基于LS-SVM的天然氣水合物生成條件預測模型建立

王飛，阿斯漢，王衛強，柴多

基于LS-SVM的天然氣水合物生成條件預測模型建立

王飛，阿斯漢，王衛強，柴多

（遼寧石油化工大學, 遼寧 撫順 113001）

在天然氣管線內生成的水合物會嚴重影響天然氣的開采、運輸，因而天然氣水合物的預測方法和防治措施備受重視。針對天然氣水合物生成條件，考慮天然氣組分對水合物生成的影響，為簡化計算、提高預測精度，引入一種能夠很好解決復雜物理問題的最小二乘支持向量機（LS-SVM），并且通過Matlab語言編程，建立了一種包含CH4濃度、CO2濃度、H2S濃度以及水合物生成溫度為輸入，水合物生成壓強為輸出的天然氣水合物生成條件預測模型，同時將實驗數據作為最小二乘支持向量機訓練數據并進行預測分析。結果表明，該預測模型不僅擁有較高的預測精度，而且方法簡單、可行，為天然氣水合物生成條件預測提供了一種新的解決方法。

天然氣；水合物；生成條件；最小二乘支持向量機

天然氣在運輸的過程中當溫度和壓力達到一定值的條件下水和天然氣組分中的小分子氣體會形成一種冰雪狀復合物也就是天然氣水合物，而且水合物的聚合累積會導致管道堵塞等不良后果，甚至事故的發生[1]。提高天然氣水合物的預測精度，可以為防治水合物提供一定理論支持，從而可以更好地處理由水合物造成的不良后果。

傳統的天然氣水合物生成條件預測模型都是以VDW—P模型為基礎，通過熱力學和動力學規律建立起來的，雖然理論基礎強，但卻存在有計算復雜、推廣性不好的缺點[2]。而目前所采用智能算法，例如基于 BP網絡的預測模型[3,4]，雖然有解決了復雜性并且具有較好的推廣性，但是BP網絡模型必須是在有大量訓練樣本的情況下才有效，在實際現場數據和實驗數據都為小樣本的前提下會對預測精度產生一定的負面影響。

由Vapnik等人提出了一種在解決小樣本、非線性問題方面具有優勢的[5]，并且數學理論嚴密的機器學習算法支持向量機(SVM)[6,7]。近幾年，SVM憑借著其特有的優勢和極強的泛化能力，已經成為了一種新的建模熱點[8]，而且在解決實際問題中得到了成功應用[9,10]。在此基礎上由 Sukens等人改進并提出了一種新的支持向量機方法最小二乘支持向量機（LS-SVM）[11]，其優勢在于，將約束條件更改為等式約束，并且將經驗風險變為二次方，使用求解線性方程組的辦法得出最優化結果，這樣做不僅降低了復雜度，而且還加快了收斂精度和求解速度，特別是應用在非線性預測方面具有很大優勢。

綜上，針對天然氣水合物這一多組分、多相的復雜系統，并且存在樣本數據較少的情況，選擇最小二乘支持向量機算法，來建立天然氣水合物的預測模型。

1 算法原理

最小二乘支持向量機原理如下：

式中：ω—特征空間權向量；

b∈R—偏置。

將這一優化問題轉化為其對偶空間中，采用拉格朗日法求解問題，定義Lagrange函數為：

得到最小二乘支持向量機的估計函數為：

從式中能夠看出，最小二乘支持向量機只需要函數參數σ以及正則化參數c，不需要去選擇不敏感損失函數的ε值，從而簡化了計算。

為了能夠提高LS-SVM算法的效率及效果，需要對訓練數據和預測數據的輸入量和輸出量進行歸一化處理：

式中：xmax—數據最大值；

xmin—數據最小值。

2 天然氣水合物預測模型建立

為了更好的驗證上述算法的可靠性，所選仿真平臺為：2.5 GHz處理器，4 G內存，Windows 7操作系統PC上的 Matlab2012a軟件平臺，并如圖1所示流程建立天然氣水合物生成條件預測模型。

圖1 天然氣水合物預測模型建模流程圖Fig.1 Natural gas hydrate forecast model

天然氣水合物是天然氣在管線內運輸時，當溫度和壓強達到一定值的時候，天然氣組份內的小分子氣體和水形成的，考慮到天然氣組分對水合物生成造成的影響，確定CH4濃度、CO2濃度、H2S濃度、水合物生成時溫度T作為LS-SVM輸入變量，水合物生成時壓強P作為LS-SVM輸出變量。

并且在世界范圍內酸性天然氣普遍使用，所以引用相關文獻中所提供的59組（CH4+ CO2+ H2S）三元酸性天然氣在純水中的實驗數據（xi,yi）（i=1，2，……59）作為樣本數據[12]，并將訓練樣本數據帶入公式（6）進行歸一化處理，將經過處理之后的前50組實驗數據作為模型的訓練集，后9組數據作為模型的測試集，利用訓練集建立天然氣水合物的預測模型，并調用Matlab中的LS-SVM工具箱，對數據進交叉驗證，從而確定核函數參數σ=20正則化參數c=12。

最后利用經過歸一化處理的后9組實驗數據進行預測分析，從而驗證出預測模型的預測精度以及推廣性質。

3 預測結果分析

基于文獻數據[12]，采用Matlab語言編寫最小二乘向量機程序，將經過歸一化處理的后9組實驗作為預測集，進行預測分析，其中T為實驗溫度，P為實驗溫度下天然氣水合物生成時的壓強，Pc為預測模型預測出的天然氣水合物生成壓強，ΔP為預測值與實驗值之間的誤差，結果見下圖2，詳細數據見下表1。

圖2 預測值與仿真實驗對比圖Fig.2 The predicted values and the simulation contrast figure

圖2 中，星號代表在實驗條件下天然氣水合物生成時的壓力值，圓圈代表預測的天然氣水合物生成壓力值，表1為預測數據和實驗數據的詳細信息。分析可知，其平均誤差在 0.11%，可見預測模型的預測精度較好，可以應用于天然氣水合物的生成預測，并且有著較好的推廣性。

表1 實驗值與仿真預測實驗誤差Table 1 The experimental data and simulation experimental error

4 結 論

（1）在分析現有的天然氣水合物生成條件預測模型的優缺點基礎上，考慮天然氣組分對天然氣水合物生成的影響，引入了一種在解決小樣本數據上具有優勢的最小二乘支持向量機（LS-SVM），并通過Matlab語言編程，建立了天然氣水合物生成條件預測模型。

（2）通過參閱一系列相關文獻，選擇了酸性天然氣在純水中的實驗數據作為本模型的訓練集和測試集，由于所選的輸入變量為實驗數據，存在有一定的局限性，在實際應用中會對誤差有所影響，以后應該樣本數量更加豐富，并且優化模型的數據處理，從而強本預測模型的推廣性。

（3）利用本模型對水合物生成條件進行預測分析，從中可以看出實驗數據與預結果具有很好的一致性，驗證了本模型的有效、可靠。

（4）實際上影響天然氣水合物生成的因素還有很多，而且內在關系復雜，運用最小二乘支持向量機算法對天然氣水合物生成條件進行預測，作為一種新的嘗試，為天然氣水合物預測提供了一種新的途徑，同時為后續研究奠定了基礎。

［1］王新，裘俊紅.籠型水合物研究和應用[J].化工生產與技術，2004,11: 19-25.

［2］喻西崇，趙金州,等.天然氣水合物生成條件預測模型的比較[J].油氣儲運,2002,21(1):20-24.

［3］顧建新，韓小輝,等.用人工神經網絡預測天然氣水合物的生成[J].天然氣工業,2003,23(5):102-104.

［4］彭遠近,劉建儀,等.天然氣水合物生成條件的神經網絡方法預測[J].天然氣工業,2006,26(7):85-87.

［5］Cao L J, Tay F E H. Support vector machine with adaptive parameters in financial time forecasting[J]. IEEE Trans. on Nature Network, 2003, 14(6): 1506-1518.

［6］Vapnik V. The Nature of Statistical Learning Theory[M]. New York: Springer-Verlag, 1995.

［7］Vapnik V N. An Overview of statistical learning theory[J]. IEEE Trans. on Nature Network, 1999, 10(5): 988-999.

［8］Xiong Weili(熊偉麗), Yao Yue(姚樂), Xu Baoguo(徐保國). Chaos Least Squares Support Vector Machine and Its Application on Fermentation Process Modeling[J]. CIESC Journal(化工學報), 2013, 64(12): 4587-4590.

［9］Qian Xiaoshan(錢曉山), Yang Chunhua(陽春華), Xu Lisha(徐麗莎). Soft sensor of sodium aluminate solution concentration based on improved differential evolution algorithm and LSSVM[J]. CIESC Journal(化工學報), 2013, 64(5): 1074-1079.

［10］Li Hao(李浩), Yang Min(楊敏). Soft sensing method based on principal curves and its application in distillation columns[J]. CIESC Journal(化工學報), 2012, 63(8): 2492-2499.

［11］Suykens J A K, Gestel T V, Brabanter J D. Least Squares Support Vector Machines[M].Singapore: World Scientific Publishers,2002.

［12］黃強，孫長宇，陳光進,等.含( CH4+ CO2+ H2S) 酸性天然氣水合物形成條件實驗與計算[J] . 化工學報, 2005, 56 (7) : 1159- 1163.

Establishment of the Prediction Model of the Forming Conditions of Natural Gas Hydrate Based on Least Square Support Vector Machine

WANG Fei，A Si-han，WANG Wei-qiang，CHAI Duo
（Liaoning Shihua University, Liaoning Fushun 113001，China）

The hydrate generated in the natural gas pipeline will seriously affect the natural gas production, transportation, and the prediction methods and control measures of natural gas hydrate (NGH) have attracted great attention. For natural gas hydrate formation conditions, considering the influence of the components on the gas hydrate formation, in order to simplify the calculation and improve the prediction accuracy, through introducing least squares support vector machines (LS - SVM) and using Matlab language programming, a prediction model of natural gas hydrate formation conditions was established with the concentrations of CH4, H2S , CO2and hydrate formation temperature as the input, the pressure of hydrate formation as the output. At the same time, the experimental data were used as Least Squares Support Vector Machine training data to carry out the forecast analysis. The results show that the forecasting model has higher prediction accuracy, and the method is simple and feasible, can provide a new solution for prediction of natural gas hydrate formation conditions.

Natural gas; Hydrate; Formation conditions; Least squares support vector machine

TE 8

： A

： 1671-0460（2015）04-0789-03

2015-01-13

王飛（1988-），男，吉林長春人，碩士研究生，2015年畢業于遼寧石油化工大學油氣儲運工程專業，研究方向：管道輸運技術研究。E-mail：tywanghk@126.com。