基于增强型数据驱动的机器学习方法在重庆页岩气田集输管道积液预测中的应用
《Flow Measurement and Instrumentation》:Augmented data-driven machine learning for liquid accumulation prediction in a gathering pipeline of chongqing shale gas field
【字体:
大
中
小
】
时间:2026年08月11日
来源:Flow Measurement and Instrumentation 3.3
编辑推荐:
摘要准确预测液体积聚量对于复杂山区页岩气集输管道的安全运行至关重要,它有助于优化清管周期并避免运行故障。传统的机械/经验模型普遍性较差,且需要繁琐的分段计算;而机器学习方法则依赖于缺乏极端工况的小规模现场数据,从而导致预测结果不可靠,还存在“黑箱”问题。为解决这一问题,本文提出了
摘要
准确预测液体积聚量对于复杂山区页岩气集输管道的安全运行至关重要,它有助于优化清管周期并避免运行故障。传统的机械/经验模型普遍性较差,且需要繁琐的分段计算;而机器学习方法则依赖于缺乏极端工况的小规模现场数据,从而导致预测结果不可靠,还存在“黑箱”问题。为解决这一问题,本文提出了一种结合OLGA物理模拟与MixUp插值的双路径数据增强策略,并利用五项每日监测的运行参数构建了一个可解释的框架,用于比较XGBoost、LightGBM和ANN三种模型的性能。实验结果表明,使用完全增强数据的XGBoost表现最佳,其测试集的决定系数(R2)为0.935,平均绝对误差为0.274立方米,均方根误差为0.353立方米。基于OLGA的物理增强方法能够提升所有三种模型的性能,而基于MixUp的算法增强方法仅对XGBoost有显著提升作用。通过部分依赖图和条件期望分析可知,增强数据有效纠正了小样本带来的认知偏差,使模型特征响应与气液两相流机制更为一致。该框架为液体积聚风险控制提供了可靠的物理依据,也为油气工程中的小样本数据驱动建模提供了参考。
引言
重庆页岩气田位于四川盆地东部,地形以喀斯特地貌和山区为主。穿越该区域的集输管道面临着巨大的高差变化,且管道表面布满沟壑。通常情况下,这类管道采用湿气或气液混合输送方式。随着开采周期的推进,单井产量迅速下降,气体携带液体的能力也逐渐减弱,因此在这些起伏的管道低洼处极易出现液体积聚现象。这可能导致段塞流、井口背压异常升高、紧急切断阀频繁动作以及管道严重腐蚀。定期清管是清除积聚液体的有效方法[1]。要科学确定清管周期、制定清管流程、合理选择清管器和清管数量,以及设计合适的终端集液装置,都离不开对液体积聚量的准确预测。
目前用于预测液体积聚量的方法主要包括经验/半经验模型以及基于现场经验的估算方法。经验模型和半经验模型是通过拟合简单倾斜管道的实验室实验数据,或将气液两相流机制转化为操作条件、几何参数与截面含液率之间的数学关系而建立的经典工程工具。常见的模型包括Eaton[2]、Beggs-Brill(BB)[3]、Taitel-Dukler(TD)[4]、Mukherjee-Brill(MB)[5]以及Xiao-Brill(XB)[6]等关联式。Eaton关联式最初是为水平管道设计的,应用于倾斜管道时需要进行角度修正[7]。这些模型本质上适用于具有单一倾角的直管段。而对于连续起伏的山区集输管道,则需根据倾角和管道直径的变化,先将管道划分为多个参数相同的直管段,再分别使用对应倾角的模型计算各段的含液率,最后通过沿管道长度的积分与求和得到总的液体积聚量。Zhao[8]和Liu[9]提出的多模型组合策略只能局部提高预测精度,无法克服源自简单管道实验室实验的模型固有局限,在分段积分模式下也难以避免误差累积和系统性偏差。基于现场经验的估算方法则依靠易于获取的运维数据以及工程经验。Zhu等人[10]建立了基于公式的天然气含水率计算方法,用于估算管道中的水含量。Xu等人[11]在Mcketta-Wehe方法的基础上,通过修正气相携液偏差,开发出了累积液体积聚模型。Xie等人[12]则将含液率模型与实测的清管数据相结合,拟合出了液体积聚量、气体集输量与压力差之间的实用关联式。Li等人[13]建立了液体积聚增量与压力差微增量之间的定量关系。Luo等人[14]则综合运用温度降、地形分析以及清管数据,反演出复杂起伏管道中的液体积聚量与位置。这些方法操作简单,适合现场应用,但也存在固有局限:大多数都是为特定管道设计的稳态经验关联式,其函数形式和拟合范围都是人为预设的,因此不适用于没有清管数据的新场景,也无法适应包含多参数非线性耦合的各类运行工况。在超出其校准范围的极端条件下,预测结果也容易出现严重偏差。
近年来,由于机器学习具备强大的非线性映射能力和数据驱动优势,其在集输管道液体积聚预测领域展现出巨大潜力。Chen等人[15]构建了适用于丘陵地区管道的基于机器学习的含液率预测模型,并通过SHAP分析确定了气油比和管道直径是影响预测的核心因素。Hong等人[16]利用OLGA生成的样本发现,随机森林和K最近邻算法在预测液体积聚位置方面的准确率可达到96%,同时他们也指出体积预测仍然面临挑战。Zhuang等人[17]通过寻优算法提升了BP神经网络的预测精度,He等人[18]则用拟合系数0.98261成功预测了延安气田的临界携液速度。目前大多数机器学习研究都集中在含液率、积聚位置和临界速度等中间参数上,而直接通过端到端预测来获得总液体积聚量的系统研究仍然较少。
本研究从气液两相流的实际运行特性出发,引入数据增强策略以提高模型预测性能。首先,对比分析了XGBoost、LightGBM和ANN三种机器学习算法的预测精度,确定了最适合用于集输管道网络液体积聚量预测的模型,并定量评估了数据增强对模型精度的实际提升效果。随后,借助部分依赖图和条件期望分析技术,研究了各关键运行参数对模型输出的影响规律,以及数据增强融合后的内部物理响应机制。
章节节选
管道概况
重庆页岩气田的目标集输管道起于203H5井场,终点为Zu 203区块的南气集输站。该管道总长度为5.14公里,外径为168.3毫米,壁厚为7.1毫米。管道沿线的高程分布如图1所示。管道在4.3–4.6公里处起伏较为明显,该段的高程差超过了40米,而
特征选择
特征选择是建立液体积聚量预测模型的基础。合理的特征集应既能反映液体积聚形成的物理机制,又要在工程实践中易于获取。基于气液两相流理论及现有研究成果,本研究选取了五个参数作为模型的输入特征,分别是管道流量、进口压力、出口压力、进口温度和出口温度。管道流量
数据统计分析
如图6所示,在大多数运行工况下,原始现场数据(红色)在局部区域呈现高度聚集现象,而极端工况下的数据则极为稀少。OLGA模拟数据(蓝色)则在物理约束条件下拓宽了核心参数的宏观范围,从而填补了这些数据空白。MixUp数据(橙色)进一步提升了高维特征空间的微观连续性,消除了离散间隙,使得参数区间更加密集。通过
结论
为解决复杂山区集输管道液体积聚预测中存在的现场样本量小、缺乏极端工况数据以及传统方法普遍性差等问题,本研究提出了一种结合物理模拟与算法插值的双路径数据增强构建策略,同时建立了一个兼具高精度与物理可解释性的机器学习预测框架。通过多种
CRediT作者贡献说明
李悦:资源提供、论文撰写——审阅与编辑。龚静:调研工作、项目管理。崔松杰:方法设计、论文撰写——初稿撰写。王国驰:可视化处理。刘武:指导监督。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
作者感谢重庆页岩气勘探开发有限公司提供的现场数据与运营支持,同时也对西南石油大学石油与天然气工程学院的技术援助表示衷心感谢。
李悦|龚静|崔松杰|王国驰|刘武
中国重庆市401120,重庆页岩气勘探开发有限公司
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号