[發明專利]一種原油的全粘溫曲線確定方法及系統

有效

• 申請號: 202010766855.0
• 申請日: 2020-08-03
• 公開（公告）號: CN111898088B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 姚博;張健銘;李傳憲;楊飛;孫廣宇
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06F17/17
• 分類號: G06F17/17;G06F17/18;G06F30/20;G01N11/00;G06N3/006;G06N3/08
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王立普

1.一種原油的全粘溫曲線確定方法，其特征在于，包括：

獲取原油的密度值和凝點值；

根據所述密度值和所述凝點值采用原油牛頓流體粘溫系數預測模型，確定牛頓流體狀態粘溫系數；所述原油牛頓流體粘溫系數預測模型是依據量子粒子群優化算法和廣義回歸神經網絡建立而成；

獲取原油的蠟含量；

根據所述牛頓流體狀態粘溫系數和所述蠟含量采用原油非牛頓流體粘溫系數預測模型，確定非牛頓流體狀態粘溫系數；所述原油非牛頓流體粘溫系數預測模型是依據量子粒子群優化算法和廣義回歸神經網絡建立而成；

獲取原油溫度集合；所述原油溫度集合中包括不同的溫度值；

從所述原油溫度集合中選取溫度值大于原油反常點溫度值，作為原油牛頓流體溫度集合；

從所述原油溫度集合中選取溫度值小于或等于原油反常點溫度值，作為原油非牛頓流體溫度集合；

根據所述原油牛頓流體溫度集合和所述牛頓流體狀態粘溫系數確定原油牛頓流體溫度區間粘溫曲線；

根據所述原油非牛頓流體溫度集合和所述非牛頓流體狀態粘溫系數確定原油非牛頓流體溫度區間粘溫曲線。

2.根據權利要求1所述的原油的全粘溫曲線確定方法，其特征在于，所述原油牛頓流體粘溫系數預測模型獲取過程具體包括：

獲取原油樣本密度值集合和原油樣本凝點值集合；所述原油樣本密度值集合中包括每個原油樣本的密度值；所述原油樣本凝點值集合中包括每個原油樣本的凝點值；

將所述原油樣本密度值集合和所述原油樣本凝點值集合輸入到第一廣義回歸神經網絡中，得到第一均方根誤差；

判斷第一迭代次數是否小于第一預設迭代次數，得到第一判斷結果；

若所述第一判斷結果表示第一迭代次數小于第一預設迭代次數，采用量子粒子群優化算法對所述第一廣義回歸神經網絡中的超參數進行調整，將調整后的廣義回歸神經網絡更新為第一廣義回歸神經網絡，并返回步驟“將所述原油樣本密度值集合和所述原油樣本凝點值集合輸入到第一廣義回歸神經網絡中，得到第一均方根誤差”；

若所述第一判斷結果表示第一迭代次數大于或等于第一預設迭代次數，選取第一均方根誤差值最小時對應的第一廣義回歸神經網絡作為原油牛頓流體粘溫系數預測模型。

3.根據權利要求2所述的原油的全粘溫曲線確定方法，其特征在于，所述原油非牛頓流體粘溫系數預測模型獲取過程具體包括：

將所述原油樣本密度值集合和所述原油樣本凝點值集合輸入到所述原油牛頓流體粘溫系數預測模型中，得到原油樣本牛頓流體狀態粘溫系數集合；

獲取原油樣本蠟含量集合；所述原油樣本蠟含量集合中包括每個原油樣本的蠟含量值；

將所述原油樣本牛頓流體狀態粘溫系數集合和所述原油樣本蠟含量集合輸入到第二廣義回歸神經網絡中，得到第二均方根誤差；

判斷第二迭代次數是否小于第二預設迭代次數，得到第二判斷結果；

若所述第二判斷結果表示第二迭代次數小于第二預設迭代次數，采用量子粒子群優化算法對所述第二廣義回歸神經網絡中的超參數進行調整，將調整后的廣義回歸神經網絡更新為第二廣義回歸神經網絡，并返回步驟“將所述原油樣本牛頓流體狀態粘溫系數集合和所述原油樣本蠟含量集合輸入到第二廣義回歸神經網絡中，得到第二均方根誤差”；

若所述第二判斷結果表示第二迭代次數大于或等于第二預設迭代次數，選取第二均方根誤差值最小時對應的第二廣義回歸神經網絡作為原油非牛頓流體粘溫系數預測模型。

4.根據權利要求1所述的原油的全粘溫曲線確定方法，其特征在于，所述根據所述原油牛頓流體溫度集合和所述牛頓流體狀態粘溫系數確定原油牛頓流體溫度區間粘溫曲線，具體包括：

根據公式μ₁＝aT₁²+bT₁+c確定原油牛頓流體溫度區間粘溫曲線；

其中，μ₁為在溫度T₁時的粘度，a,b,c均為牛頓流體狀態粘溫系數，T₁為原油牛頓流體溫度集合中的溫度值。