并重新建模，进行有限元分析，结果排除了材料表面摩擦系数的影响，因此摩擦系数因素可以忽略；对于第二类因素，橡胶皮球弹性件初始形状呈圆柱形，其几何模型的厚度和轴向长度参数在合理范围内能够以任意精度被设置为任意值。在集流器几何模型构建中，橡胶皮球弹性件厚度和轴向长度的组合会产生非常多几何模型，同时对全部模型的变形和负载进行有限元分析是不现实的。基于对存储空间和计算设备算力的考虑，橡胶橡胶皮球弹性件厚度选取了4.5、5、5.5、6、6.5共五个数值，橡胶橡胶皮球弹性件轴向长度选取21、23、25、27、29共5个数值，仿真结果表明改变几何参数会明显影响集流器集流性能。为了找到最优的柱塞式橡胶皮球集流器几何模型中橡胶皮球弹性件的厚度和轴向长度，考虑橡胶皮球弹性件几何参数和集流器集流性能之间的存在的非线性函数关系，引入神经网络来建立橡胶皮球弹性件几何参数神经网络模型。通过组合两个参数的两组数值共建立了25个不同集流器模型，从仿真结果共导出1237组数据。根据对橡胶橡胶皮球弹性件变形的有限元分析，在极个别注液压强值下，COMSOL求解器无法求解刚度矩阵，边界条件被破坏，集流器模型失效，因此这些数据是无效的。在橡胶橡胶皮球弹性件变形过程中，存在一个特殊的时间段，在此时间段中增加注液压强后可以检测到橡胶皮球弹性件与外壳之间有足量液体但是橡胶橡胶皮球弹性件和套管之间的接触应力为0，计算得到的集流性能值K同样为0，这些数据同样是无效的。最后，25个集流器模型最终共获得930组数据，这些样本将用于训练神经网络以及分析智能参数优化模型预测性能。
S4：构建智能参数优化模型，具体过程为：
S4.1确定输入参数：获取步骤S3得到的特征参数橡胶皮球弹性件厚度、橡胶皮球弹性件轴向长度及注液口压强构建m组输入特征集；
S4.2确定输出参数：以集流性能、橡胶皮球弹性件内液体体积为输出特征集，同样构建m组输出特征集；
S4.3构建智能参数优化模型
基于所述m组输入特征集及输出特征集和BP神经网络模型，构建智能参数优化模型，并进行训练和预测。
S5：优选参数输出子系统对柱塞式橡胶皮球集流器最优参数结果进行保存
基于智能参数优化子系统分析，输出柱塞式橡胶皮球集流器最优结构组合。输出参数包括：橡胶皮球弹性件硬度、橡胶皮球弹性件表面摩察系数、橡胶皮球弹性件厚度和橡胶皮球弹性件长度等参数。
参照图4所示，步骤S1利用数据采集子系统采集数据样本的具体过程如下：
根据油管输送测井工艺下集流器的工作流程，将集流器的几何模型简化为橡胶橡胶皮球弹性件、套管、油管。同轴状态下集流器的几何结构在套管内是轴对称的，橡胶橡胶皮球弹性件内部受到的流体载荷和外部两端的固定约束同样呈轴对称分布。基于此，在COMSOL软件的几何接口中中可将集流器几何结构构建为二维轴对称结构。最后，按照与实物相同的尺寸建立柱塞式橡胶皮球集球器有限元分析模型，对橡胶橡胶皮球弹性件的集流性能进行分析。
(1)橡胶皮球弹性件硬度对集流器集流性能影响数据采集
参照图4(a)所示，橡胶材料的硬度属性是决定橡胶橡胶皮球弹性件在发生大变形后可以在高内压下保持稳定形状并和套管内壁保持稳定接触的关键参数。橡胶橡胶皮球弹性件在大变形后的形状呈弧形，弧形形状的橡胶橡胶皮球弹性件需要对套管内壁产生足够的接触应力才能够阻止管道内流体流动，进而完全封堵集流器与套管之间的环形空间，实现集流。选择硬度值为43、49、55、58、60、65共六个数据对橡胶橡胶皮球弹性件硬度和集流性能进行仿真数据采集。橡胶橡胶皮球弹性件的硬度增加后，集流性能整体呈下降趋势，并在55HA后，下降趋势尤为明显，结果表明硬度低的橡胶材料更适合橡胶橡胶皮球弹性件。随着橡胶橡胶皮球弹性件硬度增加，迫使橡胶橡胶皮球弹性件和套管内壁接触所需要的入口压强呈上升趋势，在硬度增加至65HA后入口压强为162571Pa远远超过在硬度值为43HA的入口压强且是其3倍多。
(2)橡胶皮球弹性件厚度对集流性能影响数据采集
参照图4(b)所示，不同橡胶皮球弹性件厚度会直接影响橡胶橡胶皮球弹性件变形后的的应力和应变进而影响集流器的集流性能。在COMSOL仿真软件中，应用Mooney-Rivlin超弹性材料模型并设置材料参数使得橡胶橡胶皮球弹性件硬度为43HA，设置轴向长度为25cm，在膜接口中直接修改集流器几何模型中橡胶橡胶皮球弹性件的厚度。由于厚度作为几何参数是连续数值，在合理范围内可以设置任意精度的数值，本文以初始构建的几何模型的橡胶橡胶皮球弹性件厚度5mm作为参考数值，分别选取4.5、5、5.5、6、6.5共五个橡胶皮球弹性件厚度参数进行仿真数据采集。集流器的集流性能在橡胶橡胶皮球弹性件厚度增加的方向上呈下降趋势，从4.5mm的104581.3N/m到6.5mm的38918.0N/m，下降趋势明显，下降幅度超过62.7％。橡胶橡胶皮球弹性件和集流器短接的外壳间液体体积同样随着皮球厚度的增加呈下降趋势，并在6.5mm后逐渐趋向于0，整体下降幅度超过88.2％。接触段厚度太薄可能会由于井下复杂的工作状况而导致橡胶皮球弹性件被破坏使得集流器无法收回。厚度为4.5mm的集流器模型接触段最薄处为2.9mm，厚度为6.5mm的集流器模型接触段最薄处为4.2mm。其厚度减小量分别为1.2mm和2.3mm，这表明橡胶橡胶皮球弹性件厚度增加时，处于接触段的橡胶橡胶皮球弹性件部分的有效厚度并未增加。
(3)橡胶皮球弹性件轴向长度对集流性能影响影响数据采集
参照图4(c)所示，厚度相对较低的橡胶橡胶皮球弹性件在集流性能和其它评价指标上表现出比其它参数更优异的集流性能。因此，在COMSOL软件膜借口中设置橡胶橡胶皮球弹性件硬度为43HA，厚度为4.5mm，在几何模型中通过更改轴向长度构建不同的集流器几何模型。由于橡胶橡胶皮球弹性件的轴向长度同样为连续数值，以几何模型初始轴向长度25cm作为参考，分别选取21、23、25、27、29共五组数值进行仿真数据采集。橡胶橡胶皮球弹性件轴向长度对集流器集流性能具有明显影响。以轴向长度25cm为分界点，减少轴向长度，集流性能呈上升趋势；增加轴向长度，集流性能呈下降趋势。
(4)橡胶皮球弹性件表面摩擦系数对集流器集流性能影响数据采集
参照图4(d)所示，通过在COMSOL中固体力学接口中修改橡胶橡胶皮球弹性件与套管壁接触面的摩擦系数值可以获得不同摩擦系数的集流器模型。设置硬度为43HA，橡胶橡胶皮球弹性件厚度为5mm，轴向长度为25cm，摩擦系数分别设置0.2、0.4、0.6、0.8共四个值并展开稳态研究，并进行数据采集。在液体通过管道一侧流入时，不断增加注液口压强，经过测量，通过环形空间的流量(外流量)逐渐下降并稳定在0.00056cm3/s，通过测量仪器的流量(内流量)逐渐上升并稳定在56.955cm3/s。流体的流速在初始状态下没有任何变化。在入口压强增加至50142Pa后，观察在橡胶橡胶皮球弹性件表面摩擦系数不同时，通过入口处的流量和外流量以及内流量的变化，总流量变化几乎没有变化。在集流结束后，流体通过集流器的速度明显增加，集流器在处于稳定状态时，管道内流量和外流量在不同的摩擦系数下变化趋势一致，没有明显差别。此时，内流量稳定为0.00056cm3/s，接近于0，外流量稳定为56.955cm3/s，略高与入口处总流量。因此，在橡胶橡胶皮球弹性件不同摩擦系数的集流器模型中，集流器均实现了全集流且集流效果趋于一致，改变摩擦系数没有明显对集流器造成不同影响，因此可以忽略橡胶材料表面摩擦系数因素。
参照图5所示，步骤S4构建智能参数优化模型的具体构造过程为：
S4.1确定输入参数：提取橡胶皮球弹性件厚度4.5、5、5.5、6、6.5共五个数值，橡胶皮球弹性件轴向长度21、23、25、27、29共5个数值及相应的注液口压强为特征输入参数。
S4.2确定输出参数：以集流性能、橡胶皮球弹性件内液体体积构建m组输出特征集。
以橡胶皮球弹性件厚度、橡胶皮球弹性件轴向长度、注液口压强为输入参数，以集流性能、橡胶皮球弹性件内液体体积为输出参数，构建3*2的BP神经网络为智能参数优化模型进行训练和预测。
所述智能参数优化模型训练过程为：
S4.3.1建立待输入的学习样本，对数据进行预处理操作；
S4.3.2初始化权值，建立神经网络结构：将学习样本中的输入变量的维度数定为输入层的神经元节点个数，然后将学习样本中的输出变量的维度数定为输出层的神经元节点个数，最后初始化网络权值；
S4.3.3设置目标允许误差，学习率及最大迭代次数；
S4.3.4计算正向传播各层的输出及逆向传播各层的误差；
S4.3.5计算各个样本的累计误差，若每个样本均满足设定目标,则学习终止；当学习次数达到最大迭代次数时，学习同样终止；
S4.3.6更新整个神经网络的权值和输入变量转至步骤S4.3.4。
所述预测结果分析得：
在BP神经网络训练的过程中，930组数据的800组被用于训练神经网络模型，其余130组数据用于分析神经网络的预测性能。为了同时测试神经网络模型的泛化性能和鲁棒性及更加直观的观察预测性能，从130组测试数据中随机选择15组比较集流性能和液体体积的预测结果。对于集流性能，两个网络模型对于集流性能数值过高的样本的预测都存在很大偏差，对集流性能数值低的样本的预测精度明显更好；对于橡胶皮球弹性件内液体体积量，两个网络模型都完成了高准确度的预测，预测曲线几乎重合在一起，这与仿真结果是一致的。在轴向长度和环形空间径向长度均固定的条件下，橡胶皮球弹性件内液体的体积量变化细微，受到厚度等因素的影响远小于对集流性能的影响。集流性能的预测误差，结果如表1所示。
表1BP神经网络集流性能预测误差
本发明中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，一种有限元/机器学习的橡胶皮球集流器结构优化系统及方法，都属于本发明保护的范围。
Claims (7)
1.一种有限元/机器学习的橡胶皮球集流器结构优化系统，其特征在于：包括数据采集子系统、数据预处理子系统、特征集构造子系统、智能参数优化子系统和优选参数输出子系统；
所述数据采集子系统采集的数据为不同参数下柱塞式橡胶皮球集流器的集流性能响应特性；
所述数据预处理子系统针对错误数据或误差点进行数据优选；
所述特征集构造子系统对数据采集子系统中的数据集进行特征提取及选择；
所述智能参数优化子系统由智能参数优化模型构成；
所述优选参数输出子系统基于智能参数优化子系统分析输出柱塞式橡胶皮球集流器最优结构组合。
2.一种基于权利要求1所述的有限元/机器学习的橡胶皮球集流器结构优化系统的优化方法，其特征在于：包括以下步骤：
S1：利用数据采集子系统采集数据样本；
S2：采用数据预处理子系统对步骤S1获取的数据样本进行数据预处理，对错误数据或者误差点数据进行数据优选；
S3：利用特征集构造子系统对步骤S2预处理后的数据样本进行特征提取及选择；
S4：构建智能参数优化模型；
S5：优选参数输出子系统对柱塞式橡胶皮球集流器最优参数结果进行保存。
3.根据权利要求2所述的一种有限元/机器学习的橡胶皮球集流器结构优化方法，其特征在于：所述数据采集子系统的数据采集过程包括：建立柱塞式橡胶皮球集流器弹性件形变机理；基于双参数Mooney-Rivlin构建柱塞式橡胶皮球集流器有限元模型；采用单因素仿真分析获取橡胶皮球弹性件硬度、橡胶皮球弹性件表面摩擦系数、橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度对柱塞式橡胶皮球集流器的性能影响数据。
4.根据权利要求2所述的一种有限元/机器学习的橡胶皮球集流器结构优化方法，其特征在于：所述数据预处理子系统的数据预处理规则为：对橡胶皮球弹性件变形的有限元分析，在极个别注液压强值下，COMSOL求解器无法求解刚度矩阵，边界条件被破坏，集流器模型失效，因此这些数据是无效的；在橡胶皮球弹性件变形过程中，存在一个特殊的时间段，在所述时间段中增加注液压强后检测到橡胶皮球弹性件与柱塞式橡胶皮球集流器管道之间有足量液体，但橡胶皮球弹性件和套管之间的接触应力为0，计算得到的集流性能值K同样为0，这些数据是无效的；最后，25个集流器模型最终共获得930组数据。
5.根据权利要求2所述的一种有限元/机器学习的橡胶皮球集流器结构优化方法，其特征在于：所述特征集构造子系统的选择规则为将影响集流器集流性能的四个因素橡胶皮球弹性件硬度、橡胶皮球弹性件表面摩擦系数、橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度分为两类，第一类包括橡胶皮球弹性件硬度和橡胶皮球弹性件表面摩擦系数，第二类包括橡胶皮球弹性件厚度和橡胶皮球弹性件轴向长度；第一类通过单轴向拉伸实验获取描述材料性质的具体参数，可以忽略；对于第二类，橡胶皮球弹性件初始形状呈圆柱形，其几何模型的厚度和轴向长度在合理范围内能够以任意精度被设置为任意值，严重影响柱塞式橡胶皮球集流器性能，因此基于对存储空间和计算设备算力的考虑，选取橡胶皮球弹性件厚度4.5、5、5.5、6、6.5共五个数值，橡胶皮球弹性件轴向长度21、23、25、27、29共5个数值及相应的注液口压强为特征参数。
6.根据权利要求2所述的一种有限元/机器学习的橡胶皮球集流器结构优化方法，其特征在于：所述步骤S3特征提取及选择得到的特征参数为橡胶皮球弹性件厚度、橡胶皮球弹性件轴向长度和注液口压强。
7.根据权利要求2所述的一种有限元/机器学习的橡胶皮球集流器结构优化方法，其特征在于：所述步骤S4构建智能参数优化模型的具体过程为：
S4.1 确定输入参数：获取步骤S3得到的特征参数橡胶皮球弹性件厚度、橡胶皮球弹性件轴向长度及注液口压强构建m组输入特征集；
S4.2 确定输出参数：以集流性能、橡胶皮球弹性件内液体体积为输出特征集，同样构建m组输出特征集；
S4.3 构建智能参数优化模型
基于所述m组输入特征集及输出特征集和BP神经网络模型，构建智能参数优化模型，并进行训练和预测，具体训练过程为：
S4.3.1 建立待输入的学习样本，对数据进行预处理操作；
S4.3.2 初始化权值，建立神经网络结构：将学习样本中的输入变量的维度数定为输入层的神经元节点个数，然后将学习样本中的输出变量的维度数定为输出层的神经元节点个数，最后初始化网络权值；
S4.3.3 设置目标允许误差，学习率及最大迭代次数；
S4.3.4 计算正向传播各层的输出及逆向传播各层的误差；
S4.3.5 计算各个样本的累计误差，若每个样本均满足设定目标,则学习终止；当学习次数达到最大迭代次数时，学习同样终止；
S4.3.6 更新整个神经网络的权值和输入变量转至步骤S4.3.4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210619078.6A CN114970274B (zh) | 2022-06-01 | 2022-06-01 | 有限元/机器学习的橡胶皮球集流器结构优化系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210619078.6A CN114970274B (zh) | 2022-06-01 | 2022-06-01 | 有限元/机器学习的橡胶皮球集流器结构优化系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970274A true CN114970274A (zh) | 2022-08-30 |
| CN114970274B CN114970274B (zh) | 2024-04-09 |
Family
ID=82959994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210619078.6A Active CN114970274B (zh) | 2022-06-01 | 2022-06-01 | 有限元/机器学习的橡胶皮球集流器结构优化系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970274B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| US20150345275A1 (en) * | 2012-12-21 | 2015-12-03 | Subsea 7 Norway As | Subsea Processing of Well Fluids |
| CN105840177A (zh) * | 2016-04-11 | 2016-08-10 | 中国石油天然气股份有限公司 | 测井用自带液柱塞驱动式橡胶皮囊集流器 |
| CN109508498A (zh) * | 2018-11-14 | 2019-03-22 | 青岛科技大学 | 基于bp人工神经网络的橡胶减振器配方设计系统及方法 |
| US20210157959A1 (en) * | 2019-11-27 | 2021-05-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for optimizing battery designs in multiple dimensions |
| CN114382459A (zh) * | 2021-12-31 | 2022-04-22 | 燕山大学 | 一种用于水平井多相流多参数测量复合测井仪及测量方法 |
-
2022
- 2022-06-01 CN CN202210619078.6A patent/CN114970274B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150345275A1 (en) * | 2012-12-21 | 2015-12-03 | Subsea 7 Norway As | Subsea Processing of Well Fluids |
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN105840177A (zh) * | 2016-04-11 | 2016-08-10 | 中国石油天然气股份有限公司 | 测井用自带液柱塞驱动式橡胶皮囊集流器 |
| CN109508498A (zh) * | 2018-11-14 | 2019-03-22 | 青岛科技大学 | 基于bp人工神经网络的橡胶减振器配方设计系统及方法 |
| US20210157959A1 (en) * | 2019-11-27 | 2021-05-27 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for optimizing battery designs in multiple dimensions |
| CN114382459A (zh) * | 2021-12-31 | 2022-04-22 | 燕山大学 | 一种用于水平井多相流多参数测量复合测井仪及测量方法 |
Non-Patent Citations (2)
| Title |
|---|
| IVÁN MUÑOZ等: "Development of a failure detection tool using machine learning techniques for a large aperture concentrating collector at an industrial application in Chile", 《AIP CONF. PROC.》, 25 July 2019 (2019-07-25) * |
| 陈蕾;: "水平井油管输送产液剖面测井集流器的研制", 石油管材与仪器, no. 05, 25 October 2018 (2018-10-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970274B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107288617A (zh) | 一种提高抽油机井示功图量油精度的方法及系统 | |
| CN108509483A (zh) | 基于知识图谱的机械故障诊断知识库构建方法 | |
| WO2007089832A1 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
| CN111287740B (zh) | 基于真实应变下的异常高压气藏动态储量计算方法 | |
| CN108398249B (zh) | 预测密封圈剩余寿命的方法和装置、工程机械及服务器 | |
| Chen et al. | Using the motor power and XGBoost to diagnose working states of a sucker rod pump | |
| CN110206536A (zh) | 一种基于泵示功图的井口产液量采集方法 | |
| CN102268989A (zh) | 获取抽油机井动液面在线实时数据的方法以及系统 | |
| CN115860197A (zh) | 一种基于数据驱动的煤层气产量预测方法及系统 | |
| Tian et al. | A novel method for prediction of paraffin deposit in sucker rod pumping system based on CNN indicator diagram feature deep learning | |
| US11105670B2 (en) | Method for estimating a flow out of a fluid pump, associated calculation system and associated drilling installation | |
| CN114970274A (zh) | 有限元/机器学习的橡胶皮球集流器结构优化系统及方法 | |
| CN116415479A (zh) | 一种基于数字孪生的连续油管疲劳寿命预警方法 | |
| CA3184026A1 (en) | Waterflood management of production wells | |
| CN114239419A (zh) | 一种基于深度学习的井筒积液预测方法 | |
| CN113338881A (zh) | 波码通信智能配水器流量井下在线标定方法 | |
| CN114718861A (zh) | 基于深度学习的螺杆泵井工况智能诊断方法 | |
| CN111271049B (zh) | 一种有杆泵抽油井充满程度识别方法 | |
| CN117090831A (zh) | 具有孪生应用层的液压系统故障诊断框架 | |
| CN110486009A (zh) | 一种无限大地层的参数自动反求方法及系统 | |
| CN110685678A (zh) | 一种快速评价页岩气井产能的方法及装置 | |
| CN115238412B (zh) | 一种管柱挤压式橡胶集流器参数预测及优化系统 | |
| CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
| Wang et al. | Tracking the multi‐well surface dynamometer card state for a sucker‐rod pump by using a particle filter | |
| CN113756786B (zh) | 一种基于深度学习的抽油机井时序示功图预测方法 |
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 |