人工神经网络预测高含CO2 天然气的含水量

doi:10. 3863/j. issn. 1674 – 5086. 2013. 04. 017

西南石油大学学报(自然科学版)

人工神经网络预测高含CO2 天然气的含水量

侯大力1，孙雷1，潘毅1，秦山玉1，董卫军2

1.“油气藏地质及开发工程”国家重点实验室西南石油大学，四川成都610500
2. 重庆矿产资源开发有限公司，重庆渝中400042

出版日期:2013-08-01 发布日期:2013-08-01
基金资助:
国家自然科学基金“废弃气藏CO2 地质封存机制及运移规律研究”（51274173）。

Predicting Water Content of High CO2 Content Natural Gas by Artificial
Neural Network

Hou Dali1, Sun Lei1, Pan Yi1, Qin Shanyu1, Dong Weijun2

1. State Key Laboratory of Oil and Gas Reservoir Geology & Exploitation，Southwest Petroleum University，Chengdu，Sichuan 610500，China
2. Chongqing Mineral Resources Development Co. ，Ltd，Yuzhong，Chongqing 400042，China

Online:2013-08-01 Published:2013-08-01

摘要/Abstract

摘要：

提出了一种基于人工神经网络模型预测高含CO2 天然气的含水量的新方法。网络输入变量CO2 摩尔分数、
温度、压力，网络的输出为高含CO2 天然气的含水量。该人工神经网络模型能够估算温度在20.0200.0 ℃，压力在
0.170.0 MPa，CO2 摩尔分数高达70% 天然气中水蒸汽的含量。对比文中建立的人工神经网络模型和目前常用的3
种预测高含CO2 天然气的含水量的经验模型，结果表明，人工神经网络的平均相对误差值最小，为1.275%，3 种经验
模型在CO2 含量较高时，预测精度较低。这就表明，人工神经网络模型在预测高含CO2 天然气含水量时，比3 种常用
的经验模型更具有优势。

关键词: 神经网络, 高含CO2, 天然气, 含水量

Abstract:

In this paper，a new method based on artificial neural network（ANN）for prediction of natural gas mixture water
content is presented. CO2 mole fraction，temperature，and pressure have been input variables of the network and water content
has been set as network output. The proposed ANN model is able to estimate water content as a function of CO2 composition up
to 70%，temperature between 20.0200.0 ℃ and pressure from 0.1 to 70.0 MPa. Comparisons show average absolute relative
error equal to 1.275%between ANN estimations and experimental data，which is smaller than the other three commonly used
empirical correlations. Furthermore，there is considerable deviation between experimental data and the other three commonly
used empirical correlations for prediction of high CO2 content natural gas water content. But artificial neural network has good
prediction results in high CO2 content natural gas. Results show ANN superiority to the common three correlations in literatures.

Key words: artificial neural network, high CO2 content, natural gas, water content

侯大力1，孙雷1，潘毅1，秦山玉1，董卫军2. 人工神经网络预测高含CO2 天然气的含水量[J]. 西南石油大学学报(自然科学版), DOI: 10. 3863/j. issn. 1674 – 5086. 2013. 04. 017.

Hou Dali1, Sun Lei1, Pan Yi1, Qin Shanyu1, Dong Weijun2. Predicting Water Content of High CO2 Content Natural Gas by Artificial
Neural Network[J]. 西南石油大学学报(自然科学版), DOI: 10. 3863/j. issn. 1674 – 5086. 2013. 04. 017.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://journal15.magtechjournal.com/Jwk_xnzk/CN/10. 3863/j. issn. 1674 – 5086. 2013. 04. 017

http://journal15.magtechjournal.com/Jwk_xnzk/CN/Y2013/V35/I4/121

参考文献

[1] Yazdan Shirvany，Gholamreza Zahedi，Mohsen Bashiri.

Estimation of sour natural gas water content[J]. Journal

of Petroleum Science and Engineering，2010，73（5）：

156–160.

[2] 宁英男，张海燕，周贵江. 天然气含水量图数学模拟与

程序[J]. 石油与天然气化工，1999，29（2）：75–77.

Ning Yingnan，Zhang Haiyan，Zhou Guijiang. Mathematical

simulation and program for water content chart of natural

gas [J]. Chemical Engineering of Oil and Gas，1999，

29（2）：75–77.

[3] 车继明，郭平，樊建明，等. 高温气藏及凝析气藏气

中水含量测试与计算[J]. 天然气勘探与开发，2008，

31（2）：44–48.

Che Jiming，Guo Ping，Fan Jianming，et al. Testing and

calculation of water content in high temperature and condensate

gas reservoirs [J].Natural Gas Exploration and Development，

2008，31（2）：44–48.

[4] David C，Shallcross. Psychrometric charts for water vapor

in natural gas[J]. Journal of Petroleum Science and Engineering，

2007，68（10）：1–8.

[5] 诸林，白剑，王治红. 天然气含水量的公式化计算方

法[J]. 天然气工业，2003，23（3）：118–119.

Zhu Lin，Bai Jian，Wang Zhihong. Formulated calculation

method of water content in natural gas[J]. Natural Gas Industry，

2003，23（3）：118–119.

[6] Bukacek R F. Annual book of ASTM standards[M].

Philadelphia，1982

[7] Mohammadi A H，Samieyan V，Tohidi B. Estimation of

water content in sour gases[C]. SPE 94133，2005.

[8] Bahadori A，Vuthaluru H B，Mokhatab S. Method accurately

predicts water content of natural gases[J]. Energy

Sources，2009，31（3）：754–760.

[9] 段行知，蒋洪，周道菊，等. 应用状态方程求解天然

气饱和含水量[J]. 石油与天然气化工，2006，35（6）：

428–430.

[10] 刘全稳. 测井神经网络技术综述[J]. 石油地球物理勘

探，1996,31（增1）：64–69.

[11] 李曾任. 人工神经元网络及其应用[M]. 北京：清华大

学出版社，1999：23–89.

[1]	黄旭日, 代月, 徐云贵, 唐静. 基于深度学习算法不同数据集的地震反演实验[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 16-25.
[2]	刘兆年, 赵颖, 孙挺. 渤海区域基于数据驱动的钻井提速[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 35-41.
[3]	檀朝东, 贺甲元, 周彤, 刘健康, 宋文容. 基于PCA-BNN的页岩气压裂施工参数优化[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 56-62.
[4]	刘浩瀚, 颜永勤, 闵令元, 乐平, 殷艳玲. 基于灰色网络组合优化的年增油量预测[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 89-96.
[5]	赵咏, 唐嘉, 韩涛, 吴玙欣. 基于LPWAN偏远低效气井数据传输方案设计[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 141-148.
[6]	王兵, 郑亚梅, 陈茂柯, 高凌云. 基于Tri-BiLSTM-CNN的钻井安全问答系统[J]. 西南石油大学学报(自然科学版), 2020, 42(6): 157-164.
[7]	周建, 宋延杰, 姜艳娇, 孙钦帅, 靖彦卿. 海洋天然气水合物测井评价研究进展[J]. 西南石油大学学报(自然科学版), 2020, 42(2): 85-93.
[8]	刘恩斌, 匡建超, 吕留新, 刘渊, 张璐. 大型天然气管道稳态运行优化研究[J]. 西南石油大学学报(自然科学版), 2019, 41(5): 150-160.
[9]	罗勇, 张海山, 王荐, 蔡斌, 吴彬. 东海油气田深部泥页岩特性及钻井液技术研究[J]. 西南石油大学学报(自然科学版), 2019, 41(4): 90-98.
[10]	雷霄, 代金城, 陈健, 韩鑫, 鲁瑞彬. 高CO₂含量天然气偏差因子影响研究[J]. 西南石油大学学报(自然科学版), 2019, 41(4): 120-126.
[11]	刘欢, 李明隆, 江林, 夏吉文, 王廷栋. 油气分段捕获揭示震旦——寒武系天然气成藏过程[J]. 西南石油大学学报(自然科学版), 2019, 41(3): 42-50.
[12]	刘永辉, 罗程程, 刘通, 任桂蓉, 王中武. 水平气井井筒气液两相流型预测[J]. 西南石油大学学报(自然科学版), 2019, 41(3): 107-112.
[13]	秦云松, 张吉军, 安建川, 黄昕, 郑达. 天然气管道黑色粉末粒度分布模型评价研究[J]. 西南石油大学学报(自然科学版), 2018, 40(4): 177-186.
[14]	冯俊熙, 杨胜雄, 孙晓明, 梁金强. 琼东南盆地甲烷微渗漏活动地球化学示踪研究[J]. 西南石油大学学报(自然科学版), 2018, 40(3): 63-75.
[15]	李建, 李珂, 王兵. 粗糙集和神经网络相融合的钻井安全评价模型[J]. 西南石油大学学报(自然科学版), 2017, 39(5): 120-128.

人工神经网络预测高含CO2 天然气的含水量

Predicting Water Content of High CO2 Content Natural Gas by Artificial
Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

人工神经网络预测高含CO2 天然气的含水量

Predicting Water Content of High CO2 Content Natural Gas by Artificial Neural Network

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

Predicting Water Content of High CO2 Content Natural Gas by Artificial
Neural Network