基于Petro-SIM过程模拟与机器学习的GOSP温度依赖稳定液体回收筛选及九类回归模型对比

《Results in Engineering》：Temperature-Dependent Liquid-Recovery Screening in GOSPs Using Process Simulation and Machine Learning

　　

研究人员采用过程模拟与机器学习（Machine Learning, ML）对气油分离厂（Gas-Oil Separation Plant, GOSP）中的温度依赖液体回收进行筛选。Petro-SIM由285,200个名义工况生成283,714个收敛工况。对收敛后样本进行随机50%抽样，保留141,857个工况用于ML。在相同模拟响应数据集上比较九类回归模型族。神经网络（Neural Network）与平方指数高斯过程回归（squared-exponential Gaussian Process Regression, GPR）给出最低测试均方根误差（Root-Mean-Square Error, RMSE）值。较高环境温度（Ambient Temperature, T_a）使优选的局部低压分离器（Low-Pressure Separator, LPS）压力区域向更高压力方向移动。

研究背景方面，气油分离厂（Gas-Oil Separation Plant, GOSP）用于将多相井流处理为稳定原油、产出气和分离水。典型设施包含多级三相分离、加热与处理、脱盐、原油稳定、气体处理和储罐储存等单元。由于这些单元在热力学和水力学上耦合，单一操作变量变化可影响液体收率、产品挥发性、气体负荷和下游公用工程需求。许多设施长期采用固定分离器压力和稳定器温度设定点，未显式考虑季节性及昼夜环境温度（T_a）变化；而环境温度会改变热损失、平衡相行为和闪蒸气生成。因此，环境温度感知优化可能改善稳定液体产量，但设定点必须满足原油质量、设备、安全和气体处理限制。工厂级优化较独立单元优化更合适，因为高压分离器（High-Pressure Separator, HPS）、LPS、稳定器、气体压缩系统和储存条件相互作用。原油稳定旨在脱除足够轻烃，以满足安全储存和运输所需蒸气压规格，同时最大化储罐烃回收；丁烷尤其是i-C₄和n-C₄对原油挥发性影响显著，稳定过程需在脱除C₁-C₃与保留C₄、C₅及更重组分之间平衡。此前已有环境温度感知分离器优化、神经网络预测和顾问概念报道，因此本研究的工程贡献较窄：在相同数据上比较九类回归模型族，明确稀疏GPR公式，对压力-温度响应进行热力学解释，并批判性评估模拟与验证记录不完整所带来的限制。

研究人员开展了基于Petro-SIM稳态模型的GOSP模拟与机器学习代理模型比较。模型使用Peng-Robinson状态方程和固定进料组成，流程包括三相HPS、三相LPS、与环境热交换、气体处理和五层稳定器。操纵变量为HPS压力、LPS压力、稳定器再沸器温度（Reboiler Temperature, RebT）和环境温度。边界与步长形成285,200个名义组合，其中1,486个未收敛，最终得到283,714个收敛工况；随机50%抽样后保留141,857个工况用于ML。九类回归模型在MATLAB R2021a Regression Learner中训练，采用五折交叉验证和独立测试评估。研究结论为：神经网络和平方指数GPR报告最低测试RMSE值，分别为4.88和6.42 STBD；在局部比较窗口中，LPS坐标随环境温度升高从约60 psig增至95 psig；GPR采用2,000点活动集的稀疏形式，神经网络训练更快。其意义在于提供一种环境温度感知GOSP筛选的模拟-代理模型方法框架，但结果限于合成稳态数据和单一固定进料，未进行独立工厂验证，不能直接视为销售质量或安全约束下的最优操作设定点。

关键技术方法概括如下：采用Petro-SIM稳态过程模拟，Peng-Robinson状态方程；流程含三相HPS、三相LPS、环境热交换、气体处理和五层稳定器。操纵变量为HPS压力、LPS压力、再沸器温度和环境温度；边界与步长形成285,200个名义组合，1,486个未收敛，283,714个收敛；随机50%子样本保留141,857个案例用于机器学习。样本来源为Petro-SIM Case Study Tool生成的模拟数据，无独立工厂或基准验证。使用MATLAB R2021a Regression Learner比较九类回归；神经网络为1隐藏层100单元、迭代上限1000；GPR采用常量基函数、平方指数核、输入标准化和子集数据拟合，活动集2,000点，Sigma=0.0018，长度尺度4.1784，σ_f=5.2519。

研究结果部分，按原文小标题归纳如下。1. Introduction：介绍GOSP将多相井流处理为稳定原油、气体和水的背景，并指出固定设定点未考虑环境温度变化。2. Literature Review：将既往研究分为分离器优化、工厂级过程优化和数据驱动顾问或代理建模三类；最接近的先前工作已结合环境温度变化与人工智能，如Elshafei and Doklah（2014）、Gajbhiye et al.（2023）、AL-Dogail et al.（2022）、Andreasen（2020）和Olsen et al.（2021），因此环境温度优化或ML顾问概念本身并非全新。3. Methodology：3.1 Simulation and Data Generation说明模型组成、进料、操作变量范围和数据生成；“液体回收”指Petro-SIM中标为“Stabilized Crude”出口的体积流量，单位为STBD，并非无因次回收率；报告设定点为研究窗口内液体率最优，而非经验证的销售质量或安全约束最优。3.2 Artificial Intelligence (AI) Regression说明保留数据集含141,857个稳态模拟案例、四个预测变量和一个响应；九类回归在MATLAB Regression Learner中训练；随机划分使相邻网格点相关，未来应以完整环境温度块作为独立留出。3.3 Neural-network and Gaussian-process training details说明神经网络为1隐藏层100单元、迭代上限1000；GPR使用常量基函数、平方指数核、输入标准化和子集数据拟合。4. Results and Discussion显示，在HPS=550 psig、RebT=60°C的局部比较窗口中，Petro-SIM局部LPS由15°C约60 psig升至45°C约95 psig；GPR对LPS的平均绝对误差（Mean Absolute Error, MAE）为1.00 psig、最大误差2 psig，神经网络MAE为2.43 psig、最大误差6 psig，Quadratic SVM MAE为5.86 psig、最大误差20 psig。回归性能比较中，线性和线性支持向量机（Support Vector Machine, SVM）误差最大，神经网络和平方指数GPR测试RMSE最小；神经网络测试RMSE为4.88 STBD，相对于研究域内约600 STBD的液体产量总变化低于1%。计算性能方面，神经网络每设定点预测约1.38 ms、内存约1.34 MB；GPR约389 ms、内存约1,890.78 MB；神经网络训练636 s，GPR训练34.8 h。响应面显示响应沿LPS轴比沿HPS轴更明显，较高环境温度下脊向更高LPS压力移动。5. Discussion指出，模拟表明环境温度实质改变优选LPS操作区域，该位移方向热力学合理：温度升高倾向于增大K_i=y_i/x_i，促进闪蒸；压力升高倾向于降低K_i，使更多物质保留在液相；较高LPS压力可补偿较暖物流，较低LPS压力通常加剧闪蒸。神经网络与稀疏平方指数GPR给出最小测试RMSE，神经网络训练明显快于GPR。主要局限是仅使用合成稳态数据和单一固定进料；研究价值在于同一报告条件下对模型族进行受控比较，并说明设定点保真度必须与全局预测分开评估。6. Conclusions and Recommendations的主要结论翻译为：主要发现及其工程意义为：第一，该研究分析了15–45°C范围内141,857个Petro-SIM案例；所报告边界意味着285,200个名义组合。第二，七个所报告局部切片显示，LPS坐标在15至45°C之间从约60 psig增至95 psig，而HPS与再沸器坐标在该受限窗口内分别保持550 psig与60°C；该方向与压力抑制温度驱动闪蒸一致。第三，在原始报告划分下，神经网络与平方指数GPR给出最低测试RMSE值，分别为4.88和6.42 STBD。第四，所报告GPR设置包括2,000点活动集，支持稀疏而非精确全数据GPR公式；在所报告运行中，神经网络训练更快。未来工作应量化对水分数/气油比（Gas-Oil Ratio, GOR）/C₇₊和传热的敏感性，并在完整留出温度区块及独立工厂或基准数据上验证最终模型。