[发明专利]一种往复式混输泵流率的主动建模与预测方法

说明书

本发明公开了一种往复式混输泵流率的主动建模与预测方法，包括以下步骤：1)确定模型输入和输出变量，收集M种典型工况的少量样本集S，得到M个样本子集；2)基于局部GPR提供的预测不确定度信息的变化，对上述每个样本子集单独进行学习训练；(3)基于M个已完成学习过程的训练样本集，建立往复式混输泵流率的全局GPR模型，并对新工况下每个样本点进行预测，获得新工况下的流率曲线。本发明通过采用上述技术，实现对混输工况下往复式混输泵流率的建模和预测。相比CFD建模过程对设计者经验水平的依赖性，及数据驱动经验模型从大量实验数据中获取有用动态信息的传统方法，该方法提供了一种适合少量建模样本，且工程上容易实施的方法。

技术领域

本发明涉及往复式混输泵设计阶段重要参数建模和预测方法，特别涉及一种适合复杂频变油气混输工况下，往复式混输泵流率的主动建模与预测方法。

背景技术

往复式混输泵兼具泵和压缩机的功能，能同时输送气液混合介质，有效增加石油开采过程中油和天然气的产量。混输工况下，泵处于油、气、水等多相混合物变比例并存的输送状态，泵内产生的非均相流频变冲击载荷，会诱发进出口阀的开启、关闭滞后现象。如说明书附图1所示，由于气体可压缩和液体不可压缩特性，进口阀的开启滞后将导致泵腔流率缓慢上升至最大吸入流率，而后保持一段至缓慢下降；出口阀的开启滞后将导致泵腔流率快速上升到最大排出流率，而后波动恢复至正弦变化；进口和出口阀的关闭滞后会产生短暂而较小的回流。可见，油气混输工况下，往复式泵一个冲程的泵腔流率曲线随曲柄转角变化，依次出现零流段、吸入段、回流段、零流段、排出段和回流段；各阶段具有不同的局部特性；两个连续阶段之间的过渡段对应阀的启闭瞬间，具有更加复杂的流动特性；整条流率曲线呈现复杂的时变和非线性特性；不同混输工况下，流率曲线还有不同的过程特性。这些现象是加剧流量脉动，诱发噪声、振动，降低泵效的主要原因之一。因此，研究往复式混输泵流率特性与油气混输工况间相互关系，对指导混输泵工程设计，确保其稳定运行具有重要意义。

作为一种新近使用的混输泵型，针对往复式油气混输泵流量特性开展的研究很少。张生昌等借助CFD建模工具，得到了几种混输工况下泵的流率，并对其流量脉动特性进行了研究。然而，上述研究未考虑泵的泄漏和能量损失，且将泵内流型减化为均相流，不足以描述混输泵内频变复杂的流动特性。此外，动态网格的划分，多相流和湍流模型的选择，用户自定义函数等CFD建模过程，都高度依赖研究和设计者的经验。考虑这些因素，刘毅等借助数据驱动高斯过程回归(GPR)经验模型，描述了不同混输工况下，往复式油气混输泵排出流率特性。跟CFD建模过程相比，数据驱动经验模型不需要实质性的了解复杂的内部现象，不需要过多的依赖设计者的经验，具有通用性较强的优势，为多相混输泵排出流率的建模和预测提供了一种新方法。然而，跟排出流率曲线相比，包含吸入和排出过程的整条流率曲线，呈现更加复杂而快速的非线性时变特性，需要更多的建模数据。鉴于现有多相流量计产品存在造价昂贵、测量滞后等局限，采用从大量实验数据中获取有用动态信息的传统方法，来提高数据驱动经验模型的预测性能十分困难。因此，必须建立一种主动寻求有效训练数据的建模方法，用少量的包含重要信息的建模数据架构一种准确度较高的数据驱动经验模型。

跟其他数据驱动经验模型不同，GPR模型能同时为预测值提供不确定度信息，用来评价模型预测性能的优劣。由于整条流率曲线具有多阶段非线性时变特性，若取曲线上的少量样本作为一个训练集，GPR模型的预测不确定度信息可为每个训练样本拟合的准确性提供评价依据。进一步，鉴于少量的样本不足以描述过渡段更加复杂的流动特性，此区域训练样本的预测不确定度信息应该有相对大的变化。这个有用信息，可为主动寻求有效训练数据的建模方法提供依据。最后，对于预测不确定度信息变化较大的区域，可通过在该区域增加有用信息的训练数据提高学习能力。这种基于GPR预测不确定度的变化，主动增加训练数据的建模方法，可以有效地描述整个复杂过程特性，提高GPR模型的预测性能。然而，经文献检索发现，GPR预测不确定度的变化用于主动获取训练数据的建模方法，从未用于往复式混输泵的流率特性研究。

发明内容

本发明要克服现有技术的上述缺点，提供一种往复式混输泵流率的主动建模与预测方法，以适应复杂频变的油气混输工况。