一种原油的全粘温曲线确定方法及系统[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202010766855.0
(22)申请日 2020.08.03
(71)申请人 中国石油大学（华东）
地址 266580 山东省东营市北二路271号
(72)发明人 姚博　张健铭　李传宪　杨飞　
孙广宇　
(74)专利代理机构 北京高沃律师事务所 11569
代理人 王立普
(51)Int.Cl.
G06F 17/17(2006.01)
G06F 17/18(2006.01)
G06F 30/20(2020.01)
G06N 3/00(2006.01)
G06N 3/08(2006.01)
G01N 11/00(2006.01)
(54)发明名称
一种原油的全粘温曲线确定方法及系统
(57)摘要
本发明涉及一种原油的全粘温曲线确定方
法及系统，包括：获取原油的密度值和凝点值；根
据上述值采用原油牛顿流体粘温系数预测模型，
确定牛顿流体状态粘温系数；根据牛顿流体状态
粘温系数和蜡含量采用原油非牛顿流体粘温系
数预测模型，确定非牛顿流体状态粘温系数；从
原油温度集合中选取温度值大于原油反常点温
度值，作为原油牛顿流体温度集合；剩余的作为
原油非牛顿流体温度集合；根据原油牛顿流体温
度集合和牛顿流体状态粘温系数确定原油牛顿
流体温度区间粘温曲线；根据原油非牛顿流体温
度集合和非牛顿流体状态粘温系数确定原油非
牛顿流体温度区间粘温曲线。

通过本发明的上述
方法得到原油的全粘温曲线，保证了原油管道输
送与储存的安全性。

权利要求书4页 说明书13页 附图3页CN 111898088 A 2020.11.06
C N 111898088
A
1.一种原油的全粘温曲线确定方法，其特征在于，包括：
获取原油的密度值和凝点值；
根据所述密度值和所述凝点值采用原油牛顿流体粘温系数预测模型，确定牛顿流体状态粘温系数；所述原油牛顿流体粘温系数预测模型是依据量子粒子群优化算法和广义回归神经网络建立而成；
获取原油的蜡含量；
根据所述牛顿流体状态粘温系数和所述蜡含量采用原油非牛顿流体粘温系数预测模型，确定非牛顿流体状态粘温系数；所述原油非牛顿流体粘温系数预测模型是依据量子粒子群优化算法和广义回归神经网络建立而成；
获取原油温度集合；所述原油温度集合中包括不同的温度值；
从所述原油温度集合中选取温度值大于原油反常点温度值，作为原油牛顿流体温度集合；
从所述原油温度集合中选取温度值小于或等于原油反常点温度值，作为原油非牛顿流体温度集合；
根据所述原油牛顿流体温度集合和所述牛顿流体状态粘温系数确定原油牛顿流体温度区间粘温曲线；
根据所述原油非牛顿流体温度集合和所述非牛顿流体状态粘温系数确定原油非牛顿流体温度区间粘温曲线。

2.根据权利要求1所述的原油的全粘温曲线确定方法，其特征在于，所述原油牛顿流体粘温系数预测模型获取过程具体包括：
获取原油样本密度值集合和原油样本凝点值集合；所述原油样本密度值集合中包括每个原油样本的密度值；所述原油样本凝点值集合中包括每个原油样本的凝点值；
将所述原油样本密度值集合和所述原油样本凝点值集合输入到第一广义回归神经网络中，得到第一均方根误差；
判断第一迭代次数是否小于第一预设迭代次数，得到第一判断结果；
若所述第一判断结果表示第一迭代次数小于第一预设迭代次数，采用量子粒子群优化算法对所述第一广义回归神经网络中的超参数进行调整，将调整后的广义回归神经网络更新为第一广义回归神经网络，并返回步骤“将所述原油样本密度值集合和所述原油样本凝点值集合输入到第一广义回归神经网络中，得到第一均方根误差”；
若所述第一判断结果表示第一迭代次数大于或等于第一预设迭代次数，选取第一均方根误差值最小时对应的第一广义回归神经网络作为原油牛顿流体粘温系数预测模型。

3.根据权利要求2所述的原油的全粘温曲线确定方法，其特征在于，所述原油非牛顿流体粘温系数预测模型获取过程具体包括：
将所述原油样本密度值集合和所述原油样本凝点值集合输入到所述原油牛顿流体粘温系数预测模型中，得到原油样本牛顿流体状态粘温系数集合；
获取原油样本蜡含量集合；所述原油样本蜡含量集合中包括每个原油样本的蜡含量值；
将所述原油样本牛顿流体状态粘温系数集合和所述原油样本蜡含量集合输入到第二广义回归神经网络中，得到第二均方根误差；
判断第二迭代次数是否小于第二预设迭代次数，得到第二判断结果；
若所述第二判断结果表示第二迭代次数小于第二预设迭代次数，采用量子粒子群优化算法对所述第二广义回归神经网络中的超参数进行调整，将调整后的广义回归神经网络更新为第二广义回归神经网络，并返回步骤“将所述原油样本牛顿流体状态粘温系数集合和所述原油样本蜡含量集合输入到第二广义回归神经网络中，得到第二均方根误差”；
若所述第二判断结果表示第二迭代次数大于或等于第二预设迭代次数，选取第二均方根误差值最小时对应的第二广义回归神经网络作为原油非牛顿流体粘温系数预测模型。

4.根据权利要求1所述的原油的全粘温曲线确定方法，其特征在于，所述根据所述原油牛顿流体温度集合和所述牛顿流体状态粘温系数确定原油牛顿流体温度区间粘温曲线，具体包括：
根据公式μ1＝aT12+bT1+c确定原油牛顿流体温度区间粘温曲线；
其中，μ1为在温度T1时的粘度，a,b,c均为牛顿流体状态粘温系数，T1为原油牛顿流体温度集合中的温度值。

5.根据权利要求1所述的原油的全粘温曲线确定方法，其特征在于，所述根据所述原油非牛顿流体温度集合和所述非牛顿流体状态粘温系数确定原油非牛顿流体温度区间粘温曲线，具体包括：
根据公式确定原油非牛顿流体温度区间粘温曲线；
其中，μ2为在温度T2时的粘度，n′＝fT2+g，d,e,f,g均为非牛顿流体状态粘温系数，K为稠度系数，n′为流变行为指数，γ为剪切速率，T2为原油非牛顿流体温度集合中的温度值。

6.一种原油的全粘温曲线确定系统，其特征在于，包括：
原油密度值和凝点值获取模块，用于获取原油的密度值和凝点值；
牛顿流体状态粘温系数确定模块，用于根据所述密度值和所述凝点值采用原油牛顿流体粘温系数预测模型，确定牛顿流体状态粘温系数；所述原油牛顿流体粘温系数预测模型是依据量子粒子群优化算法和广义回归神经网络建立而成；
原油蜡含量获取模块，用于获取原油的蜡含量；
非牛顿流体状态粘温系数确定模块，用于根据所述牛顿流体状态粘温系数和所述蜡含量采用原油非牛顿流体粘温系数预测模型，确定非牛顿流体状态粘温系数；所述原油非牛顿流体粘温系数预测模型是依据量子粒子群优化算法和广义回归神经网络建立而成；
原油温度集合获得模块，用于获取原油温度集合；所述原油温度集合中包括不同的温度值；
原油牛顿流体温度集合选取模块，用于从所述原油温度集合中选取温度值大于原油反常点温度值，作为原油牛顿流体温度集合；
原油非牛顿流体温度集合选取模块，用于从所述原油温度集合中选取温度值小于或等于原油反常点温度值，作为原油非牛顿流体温度集合；
原油牛顿流体温度区间粘温曲线确定模块，用于根据所述原油牛顿流体温度集合和所述牛顿流体状态粘温系数确定原油牛顿流体温度区间粘温曲线；
原油非牛顿流体温度区间粘温曲线确定模块，用于根据所述原油非牛顿流体温度集合
和所述非牛顿流体状态粘温系数确定原油非牛顿流体温度区间粘温曲线。

7.根据权利要求6所述的原油的全粘温曲线确定系统，其特征在于，所述原油牛顿流体粘温系数预测模型获取过程具体包括：
原油样本密度值集合和原油样本凝点值集合获取单元，用于获取原油样本密度值集合和原油样本凝点值集合；所述原油样本密度值集合中包括每个原油样本的密度值；所述原油样本凝点值集合中包括每个原油样本的凝点值；
第一均方根误差获得单元，用于将所述原油样本密度值集合和所述原油样本凝点值集合输入到第一广义回归神经网络中，得到第一均方根误差；
第一判断单元，用于判断第一迭代次数是否小于第一预设迭代次数，得到第一判断结果；
第一参数调节单元，用于若所述第一判断结果表示第一迭代次数小于第一预设迭代次数，采用量子粒子群优化算法对所述第一广义回归神经网络中的超参数进行调整，将调整后的广义回归神经网络更新为第一广义回归神经网络，并返回所述第一均方根误差获得单元；
原油牛顿流体粘温系数预测模型确定单元，用于若所述第一判断结果表示第一迭代次数大于或等于第一预设迭代次数，选取第一均方根误差值最小时对应的第一广义回归神经网络作为原油牛顿流体粘温系数预测模型。

8.根据权利要求7所述的原油的全粘温曲线确定系统，其特征在于，所述原油非牛顿流体粘温系数预测模型获取过程具体包括：
原油样本牛顿流体状态粘温系数集合获得单元，用于将所述原油样本密度值集合和所述原油样本凝点值集合输入到所述原油牛顿流体粘温系数预测模型中，得到原油样本牛顿流体状态粘温系数集合；
原油样本蜡含量集合获取单元，用于获取原油样本蜡含量集合；所述原油样本蜡含量集合中包括每个原油样本的蜡含量值；
第二均方根误差获得单元，用于将所述原油样本牛顿流体状态粘温系数集合和所述原油样本蜡含量集合输入到第二广义回归神经网络中，得到第二均方根误差；
第二判断单元，用于判断第二迭代次数是否小于第二预设迭代次数，得到第二判断结果；
第二参数调节单元，用于若所述第二判断结果表示第二迭代次数小于第二预设迭代次数，采用量子粒子群优化算法对所述第二广义回归神经网络中的超参数进行调整，将调整后的广义回归神经网络更新为第二广义回归神经网络，并返回所述第二均方根误差获得单元；
原油非牛顿流体粘温系数预测模型确定单元，用于若所述第二判断结果表示第二迭代次数大于或等于第二预设迭代次数，选取第二均方根误差值最小时对应的第二广义回归神经网络作为原油非牛顿流体粘温系数预测模型。

9.根据权利要求6所述的原油的全粘温曲线确定系统，其特征在于，所述原油牛顿流体温度区间粘温曲线确定模块具体包括：
原油牛顿流体温度区间粘温曲线确定单元，用于根据公式μ1＝aT12+bT1+c确定原油牛顿流体温度区间粘温曲线；
其中，μ1为在温度T1时的粘度，a,b,c均为牛顿流体状态粘温系数，T1为原油牛顿流体温度集合中的温度值。

10.根据权利要求6所述的原油的全粘温曲线确定系统，其特征在于，所述原油非牛顿流体温度区间粘温曲线确定模块具体包括：
原油非牛顿流体温度区间粘温曲线确定单元，用于根据公式确定原油非牛顿
流体温度区间粘温曲线；
其中，μ2为在温度T2时的粘度，n′＝fT2+g，d,e,f,g均为非牛顿流体状态粘温系数，K为稠度系数，n′为流变行为指数，γ为剪切速率，T2为原油非牛顿流体温度集合中的温度值。

一种原油的全粘温曲线确定方法及系统
技术领域
[0001]本发明涉及原油勘探技术领域，特别是涉及一种原油的全粘温曲线确定方法及系统。

背景技术
[0002]原油的粘度是原油的安全运输与储存环节中的关键参数。

一方面，对于长距离输油管道，油品粘度增加会使管道沿流向的摩阻增加，输送能耗上升，并且当油品的粘度发生波动时可能会引起电机和输油泵的负荷而产生波动，使电动机和输油泵偏离高效工作区范围而造成浪费。

另一方面，海上油轮在码头卸油时，如果原油粘度过高会给原油码头的接卸、储存和后续管道输送带来重大安全隐患。

尤其在冬季较低温度或气温突变的恶劣工况下，原油粘度显著增大，流动性恶化，码头难以有效开展接卸油作业，油轮必须调整接卸地点，这不仅增加了油轮滞期时间，也给炼化企业原油资源保供带来压力。

因此，准确获取原油的粘温曲线是储运环节正常运行的基本条件。

[0003]中国原油的特点是蜡含量较高，常温下粘度较大。

此类原油在温度高于反常点时处于牛顿流体状态，对于一种油品其粘度仅随温度的变化而变化；当温度低于反常点时，原本溶解在原油中的蜡结晶析出形成一定的三维网络结构，此时原油处于非牛顿流体状态，对于一种油品其粘度随温度与剪切速率的变化而变化。

测量原油粘温曲线通常依托高精度的粘度计或流变仪进行，全粘温曲线反映了原油的粘度随温度与剪切速率的变化情况，当获取了原油的全粘温曲线就相当于获取了原油在任意温度与剪切速率下的粘度。

由于现场实验条件有限，因此在工程现场条件下采用粘度计或流变仪测量原油全粘温曲线是难以实现的。

[0004]由于原油的粘温性质与其密度、凝点、含蜡量等物理性质有着密切的联系，因此，一些学者开始寻求通过数据拟合的方法来估算原油的粘度。

张春明等人通过将20个原油样品的粘度-温度数据进行拟合，得出基于50℃粘度值来预测任意温度下原油粘度的模型，见公式2-1。

[0005]μT＝(0.01481n T+0.9421)μ(3.1613-0.5525lnT)50(2-1)
[0006]Saeed M.AL-Zahrani等人通过控制变量法证明温度与蜡含量直接影响原油的粘度，并在单个温度和蜡含量下对非牛顿流体进行建模，提出了用于预测含蜡原油在不同温度不同剪切速率下的粘度的公式2-2。

[0007]
[0008]其中，μ为油品预测的粘度，A、B、C和D均是拟合出的参数，T为温度，W为原油中蜡的质量含量。

[0009]Shivanjali等人针对印度含蜡原油通过最小二乘法提出了计算其粘度的模型，见公式2-3。

[0010]
[0011]其中，μ为油品预测的粘度，W为原油中蜡的质量含量，γ为剪切速率，τ为剪切应力。

[0012]采用上述方法拟合出来的公式仅仅通过粘度的变化趋势单纯地从数据的角度拟合了原油粘度与温度、剪切速率的联系，虽然也考虑到了含蜡原油中的蜡含量，但是并没有将含蜡原油的其它物性应用于含蜡原油粘度的预测中，难以从原油物性的角度去探寻影响原油粘度的原因。

其次，现有的研究仅针对特定的含蜡原油，得到的公式形式一旦固定下来就限定了其适用范围，不能适应以后需要预测粘度的原油样品。

再次，现有的原油粘度预测并未考虑原油在非牛顿流体和牛顿流体温度区间粘度变化情况，难以满足管道实际输送所需的全粘温曲线要求。

发明内容
[0013]本发明的目的是提供一种原油的全粘温曲线确定方法及系统，充分考虑原油的基础物性，分别对原油在非牛顿流体温度区间和牛顿流体温度区间的粘度进行处理，得到原油的全粘温曲线，保证了原油管道输送与储存的安全性。

[0014]为实现上述目的，本发明提供了如下方案：
[0015]一种原油的全粘温曲线确定方法，包括：
[0016]获取原油的密度值和凝点值；
[0017]根据所述密度值和所述凝点值采用原油牛顿流体粘温系数预测模型，确定牛顿流体状态粘温系数；所述原油牛顿流体粘温系数预测模型是依据量子粒子群优化算法和广义回归神经网络建立而成；
[0018]获取原油的蜡含量；
[0019]根据所述牛顿流体状态粘温系数和所述蜡含量采用原油非牛顿流体粘温系数预测模型，确定非牛顿流体状态粘温系数；所述原油非牛顿流体粘温系数预测模型是依据量子粒子群优化算法和广义回归神经网络建立而成；
[0020]获取原油温度集合；所述原油温度集合中包括不同的温度值；
[0021]从所述原油温度集合中选取温度值大于原油反常点温度值，作为原油牛顿流体温度集合；
[0022]从所述原油温度集合中选取温度值小于或等于原油反常点温度值，作为原油非牛顿流体温度集合；
[0023]根据所述原油牛顿流体温度集合和所述牛顿流体状态粘温系数确定原油牛顿流体温度区间粘温曲线；
[0024]根据所述原油非牛顿流体温度集合和所述非牛顿流体状态粘温系数确定原油非牛顿流体温度区间粘温曲线。

[0025]可选的，所述原油牛顿流体粘温系数预测模型获取过程具体包括：
[0026]获取原油样本密度值集合和原油样本凝点值集合；所述原油样本密度值集合中包括每个原油样本的密度值；所述原油样本凝点值集合中包括每个原油样本的凝点值；[0027]将所述原油样本密度值集合和所述原油样本凝点值集合输入到第一广义回归神
经网络中，得到第一均方根误差；
[0028]判断第一迭代次数是否小于第一预设迭代次数，得到第一判断结果；
[0029]若所述第一判断结果表示第一迭代次数小于第一预设迭代次数，采用量子粒子群优化算法对所述第一广义回归神经网络中的超参数进行调整，将调整后的广义回归神经网络更新为第一广义回归神经网络，并返回步骤“将所述原油样本密度值集合和所述原油样本凝点值集合输入到第一广义回归神经网络中，得到第一均方根误差”；
[0030]若所述第一判断结果表示第一迭代次数大于或等于第一预设迭代次数，选取第一均方根误差值最小时对应的第一广义回归神经网络作为原油牛顿流体粘温系数预测模型。

[0031]可选的，所述原油非牛顿流体粘温系数预测模型获取过程具体包括：
[0032]将所述原油样本密度值集合和所述原油样本凝点值集合输入到所述原油牛顿流体粘温系数预测模型中，得到原油样本牛顿流体状态粘温系数集合；
[0033]获取原油样本蜡含量集合；所述原油样本蜡含量集合中包括每个原油样本的蜡含量值；
[0034]将所述原油样本牛顿流体状态粘温系数集合和所述原油样本蜡含量集合输入到第二广义回归神经网络中，得到第二均方根误差；
[0035]判断第二迭代次数是否小于第二预设迭代次数，得到第二判断结果；
[0036]若所述第二判断结果表示第二迭代次数小于第二预设迭代次数，采用量子粒子群优化算法对所述第二广义回归神经网络中的超参数进行调整，将调整后的广义回归神经网络更新为第二广义回归神经网络，并返回步骤“将所述原油样本牛顿流体状态粘温系数集合和所述原油样本蜡含量集合输入到第二广义回归神经网络中，得到第二均方根误差”；[0037]若所述第二判断结果表示第二迭代次数大于或等于第二预设迭代次数，选取第二均方根误差值最小时对应的第二广义回归神经网络作为原油非牛顿流体粘温系数预测模型。

[0038]可选的，所述根据所述原油牛顿流体温度集合和所述牛顿流体状态粘温系数确定原油牛顿流体温度区间粘温曲线，具体包括：
[0039]根据公式μ1＝aT12+bT1+c确定原油牛顿流体温度区间粘温曲线；
[0040]其中，μ1为在温度T1时的粘度，a,b,c均为牛顿流体状态粘温系数，T1为原油牛顿流体温度集合中的温度值。

[0041]可选的，所述根据所述原油非牛顿流体温度集合和所述非牛顿流体状态粘温系数确定原油非牛顿流体温度区间粘温曲线，具体包括：
[0042]根据公式确定原油非牛顿流体温度区间粘温曲线；
[0043]其中，μ2为在温度T2时的粘度，n′＝fT2+g，d,e,f,g均为非牛顿流体状态粘温系数，K为稠度系数，n′为流变行为指数，γ为剪切速率，T2为原油非牛顿流体温度集合中的温度值。

[0044]一种原油的全粘温曲线确定系统，包括：
[0045]原油密度值和凝点值获取模块，用于获取原油的密度值和凝点值；
[0046]牛顿流体状态粘温系数确定模块，用于根据所述密度值和所述凝点值采用原油牛顿流体粘温系数预测模型，确定牛顿流体状态粘温系数；所述原油牛顿流体粘温系数预测
模型是依据量子粒子群优化算法和广义回归神经网络建立而成；
[0047]原油蜡含量获取模块，用于获取原油的蜡含量；
[0048]非牛顿流体状态粘温系数确定模块，用于根据所述牛顿流体状态粘温系数和所述蜡含量采用原油非牛顿流体粘温系数预测模型，确定非牛顿流体状态粘温系数；所述原油非牛顿流体粘温系数预测模型是依据量子粒子群优化算法和广义回归神经网络建立而成；[0049]原油温度集合获得模块，用于获取原油温度集合；所述原油温度集合中包括不同的温度值；
[0050]原油牛顿流体温度集合选取模块，用于从所述原油温度集合中选取温度值大于原油反常点温度值，作为原油牛顿流体温度集合；
[0051]原油非牛顿流体温度集合选取模块，用于从所述原油温度集合中选取温度值小于或等于原油反常点温度值，作为原油非牛顿流体温度集合；
[0052]原油牛顿流体温度区间粘温曲线确定模块，用于根据所述原油牛顿流体温度集合和所述牛顿流体状态粘温系数确定原油牛顿流体温度区间粘温曲线；
[0053]原油非牛顿流体温度区间粘温曲线确定模块，用于根据所述原油非牛顿流体温度集合和所述非牛顿流体状态粘温系数确定原油非牛顿流体温度区间粘温曲线。

[0054]可选的，所述原油牛顿流体粘温系数预测模型获取过程具体包括：
[0055]原油样本密度值集合和原油样本凝点值集合获取单元，用于获取原油样本密度值集合和原油样本凝点值集合；所述原油样本密度值集合中包括每个原油样本的密度值；所述原油样本凝点值集合中包括每个原油样本的凝点值；
[0056]第一均方根误差获得单元，用于将所述原油样本密度值集合和所述原油样本凝点值集合输入到第一广义回归神经网络中，得到第一均方根误差；
[0057]第一判断单元，用于判断第一迭代次数是否小于第一预设迭代次数，得到第一判断结果；
[0058]第一参数调节单元，用于若所述第一判断结果表示第一迭代次数小于第一预设迭代次数，采用量子粒子群优化算法对所述第一广义回归神经网络中的超参数进行调整，将调整后的广义回归神经网络更新为第一广义回归神经网络，并返回所述第一均方根误差获得单元；
[0059]原油牛顿流体粘温系数预测模型确定单元，用于若所述第一判断结果表示第一迭代次数大于或等于第一预设迭代次数，选取第一均方根误差值最小时对应的第一广义回归神经网络作为原油牛顿流体粘温系数预测模型。

[0060]可选的，所述原油非牛顿流体粘温系数预测模型获取过程具体包括：
[0061]原油样本牛顿流体状态粘温系数集合获得单元，用于将所述原油样本密度值集合和所述原油样本凝点值集合输入到所述原油牛顿流体粘温系数预测模型中，得到原油样本牛顿流体状态粘温系数集合；
[0062]原油样本蜡含量集合获取单元，用于获取原油样本蜡含量集合；所述原油样本蜡含量集合中包括每个原油样本的蜡含量值；
[0063]第二均方根误差获得单元，用于将所述原油样本牛顿流体状态粘温系数集合和所述原油样本蜡含量集合输入到第二广义回归神经网络中，得到第二均方根误差；[0064]第二判断单元，用于判断第二迭代次数是否小于第二预设迭代次数，得到第二判。