超音速霧化水排水および天然ガス抽出のための霧化液滴サイズの予測

Scientific Reports volume 12、記事番号: 22192 (2022) この記事を引用

466 アクセス

1 オルトメトリック

メトリクスの詳細

天然ガス貯留層探査の後期段階では、坑井内圧力が低下し、液体の蓄積が深刻になります。低圧かつ低収量のガス井での液体の蓄積と生産量の低下の問題を解決するために、超音速霧化排水ガスが使用されます。回収技術を活用し、回収率を向上させています。ダウンホールノズル霧化排水ガス回収の動作条件パラメータが霧化効果と液体搬送速度に及ぼす影響を研究することにより,霧化ノズルの新しい物理モデルを確立し,バックプロパゲーション(BP)ニューラルネットワーク霧化モデルとBPニューラルネットワーク霧化モデルを最適化した。遺伝的アルゴリズム (GA) による計算が確立されており、実験前に 45 グループのデータセットをトレーニングするために Matlab が使用されます。モデルのトレーニング後、正規化された霧化パラメーターが感度分析用にトレーニングされます。ソーテルの平均液滴粒径 (SMD) に影響を与える要因の強さと弱さの関係は次のとおりです: 気体流量 (Qg) > 液体入口直径 (d) > 液相流量 (Ql)。訓練サンプル以外の最後の 15 セットのデータセットは、遺伝的アルゴリズム (GA-BP) によって最適化された BP モデルと BP ニューラルモデルによってテストされ、SMD のサイズが予測されました。実験結果は,実験パラメータに対する確立されたGA-BPネットワークモデルの決定係数R2が0.979であり,適合度が高いことを示した。 GA-BP噴霧モデルの予測値と実験値の平均二乗誤差(MSE)、平均絶対誤差(MAE)、平均絶対パーセント誤差(MAPE)はそれぞれ4.471、1.811、0.031であり、誤差は小さく、予測精度が高く、モデルの構築も正確です。 GA-BPモデルは、さまざまな運転条件下でSMDを効率的に予測できます。現在、新しい超音速噴霧ノズルは大慶油田の徐神ガス田ブロックに適用され、天然ガスの回収率を4.5〜8.6％向上させることができます。、石油探査の終わり近くでの浸出の問題を軽減し、坑井内浸出の問題を解決し、生産効率を向上させるための一定の指導的な重要性を持っています。

天然ガス坑井生産の後期段階では、底孔圧力が低下し、ガス流速が低下し、液体輸送速度が低下し、坑井内液体の蓄積が増加し、液体の蓄積が天然ガスの移動を妨げ、生産量が減少します。ガスリフト、気泡排出、天然ガス循環、高圧ポンプなどの従来技術の液体排出効率は低い1、2、3、4。坑井内での深刻な流体の蓄積の問題を解決するために、排水とガス回収のためにノズル噴霧化の新しい技術が採用されています5、6、7。この技術は、天然ガスのエネルギーを利用して底孔に溜まった液体をノズルから霧化し、その液滴を天然ガスとともに坑井の外に運び出します。この方法は、エネルギー消費を削減し、エネルギー利用を改善し、ガス井の運営および保守コストを削減し、坑井内流体の蓄積の問題を効果的に解決できます。

多くの学者がノズル霧化技術に関する関連研究を実施し、対応する霧化実験 8,9 を実施し、理想的な結果を達成しました。 Han et al.10 は、一種の内部混合霧化および除塵ノズルを設計しました。ノズル内の流れ場は FLUENT によってシミュレートされました。その結果、給水圧力の増加に伴い、ノズル内の流速が増加し、空気速度が減少し、気液相対速度が減少することがわかりました。噴霧ノズルによるスプレーダスト低減実験を実施した。実験結果は、給水圧力が増加すると、範囲、液滴体積分率、および液滴サイズがすべて増加し、総粉塵および吸入性粉塵の粉塵低減効率が最初は増加し、その後減少することを示しています。 KOMAG 鉱業技術研究所 11 は、シャーラー、ロードヘッダー、コンベヤーの移送点でダスト低減をスプレーするために効果的に使用できる一種の散水ノズルを開発しました。 Feng12 は、西四川ガス田の生産現場でノズルを使用して低圧および低生産ガス井で噴霧排水試験を実施しました。ノズルの霧化効果は良好で、坑井の液体搬送率は 23.4% 増加し、液体生産量は 200 m3/d 増加しました。 Ni ら 13 は、超音速ノズル霧化装置を深さ 1000 ～ 2000 m に設置して野外実験を行ったところ、通常のノズルに比べて出口速度が大幅に速くなり、液体輸送効率が 41.3 倍向上することが示されました。 %。

近年、科学技術の進歩により、より優れた霧化効果を得るためにスプレー実験の徹底的な研究を通じて実験手段も革新され、より良い経済価値を実現しています。 Benjanin et al.14 は、スワールノズルの内部および外部の流れ場を研究しました。実験結果に従って,質量流量係数と液滴速度のモデル式が得られた。 Seoksu ら 15 は、スワールノズルの内部構造と静圧を研究し、スワール微粒化過程で逆流渦が存在し、噴射圧力が高い場合にノズル内の圧力損失が大きくなることを示しました。 Lee et al.16 はパスノズルの実験を実施し、CFD シミュレーションによってパスノズルを最適化し、ノズルの入口長さ、出口長さ、入口直径、半径方向位置の 4 つの設計変数を最適化しました。結果は、最適化されたノズルが全圧力損失を低減して質量流量を増加させ、最適化されたプレスワールシステムが空力損失を低減し、特定の圧力下で質量流量を増加させ、ブレード冷却の圧力マージンを満足することを示しています。超音速霧化ノズルモデルは米国のロスアラモス17研究所によって確立され、内燃機関の超音速霧化燃焼プロセスが研究された。二相化学流体の蒸発、断片化、乱流拡散の複雑な動きを解析することにより、霧化燃焼の効率を効果的に向上させることができます。

ノズルの霧化効果は、霧化性能の重要なパラメータである液滴サイズ SMD とその分布を研究することで評価できます。 Lilan ら 18 は、実験を通じて外部空気噴霧器の流れ場における液滴サイズの分布を研究しました。彼らは霧化領域をいくつかの観察領域に分割し、いくつかの局所的な観察領域の測定を通じて、霧化領域全体の液滴サイズ分布の関係を取得し、ノズル霧化領域の研究に一定の基準を提供します。これは、ノズル噴霧場の液滴サイズ分布を直観的に理解するための基礎を提供します。 Yu ら 19 は、新しいタイプのガス化石炭水スラリーノズルを開発し、その霧化性能を研究しました。彼らは、ノズルの作動負荷とガス流量が霧化粒子分布、ザウター平均直径 SMD、およびノズル霧化角度に及ぼす影響について詳細に議論しました。 Hyun Suh ら 20 は、流れ可視化システムを通じてさまざまなサイズのノズルにおけるディーゼル燃料の霧化特性に対するキャビテーション流の影響を研究し、粒子測定システムを使用して SMD や液滴の平均速度などの霧化特性を決定しました。その結果、ノズル内のキャビテーションにより燃料の微粒化性能が向上し、ノズルオリフィス長が長いほど燃料の微粒化が向上することがわかりました。 Xia et al.21 は、レーザー粒度測定システムを使用して、さまざまなスプレー領域の液滴直径を測定しました。スプレー中心の液滴サイズが最も小さく、スプレーエッジのSMDが増加していることがわかりました。

噴霧効果に対する作業条件パラメータの影響が研究され、液滴直径に対するさまざまな運転パラメータの影響因子に関する実験研究が実施され、一部の学者は噴霧効率を向上させるための SMD を予測するための対応する数学モデルを確立しました 22,23。 Nonnenmacher et al.24 は、ノズルの内部および外部流れ場の理論に基づいて中空円錐形圧力渦ノズルを研究し、流量係数と液滴直径のシミュレーションプログラムモデルを確立しました。シミュレーションプログラムによれば、ノズルのザウター平均直径ＳＭＤを予測することができる。他の学者は、スプレー SMD25 を迅速に予測できる深層学習モデルを構築しており、Wang ら 26 は、ニューラルネットワークアルゴリズムを使用してプレフィルム霧化モデルを確立し、油圧差の増加によりプレフィルムデバイスが反作用を示すと結論付けました。・霧効果があり、霧化効果が乏しかった。 Liu et al.27 は、液滴の分裂の類似性に従って、膜形成前のブラスト噴霧プロセス用の有限ランダムフラグメンテーションモデル (FSBM) を構築しました。液滴サイズ分布はこのモデルを使用してシミュレーションされ、シミュレーション結果はプレフィルムブラスト噴霧器の実験結果と一致しています。このモデルは、平均液滴直径 SMD とブラストスプレーのサイズ分布の間の非線形関係を正確に決定できます。 Kaiser ら 28 は、閉結合噴霧 (CCA) ノズルの吸引圧力モデルを確立し、人工ニューラルネットワークに基づく機械学習アルゴリズムを密結合 HPGA ノズルの吸引圧力の予測に適用しました。ニューラルネットワークモデルの R2 は 0.98 です。パラメータ研究と感度テストによると、さまざまな作業条件パラメータによって予測されるSMDは、吸引圧力を最小限に抑えるためのCCAノズルの概念設計と操作を容易にすることができます。 Zhang et al.29 は、人工ニューラルネットワーク技術を使用して、噴霧燃焼のラージエディシミュレーション (LES) の予測精度をテストしました。結果は、現在の人工ニューラルネットワークモデルがほとんどの種の質量分率テーブルをよく再現でき、シミュレートされたエンジン燃焼ネットワークの噴霧火炎を適切に予測できることを示しています。

ノズル霧化実験のこれまでの研究と分析によると、霧化パラメータの液滴径に影響を与える要因については多くの研究があり、現在のノズル霧化研究は霧化パラメータ間の単純な関係と法則に限定されており、以下のことを確立している人もいます。従来のノズルの経験式霧化モデル、従来の数学モデルの精度は高くなく、SMDの予測誤差が大きい。従来のノズル霧化パラメータの複雑な機械学習霧化モデルを確立した人はほとんどおらず、超音速霧化ノズルを使用して SMD を予測するための機械学習モデルを確立した人は誰もおらず、先行者は SMD の予測誤差が大きく、相関分析を行っていませんでした。 SMD に影響を与える因子パラメーターの計算はさらに面倒ですが、ニューラルネットワークアルゴリズムを使用してデータを正規化し、ピアソン相関原理を使用して分析することで、速度が速くなり、時間と労力が節約され、各因子間の影響の重みを明確に把握できます。計算された。

したがって、この論文では、遺伝的アルゴリズムによって最適化された新しいアルゴリズム-BPニューラルネットワークを使用して、新しいノズル霧化パラメータ液滴平均直径SMDの霧化モデルを確立し、従来のBPニューラル学習ネットワークと比較して、信頼性が高く正確な霧化を実現します。モデルが確立され、霧化ターゲットパラメータSMDを迅速に予測し、予測効率と精度を向上させ、さまざまな作業条件に応じて液滴のSMDを調整できます。井戸の底に液体の蓄積が多い場合、霧化装置内のガス流量が少なくなり、液体流量が多くなり、つまり気液比が小さくなり、井戸外への液体の排出が増加し、排水が発生します。効率が向上し、井戸の底に溜まる液体が減少し、天然ガスの流路が増加します。排水と天然ガスの回収が大幅に改善されます。底孔流体が少なくなると天然ガスが多くなり、噴霧装置内の気液比が大きくなり、回収率が向上します。確立された GA-BP モデルは、ダウンホールノズルの運転パラメータの設定と排水効率の向上に一定の意義を持ちます。

ラバル管をベースとした新型霧化ノズルにより超音速霧化を実現。従来のラバル管が改良され、図1に示すように三次元噴霧ノズルモデルが確立されました。図1aは、1つのガス入口、4つの空間的に対称な液体入口、および混合からなるノズルの三次元幾何学的モデルを示しています。出口。ダウンホール天然ガスはノズルの気相入口から流入し、スロートを通って加速され、ガスの流速は超音速に達します。蓄積された流体は液相入口からキャビティ内に入り、高速空気流の衝撃によりせん断・破壊されて霧化されます。その後、上昇する天然ガスとともに坑井から運び出されます。図 1b は、ノズルモデルのサイズを示しています。気液入口径は25.0mmと6.0mm、混合出口径は34.0mm、全長は100.0mmです。

超音速霧化ノズルモデル。 (a) 3 次元モデル。 (b) モデルのサイズ。

本論文では、気液二相流の超音速流に基づいて、VOF乱流Realizable k-εモデルを用いて乱流渦電流効果を検討する。噴霧ノズルは天然ガスに超音速流を生成させ、高速気流が液体流に衝撃を与えてせん断噴霧化します。質量流入と流出の連続方程式は次のとおりです。

式中、ρ は流体密度、ux、uy、uz はそれぞれ x、y、z 軸の速度ベクトルです。

キャビティ内の流体の合力がゼロの場合、運動量は運動量の前後で変化しません。流体の質量と速度の積は、流体に作用する合力の時間積に等しく、運動量保存則を満たします。

熱力学の第一法則によれば、キャビティの内部流れはエネルギー保存則を満たします。

式中: μ は動粘度です。 Su、Sv、Sw は運動量保存方程式の一般化されたソース項、S は体積熱源項です。 p は流れ場の圧力、E は流体ミセルの総エネルギーです。 keff は有効熱伝導率です。 hj と Jj は成分 j のエンタルピーと拡散束です。 τeff は有効応力テンソルです。 ΔT は流体の温度勾配です。

実現可能なk-εモデル:

そのうち: \({C}_{1}=\mathrm{max}\left(0.43\frac{\eta }{\eta +5}\right), \eta =S\frac{k}{\varepsilon }\)

式中: K は乱流の運動エネルギー、ε は乱流の散逸率です。 Gk は層流速度勾配によって生成される乱流の運動エネルギー項です。 Gb は、浮力によって引き起こされる乱流の運動エネルギー項です。 YM は、総散逸率に対する圧縮性乱流膨張の影響です。 C1、C2 は定数です。 σK と σε は、それぞれ k 方程式と ε 方程式に対応するプラントル数です。 Sk と Sε は、ユーザー定義の乱流運動エネルギー項と乱流散逸源項です。

解決方法の設定

シミュレーション計算にはVOF気液二相流モデルと乱流Realizable keモデルを使用します。陰的ソルバーが選択され、圧力ベースのソルバーが使用されます。非定常計算では、タイムステップは 0.0001 秒、解析時間は 50 秒、速度と圧力の結合は SIMPLEC アルゴリズムです。監視モニターは出口における各種物理量の変化を監視します。残差は 10–6 に設定されており、収束の信頼性が高くなります。

境界条件の設定

ガス入口は質量流入口であり、ガス材料は空気であり、初期値は 3000 m3/d、質量流量に換算すると 42.535 g/s、液体ノズルの入口は質量流入口として設定され、材料は液体の水として設定され、初期値は 0.6 m3/d、質量流量は 6.932 g/s です。ノズル出口端面は圧力出口に設定され、値は大気圧 - 101,325 Pa、壁の残りの部分は壁に設定され、壁は滑らかです。液体入口直径 (d)、口径 d 6.0 mm。

この論文の複雑な不規則モデルによれば,高い適応性とグリッド品質を有する四面体および境界層リファインメントグリッドモデルが採用された。一般に、グリッドの数が多いほど計算精度は高くなりますが、計算負荷も増加します。グリッドを生成する前に、これら 2 つの要素のバランスを取る必要があります。本稿では、図2に示すように、3種類（異なる量）のグリッドを生成し、生成されたグリッドの独立性を検証します。

3 つの噛み合いの場合のさまざまな断面での速度の比較。

試験では、ノズルの上流、中流、下流の 4 つのセクション x = 14.2 mm、x = 30 mm、x = 60 mm、x = 100 mm の気液二相速度を比較しました。結果は、3 つの異なるグリッドを使用した速度シミュレーション結果が同様の傾向を示していることを示しています。より優れたグリッドを使用した場合のサンプリングポイントの速度は、細かいグリッドを使用した場合の値に非常に近くなりますが、中程度のグリッドを使用した場合の速度は、他の 2 つのグリッドを使用した場合の速度とは大きく異なります。したがって、より優れたグリッドはグリッドの独立性の要件を満たし、シミュレーション精度を確保していると考えられます。「より優れた」グリッドを使用すると、シミュレーションサイクルを効果的に短縮し、流れ場の計算誤差を確実に小さくすることができます。「より良い」メッシュの最終情報: 要素の総数は 1,227,661、ノードの総数は 351,415 です。

Fluentをベースにシミュレーションを実行します。ガス入口流量の初期値は 3000 m3/d、液体入口流量の初期値は 0.6 m3/d、液体入口直径の初期値は 6.0 mm、出口圧力は大気圧 101325 です。計算されたノズルの内部雲図を図 3 に示します。スロートの最大速度は 501.0 m/s で超音速に達し、最大乱流運動エネルギーは 2819.5 m2/s2 です。

超音速ノズルの内部雲マップ。 (a) 速度雲マップ。 (b) 乱流の運動エネルギー雲マップ。

霧化ノズルの内部流れ場に従って、横方向の中心軸が霧化ノズルの内部に確立される。ノズル内の横方向速度分布を図に示します。スロート速度が最大 501.0 m/s に達するときは、ガス入口から 18.97 mm の位置にあります。同様に、液体入口の長手方向のデータを図 4 に示します。液体流の液体入口における計算された軸方向速度は 0.24 m/s、最大縦方向速度は 256.73 m/s です。超音速の気流と衝突し、ハサミが発生します。乱流が激しく、気液相相互作用により微粒化効果が向上します。

超音速ノズルの内部雲マップ。 (a) 横方向の中心軸。 (b) 縦軸速度。

シミュレートされた超音速ノズルモデルに従って、図5に示すように、超音速霧化作動ノズルがSolidworksソフトウェアによって改良および確立され、次に多孔質の対称作動アトマイザーが3D印刷技術によって作成されます（図5a）。図5aは、作成された作動アトマイザーを示しています。ステンレス製、全長130mm。図 5b は、動作中のアトマイザーの内部プロファイルを示しています。

動作する噴霧ノズルモデル。 (a) ノズルの物理的オブジェクト。 (b) ノズルの内部断面図。

スプレー実験システムは図6に示すように確立されています。図6aは、高圧水ポンプ、液体流量計、エアコンプレッサー、高圧ガスシリンダー、ガス流量計、高速カメラ、レーザー粒子を含む手動実験プラットフォームを示しています。サイズアナライザー、コンピューターなど。

霧化実験作業台。 (a) 実験プラットフォーム。 (b) レーザー粒度分析装置。 (c) エアコンプレッサー。

このうち、ガス流量計のモデルは HL-LWQ、測定範囲は 1 ～ 10,000 (m3/h)、使用温度は 0 ～ 60 °C です。液体流量計の型式はLWGY-FMT、測定範囲は0.6～800（m3/h）、使用温度は－20～120（℃）、圧力計の型式はYTZ-150、測定範囲は－0.1～0－ 60(MPa)、使用温度は−10〜80(℃)です。

図 6b はレーザー粒度分析装置を示しています。液滴サイズは、ドイツの HELOS/VARIO-KR レーザー粒度分析装置によって測定されました。レーザー粒子径計は幅広い液滴径測定範囲を備えており、さまざまなレンズの選択に応じて0.1～3500μmのダイナミックレンジの平行光路設計をカバーでき、幅広い噴霧粒子径測定を実現できます。

粒度分布計はコンピュータに接続されており、データはコンピュータで処理されます。レーザー粒度分布計で測定した液滴径を、ソーテル社の平均粒径SMDを用いて統計解析しました。 SMDはD32で表され、計算式は次のようになります。

ここで、D32 はザウターの平均粒子サイズ、N は直径 D の液滴の数です。

図 6c は、KJ シリーズの産業用エアコンプレッサーを示しています。エアコンプレッサーの吐出量は0.36～0.9m3/min、最大排気圧力は2.5Mpa、モーターの最大出力は7.5KWで、安全で信頼性が高く、長寿命です。

低圧および低収量ガス井の気液噴霧流状態をシミュレーションするために、ガス体積流量 (Qg) は 3000 m3/d、3500 m3/d、4000 m3/d、4500 m3/d、および5000 m3/d、液体体積流量 (Ql) は 0.6 m3/d、1.0 m3/d、1.4 m3/d、1.8 m3/d、および 2.2 m3/d です。液相ノズルの直径ｄは、６．０ｍｍ、６．６ｍｍ、７．２ｍｍ、７．８、８．４ｍｍである。 3 つの因子と 5 つの水準の直交検定が設計されました。レベル係数を表 1 に示します。

3因子5レベルの直交実験モデルを60グループに設定し、実験直交表は各影響因子のレベルを等しい確率で組み合わせたもので、直交実験のシーケンスを表2に示します。

実験は屋内で行われ、室内環境は安定しており、温度は室温で25℃です。実験システムの動作原理は次のとおりです。高圧の空気流が気相から霧化ノズルの収縮セクションに流入します。ガス流量計を通って入口に水が流れ込み、液相入口から膨張部に流れ込み、スロートで膨張部に加速された高速空気流が水流と衝突し、霧化を剪断して混合出口から噴出します。 ; 同時にスプレー流場を高速度カメラで撮影し、均一霧化場所のモニタリングポイントでレーザー粒度計で液滴の粒度分布を測定し、霧化データを取得します。さまざまな作業条件パラメータの下での液滴直径が収集されます。実験後は、まず電源を切り、次にエアコンプレッサーとウォーターポンプを停止し、次に圧力バルブを閉じ、最後にデータ出力の前処理を実行します。

テストの具体的な操作は次のとおりです。

まず、各実験装置を順番に接続し、噴霧ノズルの出口にレーザー粒度検出器を配置し、コンピューターに接続し、システムの安全性と安定性が正常であるかどうかを確認します。

次に、圧力調整弁と圧力計のスイッチを開き、レーザー粒度計を起動し、安定してからエアコンプレッサーやその他のノズルをオンにし、ウォーターポンプを開き、空気を圧縮して内部に貯めます。高圧ガスシリンダー、エアコンプレッサーとウォーターポンプの実験に必要なパラメータを設定します。

レーザー粒度測定器はノズル出口から50cmの位置に設置され、霧化ノズルスプレーが安定した後に霧化液滴データの収集とデータ出力が実行されます。

圧力計流量計の変化をリアルタイムで記録し、圧力計と流量計を監視および記録します。

実験終了後は、まず電源を切り、次にエアコンプレッサーと水ポンプを止め、次に圧力弁を閉じ、最後にデータ出力の前処理を行います。

ニューラルネットワーク予測は生産現場で広く使用されており、強力な学習能力と適応能力を備えており、入力情報と出力情報を効果的に直列に接続できます。 BPニューラルネットワークは「ユニバーサルモデル＋誤り訂正機能」です。トレーニング結果と期待される結果との誤差を比較し、最適な重みと閾値を修正して見つけ、徐々に期待される出力結果と一致するモデルを得ることができるモデルです。 BP ニューラルネットワークは、入力層、隠れ層、出力層で構成されます。ネットワーク構造の図を図 7 に示します。

BP ニューラルネットワークの概略図。

各ニューロンは他のニューロンによって刺激されます。各ニューロンモデルが受信したすべての信号は、重み付けされた接続を通じて送信されます。ニューロンはこれらの信号を合計入力値に蓄積し、その合計入力値をニューロンの閾値 (シミュレートされた閾値電位) と比較します。この値は「活性化関数」によって処理され、次のニューロンに送信されます。活性化関数は非線形マッピング関数です。活性化関数の効果は、モデルの非線形能力を高め、非線形マッピングを形成させ、モデルの適応性と信頼性を高めることです。活性化関数は、隠れ層と出力層の各ノードの z と呼ばれる入力の加重合計に適用されます (入力は元のデータまたは前の層からの出力のいずれかになります)。シグモイド関数は、入力を 0 ～ 1 の間の確率値に変換します。大きな負の値は 0 に、大きな正の値は 1 に変換します。

活性化関数の方程式は次のとおりです。

ここで、BP ネットワークの隠れ層のノードの数は、モデルのトレーニングの精度に影響します。ノードの数が多いほど、トレーニングの品質の信頼性が高くなります。隠れノードは次の経験式に従って計算できます。

ここで、n は入力層内のノードの数です。 m は隠れ層ノードの数です。 l は出力層ノードの数です。 a は 0 から 10 までの定数です。

BPニューラルネットワークの入力ノードとターゲット出力パラメータを表1に示します。入力ノードはガス流量、液相流量、液相入口直径であり、ターゲット出力層は液滴直径SMDです。

遺伝的アルゴリズムとは、ダーウィンの生物進化理論の生物進化過程を模擬した計算モデルであり、自然の進化過程を模擬して最適解を探索する手法です。遺伝的アルゴリズムは、問題の潜在的な解決策セットを表すことから始まりますが、集団は遺伝子によってコード化された特定の数の個人で構成されます。最初に、多くの実現可能な解がランダムに選択され (集団を形成し)、各個体は 2 つの遺伝子 (0 または 1) のみを含む染色体で構成され、異なる個体の染色体は異なります。しかし、それらは互いに交雑したり、突然変異させて交配したりすることができ、その後、初期パラメータが評価され、スクリーニングされます。

集団の初期化

初期集団はデータパラメーターによってランダムに生成され、集団サイズは染色体の多様性に直接影響します。染色体は配列とデータ文字列で構成されます。初期化により N 個の初期文字列構造データがランダムに生成され、N 個の個体がグループを形成します。 GAはこのN列構造データを出発点として進化を始めました。

フィットネス機能

適応度関数は評価関数とも呼ばれます。アルゴリズム収束の遺伝的アルゴリズム評価の効果は、解の構造ではなく、適応度値に依存します。適応度の大きさによって個人の有利不利が決まります。適応度の値が大きいほど、その個人は優れています。したがって、個体を選択する基準は適応度の大きさによって選択されます。適応度関数は各個体の適応度値を計算するために使用され、その結果は選択オペレータに提供されます。

ここで、n はネットワークの出力ノードの数、yi は BP ニューラルネットワークの i ノードの期待値、xi は i ノードの実際の出力、k は係数です。

選択操作

選抜操作とは、次の操作に備えて母集団の中から比較的優秀な個体を選抜することです。遺伝的アルゴリズムの選択演算にルーレット法を用いる場合、適応度に基づいて適応度の高いデータを選択する選択戦略です。適応性能が高いほど出力精度も高くなります。個人が選択される確率 pi は次のとおりです。

ここで、Fi は i 個体の適応度であり、個体選択前の適応度の逆数が fi です。 k は係数です。

クロスオーバー動作

交叉操作とは、2本の染色体の交差組み合わせを利用して、全個体の中から2個体を選抜し、優秀な個体をチェックすることをいいます。交叉プロセスでは、母集団から 2 つの染色体がランダムに選択され、交換のために 1 つ以上の未知の染色体がランダムに選択されます。個人は実数符号化を使用するため、交差演算方法には実数交差法が使用されます。 k 番目の染色体 \({a}_{kj}\) と i 番目の染色体 \({a}_{ij}\) の位置 j での交叉操作は次のとおりです。

ここで、 b は [0,1] の間の乱数です。

突然変異操作

突然変異操作とは、集団から個体を選択し、より良い個体を生み出すために突然変異させる染色体の箇所を選択し、集団の個々の遺伝子を突然変異させることを意味します。 i 個体の j 番目の遺伝子 \({a}_{ij}\) を用いた突然変異操作関数は次のとおりです。

ここで、 \({a}_{\mathrm{max}}\) は遺伝子 \({a}_{ij}\)、\({a}_{\mathrm{min}}\) の上限です。は遺伝子 \({a}_{ij}\) の下限、g は現在の進化代数、Gmax は最大進化値 20、r は [0,1] の乱数です。

BP アルゴリズムは非線形システムのフィッティングに優れた効果をもたらしますが、いくつかの制限があります。ネットワークトレーニングの重みとしきい値は不安定であり、各トレーニングの効果は一定ではありません。非線形マッピングの能力は強いものの、予測値に近づくまでに時間がかかるため、収束が遅く、局所最適化に陥りやすい。実際の問題の研究では、遺伝的アルゴリズムはより優れた大域探索能力を備えており、速い収束速度で大域最適解を得ることができます。ネットワークのトレーニング効果を向上させるために、BP ニューラルネットワークが局所最適化に陥りやすい可能性を減らすために遺伝的アルゴリズムが導入されています。遺伝的アルゴリズムによって最適化されたBPニューラルネットワークは、ニューラルネットワークのランダムな重みを事前にスクリーニングしてネットワーク構造を最適化することができ、これによりBPニューラルネットワークの学習および適応パフォーマンスが大幅に向上し、最高の予測効果を達成できます。遺伝的アルゴリズムにより最適化されたBPニューラルネットワークの流れを図8に示します。

GA-BPニューラルネットワークの処理フロー。

この論文では、平均二乗誤差 (MSE)、平均絶対誤差 (MAE)、および平均絶対パーセント誤差 (MAPE) を使用して予測モデルのパフォーマンスを評価し、モデル予測の品質はこれら 3 つの指標によって決定されます。 MSE が小さいほど MAE と MAPE が 0 に近づき、モデル予測の相対誤差が小さくなり、全体的な予測精度が高くなったことを示します。

ここで、xi は i の予測値です。 yi は i の実際の値です。

決定係数 R2 は、SMD の予測実験値とシミュレーション値の適合度を評価するために使用されました。 R2 が 1 に近いほど、モデルは優れています。 R2 の方程式は次のとおりです。

ここで、xexp は実験値、xpred は予測値、\(\bar{X}_{\text{exp}}\)exp は実験値の平均値です。

元のデータの異なる次元間の次元のギャップが大きいため、同じ緯度および間隔で異なる種類のデータを作成するには、データを正規化する必要があります。これにより、データの差異を効果的に削減し、適応性を向上させ、データの冗長性を削減し、データパラメータの演算精度と収束効率を向上させることができます。この論文では、60 グループの実験値がサンプルセットとして選択され、データは正規化され、[0,1] の範囲にマッピングされます。次のように Premnmx 関数を使用して元のデータを正規化します。

式 xmax と xmin は、どの実験サンプルに対する SMD の最大値と最小値です。

BP ニューラルネットワークの入力パラメータは、ガス流量、液相流量、液相入口直径、平均液滴サイズ SMD です。実験研究では、表 3 に示すように、60 グループのパラメーターがトレーニングおよびテストされました。すべての実験データが添付されています。

GA-BP ネットワークモデルは、まず実験データを正規化し、次にシミュレーションプログラムをデバッグします。選択したモデルの初期パラメータを表 4 に示します。

この論文では、BP ニューラルネットワークと遺伝的アルゴリズムによって最適化された BP ネットワーク (GA-BP) に従って、トレーニングセットをサンプルデータによって正確に予測およびテストできます。ここでは、実験データセットの最初の 45 セットが、霧化モデルの学習とトレーニングに使用されます。

遺伝的アルゴリズムは、シミュレーションにおいて BP ニューラルネットワーク 3-7-1 の構造を最適化するために使用されます。遺伝的アルゴリズムにより、最適なしきい値と重みを BP ニューラルネットワークに転送できます。集団の最高適応度と平均適応度の変化を図9に示す。反復の初期段階では、集団の個体は期待値から大きく離れている。反復最適化の後期段階では、ネットワーク計算の継続的な反復収束に伴い、最適化された遺伝的アルゴリズムの探索速度が増加し、適応度値の範囲が減少し、低下速度が加速されます。集団の平均適応度は進化代数とともに減少し、集団の個々は徐々に最適な適応度に近づきます。

GA-BP フィットネス反応曲線。

BP ネットワークは、GA によって最適化された重みしきい値を使用してトレーニングされます。学習モデルの学習結果を図 10 に示します。SMD 霧化モデルの学習効果は良好です。 GA-BP および BP の SMD トレーニング値は実験値とよく一致しています。遺伝的アルゴリズムによって最適化されたBPネットワークは適応性が高く、ネットワーク構造がより安定しているため、GA-BPの学習誤差はBPネットワークの学習誤差よりも小さくなります。

モデルトレーニングエラー。

BP ネットワークによってトレーニングされた霧化モデルによると、ガス流量、液相流量、液相入口直径が入力変数であり、液滴サイズが出力変数です。正規化SMDと正規化入力パラメータの関係を図11に示します。

BP ネットワークの正規化された SMD に対する各入力パラメータの感度。 (a) 標準正規化。 (b) 相関係数行列プロット。

図１１ａにおいて、正規化されたＳＭＤは、供給流量Ｑｇの増加とともに減少する。空気供給量の増加により、ノズルキャビティ内の運動エネルギーが急速に増加し、せん断破砕効果が強化され、霧化性能が向上します。 SMDは液体供給量の増加に伴って増加する傾向があります。液滴の総数が増加すると、液滴の総体積が増加し、液滴の有効表面積が減少し、液滴の平均粒子サイズが増加するため、液体入口直径の増加に伴い、SMD は液体流量と平均液滴サイズを増加させます。

図 11b は、BP ネットワークの正規化されたパラメータによって生成されたピアソン相関係数熱マップを示しています。 QgとSMDの間には負の相関があり、感度は最も強く、相関は-0.93であり、図10aのQgとSMDの変化傾向と一致しています。 Ql、d、SMD の間には正の相関があり、相関値はそれぞれ 0.20、0.29 でした。 d は Ql よりも SMD に強い影響を与えます。要約すると、SMD に対する感度の関係は Qg > d > Ql となります。

モデルのトレーニングがより正確になります。モデルはトレーニングサンプルの外部のデータを使用してテストされ、原子化モデルはテストセットデータによってテストされます。ネットワークトレーニングの結果が特定の精度要件を満たしている場合、残りの 15 グループのデータが GA-BP ネットワークのテストに使用されます。モデルの予測結果を図 12 に示し、具体的な実験予測データを表 5 に示します。BP ネットワークの予測誤差は GA-BP ネットワークの予測誤差よりも大きく、GA-BP ネットワークの予測誤差はより小さい。予測値は実験値とよく一致しています。

GA-BP検査結果。

GA-BPネットワークの予測結果は、最適化されていないBPネットワークの予測結果よりも実際のSMD値に近く、GA-BPの予測精度はBPの予測精度よりも優れており、BPネットワークの予測精度を向上させる必要があります。その理由は次のとおりです。 1. サンプルデータセットは無限ではなく、ネットワークは SMD の変動傾向を完全には研究しません。 2. 平均液滴サイズは実験入力変数だけでなく、温度、湿度、騒音などの実験室環境の変化要因にも関連しているため、BP ネットワーク予測で出力信号の歪みが発生する可能性があります。。 GA-BP は、選択、突然変異、交叉を通じてネットワークのランダム値を選択して最適化するため、予測出力の精度が大幅に向上します。

図１３Ａは、ＧＡ−ＢＰネットワークトレーニングの平均誤差応答曲線を示す。実験結果は、遺伝的アルゴリズムによって改良されたBPネットワークが、集団数における個体の交叉率と突然変異率を適応的に調整し、その収束速度を加速し、訓練ステップ数を効果的に削減できることを示している。最適進化代数は第 9 世代であり、MSE の最小収束値は 1.1128 × 10–5 です。

トレーニングの結果。 (a) モデルトレーニング MSE。 (b) GA-BP モデルの相関係数。

図 13b は、2 行 2 列の行列データグラフです。横軸は目標値、縦軸はネットワークの出力値、対角線（-Fit）は目標値とネットワーク出力値の最適適応フィッティング曲線です。過剰適合を防ぐために、MATLAB で使用される方法は、データを 3 つの部分に分割することです。 Training はトレーニングデータ、validation と test はそれぞれ検証データとテストデータです。トレーニングされたネットワーク出力値とトレーニングターゲット値の間の相関は 0.99997 です (左上 b)。トレーニングが進行するにつれて、トレーニング出力データとトレーニングターゲットデータの間の誤差はますます小さくなり、検証データとテストデータは同じになります。誤差はどんどん小さくなっていきます。 4 番目の図 (右下) のすべてのネットワーク出力値とすべてのターゲット値の間の相関は 0.98865 で、最終的に完全な回帰が形成されます。

BP および GA-BP ネットワークに基づく予測出力値と実験値間の誤差を図 14 に示します。予測モデルの誤差分析を表 5 に示します。BP による R2 の予測は 0.897 であり、予測GA-BP による R2 の値は 0.979 です。 GA-BPモデルの適合度はより高く、予測効果はより優れています。表 6 に示すように、最後の 15 グループのデータのモデルテストにおける BP ネットワークの予測誤差は大きく、MSE、MAE、MAPE の予測誤差はそれぞれ 22.729、4.172、0.072 でした。遺伝的アルゴリズムによる最適化後、 MSE、MAE、MAPE の誤差はそれぞれ 4.471、1.811、0.031 に大幅に減少しており、GA-BP ネットワークに基づく SMD 霧化モデルが成功していることを示しています。

モデル予測エラー。

GA-BPモデルトレーニングに基づいて、正規化されたSMDと正規化された入力パラメータの間の関係が取得されます。 SMDはQgの増加とともに減少し、正の相関を示し、一方、SMDはdおよびQlの増加とともに増加し、負の相関を示した。モデルトレーニングの正規化パラメータと SMD の感度の関係は次のとおりです: Qg > d > Ql。

入力パラメーターの気相流量、液相流量、液相入口直径、および出力パラメーターを通じてトレーニングおよびテストされます。 BP モデルによって予測される R2 は 0.897 ですが、GA-BP の予測値は 0.979 であり、強力な学習および適応パフォーマンスと高い適合度を示しています。 GA-BP 予測の平均二乗誤差 (MSE)、平均絶対誤差 (MAE)、および平均絶対パーセント誤差 (MPE) は、それぞれ 4.471、1.811、0.031 です。 BP ネットワークの予測と比較すると、それぞれ 18.258 と 0.041 減少しました。 GA-BP は予測精度を効果的に向上させることができます。

BP ニューラルネットワークの重みとしきい値は遺伝的アルゴリズムによって改善され、ネットワークのグローバルインテリジェント適応性が向上し、BP ネットワーク計算の収束がより高速かつ正確になり、液滴サイズ SMD を迅速に予測できます。 GA-BPネットワークにより構築されたSMD液滴サイズ予測モデルにより、予測速度と精度が大幅に向上しました。ダウンホール超音速霧化排水における気液相パラメータの設定と液体輸送速度の向上を定量的に導くことは非常に重要です。

超音波霧化ノズルは排水とガス回収に使用されます。超音波霧化は均一であり、気液相の速度スリップロスを効果的に低減し、液体の搬送効率を向上させ、回収率を高めます。現在、当社が設計した新しい超音速噴霧ノズルは大慶油田の徐神ガス田ブロックに適用され、良好な成果を上げています。これにより、天然ガスの回収率が4.5～8.6%向上し、石油探査の最終段階付近での液体の滞留の問題が軽減されます。

現在の研究中に生成および分析されたデータセットは、「補足ファイル」リポジトリで利用できます。現在の研究中に使用および分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。この研究中に生成または分析されたすべてのデータは、補足情報ファイルに含まれています。

Shen、Y.ら。タイトガスフィールドにおけるコイルドチューブドレンガス回収技術の最適化。上級メカ。工学 9(5)、1687814017711333 (2017)。

記事 CAS Google Scholar

Chunsheng、W. et al. ガス井のボルテックスツール排水ガス回収機構の研究。上級ガソリン。探検してください。開発者 7(1)、62–66 (2014)。

Google スカラー

Ma、CB 渦複合排水とガス回収の効率計算と構造の最適化。上級メーター。解像度 838 ～ 841 年、1909 ～ 1912 年 (2014)。

Google スカラー

Huang、B.ら。水平坑井における排水ガス回収のメカニズムと内部ボルテックスツールの構造最適化。 J.ナット。ガス科学工学 67、233–241 (2019)。

記事 Google Scholar

Veeken、CAM および Belfroid、SPC ガス井戸の液体の積み下ろしに関する新しい視点。 SPE製品。オペラ。 26(4)、343–356 (2011)。

CAS Google スカラー

Chang, P. & Bai, B. 超音速ノズルを使用した改良されたガス井脱液化方法。内部。 J. 熱物質移動 108(1)、2262–2272 (2017)。

記事 Google Scholar

Surendra, M.、Falcone, G. & Teodoriu, C. 石油およびガス産業に適用される旋回流の研究。 SPEプロジェクトファシル。契約。 4(1)、1–6 (2009)。

Google スカラー

Tropea, C. 流れにおける光学粒子の特性評価。アンヌ。 Rev. Fluid Mech. 43(1)、399–426 (2011)。

記事 ADS MATH Google Scholar

Chigier, N. 噴霧およびスプレー技術における将来の研究への挑戦: アルチュール・ルフェーブル記念講演。原子。スプレー 16(7)、727–736 (2006)。

記事 CAS Google Scholar

ハン、Ｈら。内部混合空気霧化ノズルの霧化特性と減塵効率に及ぼす給水圧力の影響。上級パウダーテクノロジー。 31(1)、258–268 (2020)。

記事 Google Scholar

Prostański, D. 鉱山の粉塵制御を改善するための空気および水噴霧システムの使用。 J.サステイン。分。 12(2)、29–34 (2013)。

記事 Google Scholar

Jian, F. 低圧および低収量ガス井への超音速霧化排水技術の適用の評価。石油化学。テクノロジー。 28(11)、87–88 (2021)。

Google スカラー

Ni, J.、Liu, T.、Yao, L.、Xu, J. ダウンホール超音速霧化排水プロセスの適応性に関する研究。ナット。軽油 39(05)、94–99 (2021)。

Google スカラー

マサチューセッツ州ベンジャミン、A.マンスール、UGサマント他。大型圧力渦式アトマイザーの膜厚、DroPlet サイズの測定値、および相関関係。 ASME/IGTI 会議、ストックホルム、スウェーデン、2 ～ 5 (1998 年)。

Moon, S.、Abo-Serie, E. & Bae, C. 圧力渦巻きスプレー内の空気の流れと圧力、およびスプレーの開発に対するそれらの影響。経験値サーム。流体科学。 33、222–231 (2009)。

記事 CAS Google Scholar

Lee、H.ら。プレスワールノズルの形状と半径方向の位置を最適化し、吐出係数と温度降下を向上させます。Ｊ．Ｍｅｃｈ．科学。テクノロジー。 33(10)、4855–4866 (2019)。

記事 Google Scholar

Amsden、AA、O Rourke、PJ & Boter、TD スプレーによる化学反応性の流れのためのコンピュータープログラム。ロスアラモス国立研究所の報告書 LA-11560-MS (1989)。

Lilan, H.、Qian, J.、Pan, N. 二相流ノズルの霧化粒子サイズ特性に関する研究。Ｊ．インテル．ファジーシステム。 40(4)、7837–7847 (2021)。

記事 Google Scholar

Yu、H.ら石炭水スラリー用の新型ノズルの噴霧性能の実験的研究。エネルギー燃料 22(2)、1170–1173 (2008)。

記事 CAS Google Scholar

Suh, H. & Chang, S. ディーゼル燃料の微粒化特性に対するノズルオリフィスのキャビテーションの影響。内部。 J. 熱流体の流れ 29(4)、1001–1009 (2008)。

記事 Google Scholar

Xia、Y.ら。水と空気を衝突させるジェットアトマイザーの液滴サイズと速度特性。内部。 J. 混相流 94、31–43 (2017)。

記事 CAS Google Scholar

Wang, D. et al. 可変作動条件下での遠心ノズルの噴霧粒径予測手法に関する研究。中国航空宇宙第三専門情報ネットワークの第6回航空宇宙パワー合同会議および第42回技術交流会議および2021年航空エンジン技術開発ハイレベルフォーラムの議事録（第3巻）。（2022年）。

Yuan、空気旋回エジェクターノズルの HY 設計理論と実験研究 (中国石油大学、2016)。

Google スカラー

Nonnenmacher, S. & Piesche, M. ニュートン流体を霧化するための中空円錐形圧力渦巻きノズルの設計。化学。工学科学。 57、4339–4348 (2000)。

記事 Google Scholar

モハンティ、YKら。気体-固体流動床の流体力学に対する二次流動媒体の影響 - 統計的およびANNアプローチ。化学。工学 J. 148(1)、41–49 (2009)。

記事 CAS Google Scholar

Zhikai, W.、Honghua, Z.、Yibo, L. ニューラルネットワークに基づくプレフィルムの微粒化モデル [J/OL]。上級テクノロジー。 10(7)、1–7 (2021)。

Google スカラー

Liu、H.ら。プレフィルムエアブラストアトマイザーのスプレー内の液滴サイズ分布の予測。化学。工学科学。 61(6)、1741–1747 (2006)。

記事 CAS Google Scholar

Kaiser, R.、Kim, S. & Lee, D. 人工ニューラルネットワークを使用した高圧ガス噴霧プロセスにおける吸引圧力推定のための詳細なデータ分析。化学。工学プロセス - プロセス集中 153、107924 (2020)。

記事 CAS Google Scholar

Zhang、Y.ら。人工ニューラルネットワークと組み合わせた火炎レット生成多様体を使用した噴霧燃焼の大規模渦シミュレーション。エネルギー AI 2、100021 (2020)。

記事 Google Scholar

リファレンスをダウンロードする

著者らは、中国国家石油革新財団（番号 2019D-5007-0206）からの支援に感謝します。この論文の理論的な指導は私の家庭教師に助けられ、この論文の実験部分は弟たちに助けられました。私の論文に対する彼らの尽力に感謝したいと思います。

東北石油大学石油工学部、大慶、163318、中国

劉成廷と梁和

中国大慶市教育省石油増進回収重点実験室（東北石油大学）

劉成廷と梁和

PubMed Google Scholar でこの著者を検索することもできます

CL、方法論研究、データ調査、実験監督、執筆 - レビューと編集。 LH スプレー試験、実験的検証、データ分析、結果の分析。執筆—原稿作成、論文執筆。

梁和への書簡。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Liu、C.、He、L. 超音速霧化水排水および天然ガス抽出のための霧化液滴サイズの予測。 Sci Rep 12、22192 (2022)。 https://doi.org/10.1038/s41598-022-26597-x

引用をダウンロード

受信日: 2022 年 8 月 15 日

受理日: 2022 年 12 月 16 日

公開日: 2022 年 12 月 23 日

DOI: https://doi.org/10.1038/s41598-022-26597-x

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。