視粘度

視粘度即流體的有效粘度，是含水原油的溫度、含水率以及剪下速率的函式。

含水原油的視粘度是含水原油管道工藝計算過程中的重要參數之一,在油田管道的管徑選取、機泵選擇中起著重要的作用。

基本介紹

• 中文名：視粘度
• 外文名：apparent viscosity
• 領域：石油
• 基本釋義：流體的有效粘度
• 單位：帕斯卡*秒
• 套用：含水原油管道工藝計算

原油視粘度隨含水率變化規律

粘度是表征流體流動性能的重要物理參數。在通常情況下,原油及其乳狀液不符合牛頓粘滯定律,是一種非牛頓流體,其粘度不僅與溫度有關,而且還與剪速、含水率和乳狀液的分散度等因素有關,這種情況下的粘度叫視粘度。

由圖1可見,在不同剪速的條件下,原油視粘度隨含水率的增加呈相同的變化趨勢,即原油視粘度先隨著含水率的增加而類升,在含水率達到臨界值勢時,原油視粘度最大,然後原油視粘度又隨著含水率的繼續增加而下降;在相同含水的條件下,原油視粘度還隨剪速的增加而下降。

圖一

另外,從不同溫度條件下的原油稠度係數(表示原油的粘稠程度)與含水率的變化關係(見圖2)可以看出,同原油視粘度隨含水率的變化規律相對應,在不同的溫度條件下,原抽稠度係數隨著含水率的增加亦呈相同的變化趨勢;在相同含水率的條件下,原油的稠度係數還隨著溫度的增加而減小,但在含水率超過臨界值以後,溫度對原油稠度係數的影響越來越小。

圖二

根據在油井生產狀態下測得的試驗數據`並經反算得到的油氣水三相流視粘度與含水率的關係(見圖3),管輸中油氣水三相流的視粘度與含水率的變化關係同室內實驗測試的結果非常類似。

圖三

油水乳狀液視粘度與剪下速率的關係

從圖(a)35℃時的曲線可以看出,隨著剪下速率的增大,含水原油視粘度不斷降低,且非常明顯。在溫度較高時(如45℃或50℃),這種變化較小。因而當井口油溫較高時,視粘度對流速影響不大,而溫度低時影響較大,並導致流動壓力損失增大。從圖(b)中可以看出,當油溫為50℃時,在高剪下速率下,如800 s- 1以後,曲線接近直線,呈現出一定的牛頓型流體特性。

油水乳狀液視粘度與油溫的關係

圖(a)和圖(b)分別是原油含水率為65.2%和85.1%時原油視粘度與油溫的關係曲線。在同一剪下速率下隨著油溫的增大,原油視粘度不斷降低。當油溫低於45℃時,原油視粘度隨著油溫的變化比較大,當油溫高於45℃時,原油視粘度隨著油溫的變化不大,曲線接近直線。

含水原油的視粘度計算

基於神經網路的計算模型建模思路

利用BP神經網路進行含水原油視粘度計算。輸入層有N個節點對應BP網路的N個輸入,輸出層有L個節點,對應BP網路的L個輸出,隱層節點數M可以根據需要設定。對於(X(k),Y(k))(k= 0,… ,p)一類有限數目二值模式對,如果將輸入樣本空間X(k)表示成X(k)=(x(k)1,… ,x(k)N),輸出樣本空間Y(k)=(y(k)1,… , y(k)L),且x(k)i∈ R、y(k)i∈ R,則BP網路預測模型就可以實現預定的向量空間映射,即X(k)※Y(k)。令輸入層節點xi到隱層節點zi的連線權為w1ij,隱層節點zj到輸出層節點yk的連線權為w2jk,隱層節點的閾值為w10j,輸出層節點的閾值為w20k,且x0= 1、z0= 1。隨機賦於w1ij、w2jk一個較小的值,選擇神經元的變換函式為S形函式,即f(x)=1/(1+ e- x),則有:zj= f(∑Ni= 0w1ijxi)　j= 1,2,… ,M (1)yk= f(∑Mj= 0w2jkzj)　k= 1,2,… ,L (2)計算輸出層節點輸出值yk與期望輸出值y(0)k的誤差δ2jk,並向隱層反向傳播誤差δ1ij,即:

δ2jk= yk(1- yk)(y0k- yk) (3)

δ1ij= zj(1- zj)∑Lk= 1δ2jkw2jk(t) (4)

利用式(5)和式(6)調整w1ij和w2jk:

w2jk(t+ 1)= w2jk(t)+ηδ2jkzj

+α(w2jk(t)- w2jk(t- 1)) (5)

w1ij(t+ 1)= w1ij(t)+ηδ1ijzj

+α(w1ij(t)- w1ij(t- 1)) (6)

反覆逼近,直到輸出誤差小於給定的精度

含水原油視粘度計算模型的建立

根據Kolmogorov定理,三層BP網路可以逼近任意連續的非線性映射,所以,BP網路建模的實質就是如何正確選定網路的各層節點數。根據試驗研究結果,高含水原油的視粘度與溫度、含水率以及剪下速率有關,因此選擇溫度、含水率以及剪下速率作網路輸入節點,即輸入層節點數取3,輸出層節點數取1,即高含水原油的視粘度。隱含層節點表達了網路輸入與輸出之間的非線性程度,但是至今沒有統一的選擇標準,隱含層及節點數的選擇影響著預測值和實際值的非線性擬合程度。隱含層節點個數增加,可使非線性最佳化問題的可調參數增加,網路記憶能力加強,可得到更精確的解,但大大降低了網路的學習速度。隱含層節點個數過少會造成網路收斂到局部極小點,最佳隱含層節點個數由試驗和經驗得出。經過反覆測試,隱含層節點個數選10個,使網路有較好的預報效果。為了更準確地模擬高含水原油的視粘度與溫度、含水率以及剪下速率的關係,以反相點為界,將反相點前的乳狀液的試驗數據作為網路學習樣本,建立了一個基於神經網路的高含水原油的視粘度的計算模型,該網路模型適合反相點前的乳狀液的視粘度計算;將反相點後的乳狀液的試驗數據作為網路學習樣本,建立了另一個基於神經網路的高含水原油的視粘度的計算模型,該網路模型適合反相點後的乳狀液的視粘度計算。在建立計算模型時,將部分試驗數據作為網路學習樣本(留一部分試驗數據作為檢驗樣本,用來驗證模型的精度),採用帶動向量的學習率自適應調整法進行網路學習。網路通過對樣本的學習,對網路的權值和閾值進行調整,不斷獲取各種影響因素對高含水原油視粘度的非線性影響知識,並將其分布儲存在網路的連線權上,最終能將各種影響因素與高含水原油視粘度這一目標函式之間複雜的非線性關係知識以ANN特有的方式———連線權數字矩陣的形式記錄下來,從而可以實現由輸入模式到輸出模式的任意非線性映射,實現各種因素非線性影響下的高含水原油的視粘度計算。