简介gydF4y2Ba

在天然气井生产后期，井底压力降低，气体流速减小，携液速度减小，井筒液体聚集增加，液体聚集阻碍天然气运移，产量下降。气举、气泡放电、天然气循环、高压泵等传统技术排液效率较差gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba，gydF4y2Ba3.gydF4y2Ba，gydF4y2Ba4gydF4y2Ba．为解决井筒内流体堆积严重的问题，采用了喷嘴雾化抽采气体的新技术gydF4y2Ba5gydF4y2Ba，gydF4y2Ba6gydF4y2Ba，gydF4y2Ba7gydF4y2Ba．该技术利用天然气的能量，通过喷嘴将积聚在井底的液体雾化，液滴随着天然气带出井筒。该方法降低了能耗，提高了能源利用率，降低了气井的运维成本，可有效解决井筒流体堆积问题。gydF4y2Ba

许多学者对喷嘴雾化技术进行了相关研究，开展了相应的雾化实验gydF4y2Ba8gydF4y2Ba，gydF4y2Ba9gydF4y2Ba，取得了理想的效果。汉等人。gydF4y2Ba10gydF4y2Ba设计了一种内混式雾化除尘喷嘴。采用FLUENT软件对喷嘴内的流场进行了模拟。结果表明:随着供水压力的增加，喷嘴内流速增大，空气流速减小，气液相对流速减小;他们通过雾化喷嘴进行了喷雾降尘实验。实验结果表明:供水压力增大时，降尘范围、液滴体积分数和液滴尺寸均增大，总尘和呼吸性粉尘降尘效率先增大后减小;KOMAG采矿技术研究所gydF4y2Ba11gydF4y2Ba研制了一种喷水喷嘴，可有效地用于采煤机、掘进机、输送机的输送点喷淋降尘。冯gydF4y2Ba12gydF4y2Ba在川西气田生产现场，采用喷嘴对低压低产气井进行雾化排水试验。喷嘴雾化效果好，井筒携液率提高23.4%，产液量增加200 mgydF4y2Ba3.gydF4y2Ba/ d。Ni等。gydF4y2Ba13gydF4y2Ba将超音速喷嘴雾化装置置于1000-2000 m深度进行现场实验，结果表明，其出口速度大大高于普通喷嘴，载液效率提高了41.3%。gydF4y2Ba

近年来，由于科学技术的进步，实验手段也不断创新，通过对喷雾实验的深入研究，以获得更好的雾化效果，从而实现更好的经济价值。Benjanin等人。gydF4y2Ba14gydF4y2Ba研究了旋流喷嘴的内外流场。根据实验结果，得到了质量流量系数和液滴速度的模型公式。Seoksu等。gydF4y2Ba15gydF4y2Ba对旋流喷嘴内部结构和静压进行了研究，研究表明旋流雾化过程中存在回流涡，高喷射压力下喷嘴内部压降较大。Lee等人。gydF4y2Ba16gydF4y2Ba对通道喷嘴进行了实验，并通过CFD仿真对通道喷嘴进行了优化，优化了喷嘴入口长度、出口长度、入口直径和径向位置四个设计变量。结果表明:优化后的喷嘴减小了总压损失，提高了质量流量，优化后的预旋系统减小了气动损失，提高了一定压力下的质量流量，满足了叶片冷却的压力裕度。超声雾化喷嘴模型由Los Alamos建立gydF4y2Ba17gydF4y2Ba在美国实验室，对内燃机的超音速雾化燃烧过程进行了研究。分析两相化学流体的蒸发、破碎和湍流扩散的复杂运动，可以有效提高雾化燃烧的效率。gydF4y2Ba

雾滴粒径SMD及其分布是雾化性能的关键参数，通过研究雾滴粒径SMD及其分布可以评价喷嘴的雾化效果。李兰等。gydF4y2Ba18gydF4y2Ba通过实验研究了外置空气雾化器流场中的液滴尺寸分布。他们将雾化场划分为几个观测区域，通过对几个局部观测区域的测量，得到了整个雾化场中液滴粒径分布的关系，为喷嘴雾化场的研究提供了一定的参考。为直观了解喷嘴雾化场的液滴尺寸分布提供了依据。Yu等人。gydF4y2Ba19gydF4y2Ba研制了一种新型煤气化水浆喷嘴，并对其雾化性能进行了研究。详细讨论了喷嘴工作负荷和气体流量对雾化颗粒分布、Sauter平均直径SMD和喷嘴雾化角的影响。Hyun Suh等。gydF4y2Ba20.gydF4y2Ba通过流动可视化系统研究了空化流动对不同尺寸喷嘴中柴油雾化特性的影响，并利用颗粒测量系统确定了SMD、液滴平均速度等雾化特性。结果表明:喷嘴内的空化作用增强了燃油雾化性能，喷嘴孔长越长，燃油雾化效果越好;夏等。gydF4y2Ba21gydF4y2Ba采用激光粒度系统测量了不同喷雾场的液滴直径。结果表明，喷雾中心的液滴尺寸最小，喷雾边缘的SMD增大。gydF4y2Ba

研究了工况参数对雾化效果的影响，并对不同工况参数对液滴直径的影响因素进行了实验研究，有学者建立了相应的数学模型来预测SMD，以提高雾化效率gydF4y2Ba22gydF4y2Ba，gydF4y2Ba23gydF4y2Ba．Nonnenmacher等人。gydF4y2Ba24gydF4y2Ba基于喷嘴内外流场理论，对空心锥形压力旋流喷嘴进行了研究，建立了流量系数和液滴直径的仿真程序模型。根据仿真程序，可以预测喷嘴的Sauter平均直径SMD。其他学者已经建立了可以快速预测喷雾SMD的深度学习模型gydF4y2Ba25gydF4y2Ba， Wang等。gydF4y2Ba26gydF4y2Ba利用神经网络算法建立预膜雾化模型，得出随着油压差的增大，预膜装置出现防雾效果，雾化效果较差。根据液滴破裂的相似性，Liu等。gydF4y2Ba27gydF4y2Ba建立了爆炸雾化成膜前的有限随机破片模型(FSBM)。利用该模型对雾化雾滴的粒径分布进行了模拟，模拟结果与膜前雾化雾化器的实验结果吻合较好。该模型能准确地确定平均液滴直径SMD与喷淋粒径分布之间的非线性关系。Kaiser等人。gydF4y2Ba28gydF4y2Ba建立了封闭耦合雾化(CCA)喷嘴的吸入压力模型，并将基于人工神经网络的机器学习算法应用于紧耦合HPGA喷嘴的吸入压力预测。RgydF4y2Ba2gydF4y2Ba的值为0.98。通过参数研究和灵敏度测试，不同工况参数所预测的SMD可以促进CCA喷嘴的概念设计和运行，使吸入压力最小。Zhang等。gydF4y2Ba29gydF4y2Ba采用人工神经网络技术对喷雾燃烧大涡模拟(LES)的预测精度进行了测试。结果表明，现有的人工神经网络模型能够较好地复制大多数物种质量分数表，能够较好地预测模拟发动机燃烧网络的喷射火焰。gydF4y2Ba

根据前人对喷嘴雾化实验的研究和分析，对雾化参数液滴直径影响因素的研究较多，目前喷嘴雾化研究还局限于雾化参数之间简单的关系和规律，有人建立了传统喷嘴的经验公式雾化模型，传统数学模型的精度不高，SMD的预测误差较大;很少有人针对传统喷嘴雾化参数建立复杂的机器学习雾化模型，也没有人使用超音速雾化喷嘴建立机器学习模型来预测SMD，而且前人对SMD的预测误差较大，SMD影响因素参数的相关分析比较麻烦，采用神经网络算法对数据进行归一化，利用皮尔逊相关原理进行分析，速度更快，省时省力，可以清楚地计算出各因素之间的影响权重。gydF4y2Ba

因此，本文采用遗传算法优化的新算法-BP神经网络，为新型喷嘴雾化参数液滴平均直径SMD建立雾化模型，并与传统BP神经学习网络相比，建立了可靠准确的雾化模型，能够快速预测雾化目标参数SMD，提高预测效率和精度，并根据不同工况调整液滴的SMD。当井底积液较多时，雾化装置内气体流量较少，液体流量较多，即气液比较小，井外液体排量增大，排水效率提高，井底积液减少，天然气流道增多。排水和天然气采收率大大提高;井底液越少，天然气越多，雾化装置内气液比越大，采收率提高。所建立的GA-BP模型对井下喷嘴工作参数的设定和排水效率的提高具有一定的意义。gydF4y2Ba

测试方法gydF4y2Ba

模拟gydF4y2Ba

几何模型gydF4y2Ba

一种基于Laval管的新型雾化喷嘴可以实现超音速雾化。对传统的Laval管进行改进，建立雾化喷嘴三维模型，如图所示。gydF4y2Ba1gydF4y2Ba．数字gydF4y2Ba1gydF4y2BaA为喷嘴的三维几何模型，由一个气体入口、四个空间对称的液体入口和混合出口组成。井下天然气从喷管的气相入口进入，通过喉道加速，气体流速达到超音速。堆积的流体从液相入口进入腔体，在高速气流的冲击下被剪切破碎而雾化。然后随着上升的天然气被带出井筒。数字gydF4y2Ba1gydF4y2BaB为喷嘴模型尺寸。气液入口直径为25.0 mm和6.0 mm，混合出口直径为34.0 mm，总长度为100.0 mm。gydF4y2Ba

图1gydF4y2Ba
图1gydF4y2Ba

超音速雾化喷嘴模型。（gydF4y2Ba一个gydF4y2Ba三维模型。（gydF4y2BabgydF4y2Ba)模型尺寸。gydF4y2Ba

全尺寸图像gydF4y2Ba

控制方程gydF4y2Ba

本文基于气液两相流的超声速流动，采用VOF湍流Realizable k-ε模型来考虑湍流涡流效应。雾化喷嘴使天然气产生超声速流动，高速气流冲击液体流动剪切雾化，质量流入等于流出的连续性方程为:gydF4y2Ba

$ $ \压裂{\部分\ρ}{\部分t} + \压裂{\部分(\ρ{你}_ {x})} {x} \部分+ \压裂{\部分(\ρ{你}_ {y})}{\偏y} + \压裂{\部分(\ρ{你}_ {z})}{\部分z} = 0 $ $gydF4y2Ba
(1）gydF4y2Ba

在公式中，ρ是流体密度，gydF4y2BaugydF4y2BaxgydF4y2Ba，gydF4y2BaugydF4y2BaygydF4y2Ba而且gydF4y2BaugydF4y2BazgydF4y2Ba分别是x、y、z轴上的速度向量。gydF4y2Ba

当腔内流体的合力为零时，动量前后保持不变。流体质量与速度的乘积等于作用在流体上的合力的时间乘积，满足动量守恒:gydF4y2Ba

$ $ \ \{\离开开始{数组}{c} \压裂{\部分(\ρu)}{\部分t} + \微分算符\离开(\ρ{你}_ {x} u \右)= div \离开(\μgradu \右)- \压裂{\部分p} {x} \部分+{年代}_{你}\ \ \压裂{\部分(\ρu)}{\部分t} + \微分算符\离开(\ρ{你}_ {y} u \右)= div \离开(\μgradu \右)- \压裂{\部分p}{\偏y} +{年代}_ {v} \ \ \压裂{\部分(\ρu)}{\部分t} + \微分算符\离开(\ρ{你}_ {z} u \右)= div \离开(\μgradu \右)- \压裂{\部分p}{\部分z} +{年代}_ {w} \结束数组{}\ $ $gydF4y2Ba
（2）gydF4y2Ba

根据热力学第一定律，腔体内部流动满足能量守恒定律:gydF4y2Ba

$ $ \压裂{\部分(\ρE)}{\部分t} +左\微分算符\ cdot \ [u \离开ρE + p(\ \) \右)= \微分算符\ cdot \离开({k} _ {eff} \δt - \ sum_ {j} {h} _ {j} {j} _ {j} +{\τ}_ {eff} u \右)+ S $ $gydF4y2Ba
（3）gydF4y2Ba

公式中:gydF4y2BaμgydF4y2Ba为动力粘度;gydF4y2Ba年代gydF4y2BaugydF4y2Ba，gydF4y2Ba年代gydF4y2BavgydF4y2Ba而且gydF4y2Ba年代gydF4y2BawgydF4y2Ba是动量守恒方程的广义源项，gydF4y2Ba年代gydF4y2Ba为体积热源项;gydF4y2BapgydF4y2Ba为流场压力，gydF4y2BaEgydF4y2Ba为流体胶束的总能量;gydF4y2BakgydF4y2BaeffgydF4y2Ba为有效导热系数;gydF4y2BahgydF4y2BajgydF4y2Ba而且gydF4y2BaJgydF4y2BajgydF4y2Ba组分的焓和扩散通量是多少gydF4y2BajgydF4y2Ba；gydF4y2BaτgydF4y2BaeffgydF4y2Ba为有效应力张量;gydF4y2BaΔTgydF4y2Ba为流体温度梯度。gydF4y2Ba

可实现的gydF4y2BakgydF4y2Ba-gydF4y2BaεgydF4y2Ba模型:gydF4y2Ba

$ $ \压裂{\部分(\ρk)}{\部分t} + \压裂{\部分(\ρk{你}_ {j})}{\部分{x} _{我}}= \压裂{\部分}{\部分{x} _ {j}} \离开\[左(\μ+ \压裂{{\μ}_ {t}}{{\σ}_ {k}} \) \压裂{\部分k}{\部分{x} _ {j}} \右]+ {G} _ {k} + {G} _ {b} - \ρ\ varepsilon +{年代}_ {k} $ $gydF4y2Ba
（4）gydF4y2Ba
$ $ \压裂{\部分(ρ\ \ varepsilon)}{\部分t} + \压裂{\部分\离开(ρ\ \ varepsilon{你}_ {j} \右)}{\部分{x} _ {j}} = \压裂{\部分}{\部分{x} _ {j}}左\[\离开(\μ+ \压裂{{\μ}_ {t}}{{\σ}_ {\ varepsilon}} \) \压裂{\部分\ varepsilon}{\部分{x} _ {j}} \右]+ \ρ{C} _{1}{年代}_ {\ varepsilon} - \ρ{C} _{2} \压裂{{\ varepsilon} ^ {2}} {k + \ sqrt {v \ varepsilon}} + \压裂{{C} _ {1 \ varepsilon} \ varepsilon} {k} {G} _ {3 \ varepsilon} {G} _ {b} +{年代}_{年代}$ $gydF4y2Ba
（5）gydF4y2Ba

其中:gydF4y2Ba\ ({C} _ {1} = \ mathrm{马克斯}\离开(0.43 \压裂{\埃塔}{\埃塔+ 5}\右),\η= S \压裂{k} {\ varepsilon} \)gydF4y2Ba

在等式中:gydF4y2BaKgydF4y2Ba是湍流动能，gydF4y2BaεgydF4y2Ba为湍流耗散率;gydF4y2BaGgydF4y2BakgydF4y2Ba为层流速度梯度产生的湍流动能项;gydF4y2BaGgydF4y2BabgydF4y2Ba为浮力引起的湍流动能项;gydF4y2BaYgydF4y2Ba米gydF4y2Ba为可压缩湍流膨胀对总耗散率的影响;gydF4y2BaCgydF4y2Ba1gydF4y2BaCgydF4y2Ba2gydF4y2Ba是常数;gydF4y2BaσgydF4y2BaKgydF4y2Ba而且gydF4y2BaσgydF4y2BaεgydF4y2Ba分别为k方程和ε方程对应的普朗特数;gydF4y2Ba年代gydF4y2BakgydF4y2Ba而且gydF4y2Ba年代gydF4y2BaεgydF4y2Ba是用户自定义的湍流动能项和湍流耗散源项。gydF4y2Ba

边界条件和参数设置gydF4y2Ba

  1. 1.gydF4y2Ba

    解法设置gydF4y2Ba

    仿真计算采用VOF气液两相流模型和湍流可实现k-e模型。选择隐式求解器，采用基于压力的求解器。瞬态计算中，时间步长为0.0001 s，求解时间为50 s，速度与压力耦合采用SIMPLEC算法。监控器监控出口各个物理量的变化。剩余值设置为10gydF4y2Ba6gydF4y2Ba，收敛更可靠。gydF4y2Ba

  2. 2.gydF4y2Ba

    边界条件设置gydF4y2Ba

    气体进口为质量流量进口，气体材料为空气，初值为3000米gydF4y2Ba3.gydF4y2Ba/d，换算成质量流速为425.35 g/s;液嘴进口设置为质量流量进口，物料设置为液态水，初值为0.6 mgydF4y2Ba3.gydF4y2Ba/d，质量流速为6.932 g/s。喷嘴出口端面设置为压力出口，值为大气压−101325 Pa，其余壁面设置为壁面，壁面平整;液体入口直径(gydF4y2BadgydF4y2Ba),光圈gydF4y2BadgydF4y2Ba6.0毫米。gydF4y2Ba

网格独立性验证gydF4y2Ba

针对本文的复杂不规则模型，采用四面体和边界层细化网格模型，具有较高的适应性和网格质量。一般情况下，网格数量越多，计算精度越高，但也会增加计算负担。在电网生成之前，这两个因素应该得到平衡。本文生成了三种不同类型(不同数量)的网格，并对生成的网格进行了独立性测试，如图所示。gydF4y2Ba2gydF4y2Ba．gydF4y2Ba

图2gydF4y2Ba
图2gydF4y2Ba

三种啮合情况下各截面速度的比较。gydF4y2Ba

全尺寸图像gydF4y2Ba

试验过程中，对比了喷嘴上游、中、下游四段x = 14.2 mm、x = 30 mm、x = 60 mm、x = 100 mm的气液两相速度。结果表明，三种不同网格的速度模拟结果具有相似的趋势。使用较好的网格时采样点的速度与使用精细网格时的速度非常接近，而使用中等网格时的速度与使用其他两种网格时的速度有很大差异。因此，可以认为较好的网格满足了网格独立性的要求，保证了仿真精度。采用“更好”的网格可以有效缩短模拟周期，保证流场计算误差小。网格' better '的最终信息:元素总数为1227,661，节点总数为351,415。gydF4y2Ba

仿真结果gydF4y2Ba

基于Fluent软件进行了仿真。进气流量的初始值为3000mgydF4y2Ba3.gydF4y2Ba/d时，液体入口流量的初始值为0.6 mgydF4y2Ba3.gydF4y2Ba/d时，液体入口直径初值为6.0 mm，出口压力为101325 Pa的大气压。计算得到的喷嘴内部云图如图所示。gydF4y2Ba3.gydF4y2Ba．喉道最大速度为501.0 m/s，达到超音速，最大湍流动能为2819.5 mgydF4y2Ba2gydF4y2Ba/秒gydF4y2Ba2gydF4y2Ba．gydF4y2Ba

图3gydF4y2Ba
图3gydF4y2Ba

超音速喷管内部云图。（gydF4y2Ba一个gydF4y2Ba)速度云图。（gydF4y2BabgydF4y2Ba)湍流动能云图。gydF4y2Ba

全尺寸图像gydF4y2Ba

根据雾化喷嘴内部流场，在雾化喷嘴内部建立横向中心轴。喷管内部横向速度分布如图所示。当喉道速度达到最大501.0 m/s时，距离进气口18.97 mm。同样，进液口的纵轴数据如图所示。gydF4y2Ba4gydF4y2Ba．计算得到液流入口的轴向速度为0.24 m/s，最大纵向速度为256.73 m/s。它与超音速气流相撞并发生剪切。湍流严重，气液相相互作用提高了雾化效果。gydF4y2Ba

图4gydF4y2Ba
图4gydF4y2Ba

超音速喷管内部云图。（gydF4y2Ba一个gydF4y2Ba)横中轴。（gydF4y2BabgydF4y2Ba)纵轴速度。gydF4y2Ba

全尺寸图像gydF4y2Ba

实验研究gydF4y2Ba

实验系统gydF4y2Ba

根据所模拟的超音速喷嘴模型，利用Solidworks软件改进并建立了超音速雾化工作喷嘴，然后采用3D打印技术制作了多孔对称工作喷嘴，如图所示。gydF4y2Ba5gydF4y2Ba．数字gydF4y2Ba5gydF4y2BaA为工作雾化器，由不锈钢制成，总长130毫米。数字gydF4y2Ba5gydF4y2BaB为工作雾化器的内部轮廓。gydF4y2Ba

图5gydF4y2Ba
图5gydF4y2Ba

工作雾化喷嘴模型。（gydF4y2Ba一个gydF4y2Ba)喷嘴物理对象。（gydF4y2BabgydF4y2Ba)喷嘴内部截面。gydF4y2Ba

全尺寸图像gydF4y2Ba

建立喷雾实验系统，如图所示。gydF4y2Ba6gydF4y2Ba．数字gydF4y2Ba6gydF4y2Baa为手动实验平台，包括高压水泵、液体流量计、空气压缩机、高压气瓶、气体流量计、高速摄像机、激光粒度分析仪、计算机等。gydF4y2Ba

图6gydF4y2Ba
图6gydF4y2Ba

雾化实验工作平台。（gydF4y2Ba一个gydF4y2Ba)实验平台。（gydF4y2BabgydF4y2Ba)激光粒度分析仪。（gydF4y2BacgydF4y2Ba)空气压缩机。gydF4y2Ba

全尺寸图像gydF4y2Ba

其中，气体流量计型号为HL-LWQ，量程为1 - 10000 (m)gydF4y2Ba3.gydF4y2Ba/h)，工作温度0-60℃;液体流量计型号为LWGY-FMT，量程0.6 ~ 800 (m)gydF4y2Ba3.gydF4y2Ba/h)，工作温度为−20 ~ 120(℃)，压力表型号为YTZ-150，测量范围为−0.1 ~ 0 ~ 60 (MPa)，工作温度为−10 ~ 80(℃)。gydF4y2Ba

数字gydF4y2Ba6gydF4y2BaB显示激光粒度分析仪。液滴尺寸由德国HELOS/VARIO-KR激光粒度分析仪测量。激光粒度仪的液滴尺寸测量范围广，可根据选择不同的透镜，覆盖0.1-3500 μm动态范围的平行光路设计，可实现广泛的喷雾羽状粒度测量。gydF4y2Ba

粒度分析仪与计算机连接，数据由计算机进行处理。采用Sotel平均粒径SMD对激光粒度分析仪测得的液滴直径进行统计分析。SMD表示为gydF4y2BaDgydF4y2Ba32gydF4y2Ba，计算公式为:gydF4y2Ba

$ ${文本\ D{}} _{32} = \压裂{{\ smallint_{\分钟}^{\马克斯}D ^ {3} dN}} {{\ smallint_{\分钟}^{\马克斯}D ^ {2} dN}} $ $gydF4y2Ba
(6）gydF4y2Ba

在那里,gydF4y2BaDgydF4y2Ba32gydF4y2Ba为Sauter的平均粒径，N为直径为D的液滴数。gydF4y2Ba

数字gydF4y2Ba6gydF4y2Bac为KJ系列工业空压机。空压机的流量为0.36 ~ 0.9 mgydF4y2Ba3.gydF4y2Ba/min，最大排气压力2.5 Mpa，电机最大功率7.5 KW，安全可靠，使用寿命长。gydF4y2Ba

实验方案gydF4y2Ba

为了模拟低压低产气井气液雾化流动状态，将气体体积流量(gydF4y2Ba问gydF4y2BaggydF4y2Ba)为3000米gydF4y2Ba3.gydF4y2Ba/d, 3500米gydF4y2Ba3.gydF4y2Ba/天，4000米gydF4y2Ba3.gydF4y2Ba/d, 4500米gydF4y2Ba3.gydF4y2Ba/d和5000 mgydF4y2Ba3.gydF4y2Ba/d，液体积流量(gydF4y2Ba问gydF4y2BalgydF4y2Ba)为0.6米gydF4y2Ba3.gydF4y2Ba/d, 1.0 mgydF4y2Ba3.gydF4y2Ba/d, 1.4 mgydF4y2Ba3.gydF4y2Ba/d, 1.8 mgydF4y2Ba3.gydF4y2Ba/d, 2.2 mgydF4y2Ba3.gydF4y2Ba/ d。液相喷嘴d直径分别为6.0 mm、6.6 mm、7.2 mm、7.8 mm和8.4 mm。设计了3因素5水平的正交试验。水平因子如表所示gydF4y2Ba1gydF4y2Ba．gydF4y2Ba

表1试验因子水平表。gydF4y2Ba
全尺寸表gydF4y2Ba

将3因素5水平正交实验模型设为60组，实验正交表将各影响因素水平按等概率组合，正交实验顺序如表所示gydF4y2Ba2.gydF4y2Ba

表2正交实验序列表。gydF4y2Ba
全尺寸表gydF4y2Ba

实验在室内进行，室内环境稳定，室温下温度为25℃，实验系统的工作原理为:高压气流从气相进口经气体流量计进入雾化喷嘴收缩段，水流经液相进口进入膨胀段，高速气流经喉道加速至膨胀段与水流碰撞，剪切雾化并经搅拌出口喷出;同时通过高速摄像机摄取喷雾流场，在均匀雾化处的监测点用激光粒度仪测量液滴的粒径分布，采集不同工况参数下雾化液滴直径的数据。实验结束后，先关闭电源，再关闭空压机和水泵，再关闭压力阀，最后进行数据输出预处理。gydF4y2Ba

测试的具体操作如下:gydF4y2Ba

  1. 1.gydF4y2Ba

    首先，将各实验设备按顺序连接起来，将激光粒度检测仪放置在雾化喷嘴出口处，并与计算机连接，检查系统的安全性、稳定性是否正常;gydF4y2Ba

  2. 2.gydF4y2Ba

    其次，打开压力控制阀和压力表的开关，启动激光粒度仪，稳定后再打开空压机等喷嘴再打开水泵，将其中的空气压缩储存在高压气瓶中，设定空压机和水泵实验所需的参数;gydF4y2Ba

  3. 3.gydF4y2Ba

    激光粒度测试仪放置在喷嘴出口50cm处，雾化喷嘴喷雾稳定后进行雾化液滴数据采集和数据输出;gydF4y2Ba

  4. 4.gydF4y2Ba

    实时记录压力表流量计的变化，对压力表和流量计进行监控和记录;gydF4y2Ba

  5. 5.gydF4y2Ba

    实验完成后，先关闭电源，再关闭空压机和水泵，再关闭压力阀，最后进行数据输出预处理。gydF4y2Ba

雾化模型的建立gydF4y2Ba

BP神经网络gydF4y2Ba

神经网络预测在生产实践中应用广泛，具有较强的学习和自适应能力，能够有效地串联输入和输出信息。BP神经网络是一种“通用模型+纠错函数”。它是一种模型，可以比较训练结果与预期结果之间的误差，修改并找到最优权重和阈值，逐渐得到与预期输出结果一致的模型。BP神经网络由输入层、隐层和输出层组成。网络结构示意图如图所示。gydF4y2Ba7gydF4y2Ba．gydF4y2Ba

图7gydF4y2Ba
图7gydF4y2Ba

BP神经网络原理图。gydF4y2Ba

全尺寸图像gydF4y2Ba

每个神经元都受到其他神经元的刺激。每个神经元模型接收到的所有信号都通过加权连接传输。神经元将这些信号累积为总输入值，然后将总输入值与神经元的阈值(模拟阈值电位)进行比较，由“激活函数”处理后传递给下一个神经元。激活函数是一个非线性映射函数。激活函数的作用是增加模型的非线性能力，使其形成非线性映射，增强模型的适应性和可靠性。激活函数应用于隐藏层和输出层中每个节点的加权输入和，称为z(其中输入可以是原始数据，也可以是前一层的输出)。sigmoid函数将其输入转换为0到1之间的概率值。它将较大的负值转换为0，将较大的正值转换为1。gydF4y2Ba

激活函数方程为:gydF4y2Ba

$ ${乙状结肠}}{\文本(z) = \压裂{1}{{1 + e ^ {- z}}} $ $gydF4y2Ba
(7）gydF4y2Ba

其中，BP网络隐含层的节点数量影响模型训练的准确性。节点数越多，训练质量越可靠。隐节点可根据经验公式计算:gydF4y2Ba

$$ m = \√{n + l} + a $$gydF4y2Ba
（8）gydF4y2Ba

式中，n为输入层的节点数;M为隐层节点数;gydF4y2BalgydF4y2Ba为输出层节点数;A是0到10之间的常数。gydF4y2Ba

BP神经网络的输入节点和目标输出参数如表所示gydF4y2Ba1gydF4y2Ba．输入节点为气体流速、液相流速和液相入口直径，目标输出层为液滴直径SMD。gydF4y2Ba

遗传算法gydF4y2Ba

遗传算法是达尔文生物进化论中模拟生物进化过程的计算模型，是一种通过模拟自然进化过程来寻找最优解的方法。遗传算法首先表示问题的潜在解决方案集，而种群是由基因编码的一定数量的个体组成的。一开始，随机选择许多可行方案(形成一个群体)，每个个体由只包含两个基因(0或1)的染色体组成，不同个体的染色体是不同的。但是它们可以相互交叉，或者突变和交叉，然后初始参数被评估和筛选。gydF4y2Ba

  1. 1.gydF4y2Ba

    种群初始化gydF4y2Ba

    初始种群由数据参数随机生成，种群大小直接影响染色体多样性。染色体由数组和数据字符串组成。初始化随机生成N个初始字符串结构数据，N个个体组成一个组。GA以这N串结构数据为起点，开始了演化。gydF4y2Ba

  2. 2.gydF4y2Ba

    适应度函数gydF4y2Ba

    适应度函数也称为评价函数。遗传算法评价算法收敛的效果取决于适应度值，而不是解的结构。适应度值的大小决定了个体的优劣势。适应度值越大，个体越好。因此，我们选择个体的标准是根据适应度值的大小来选择的。适应度函数用于计算每个个体的适应度值，并将结果提供给选择算子。gydF4y2Ba

    $ $ f{我}= k \离开({\总和\ limits_ {i = 1} ^ {n}{\文本{abs}} \离开({y_{我}-间{我}}\右)}\右)$ $gydF4y2Ba
    （9)gydF4y2Ba

    其中，n是网络输出节点的数量，ygydF4y2Ba我gydF4y2BaBP神经网络的i节点x的期望值为gydF4y2Ba我gydF4y2Ba是I节点的实际输出，k是系数。gydF4y2Ba

  3. 3.gydF4y2Ba

    选择操作gydF4y2Ba

    选择操作是在群体中选择相对优秀的个体，为下一步操作做准备。在遗传算法的选择操作中使用轮盘赌方法时，选择一些适合度值较高的数据是一种基于适合度比的选择策略。自适应性能越高，输出精度越高。一个人被选中的概率，gydF4y2BapgydF4y2Ba我gydF4y2Ba是:gydF4y2Ba

    $$ f_{i} = \frac{k}{{f_{i}} $$gydF4y2Ba
    （10）gydF4y2Ba
    $ $ p_{我}= \压裂{f我}{}{}{{\总和\ nolimits_ {j = 1} ^ {N} {f {j}}}} $ $gydF4y2Ba
    （11）gydF4y2Ba

    在那里,FgydF4y2Ba我gydF4y2Ba个体I的适合度值，个体选择前的适合度倒数为gydF4y2BafgydF4y2Ba我gydF4y2Ba；K是系数。gydF4y2Ba

  4. 4.gydF4y2Ba

    交叉操作gydF4y2Ba

    交叉操作是指利用两条染色体的交叉组合，从所有个体中选择出两个优秀个体。在交叉过程中，从种群中随机选择两条染色体，并随机选择一条或多条未知染色体进行交换。由于个人使用实数编码，交叉操作方法中采用实数交叉方法。第k染色体的交叉操作gydF4y2Ba\ ({} _ {kj} \)gydF4y2Ba第i条染色体gydF4y2Ba\ ({} _ {ij} \)gydF4y2Ba在j位置为:gydF4y2Ba

    左$ $ \ \{{\开始{数组}{l *{20}}{现代{kj} =现代{kj} (1 - b) +现代lj} {b} \ hfill \ \{现代{lj} =现代{lj} (1 - b) +现代b {kj}} \ hfill \ \ \{数组}}结束\。$ $gydF4y2Ba
    （12）gydF4y2Ba

    其中，b为[0,1]之间的随机数。gydF4y2Ba

  5. 5.gydF4y2Ba

    变异操作gydF4y2Ba

    突变操作是指从群体中选择一个个体，在染色体上选择一个点进行突变，产生更好的个体，使群体的个体基因发生突变。利用第j个基因的突变运算函数gydF4y2Ba\ ({} _ {ij} \)gydF4y2BaI个人的特点如下:gydF4y2Ba

    左$ $现代{ij} = \ \{{\开始{数组}{l *{20}}{现代{ij} + \离开({现代{ij} -现代{\马克斯}}\右)* f (g)} \ hfill & {r > 0.5} \ hfill \ \{现代{ij} + \离开({现代{\分钟}-现代{ij}} \右)* f (g)} \ hfill & r < = {0.5} \ hfill \ \ \{数组}}\正确的结束。$ $gydF4y2Ba
    （13）gydF4y2Ba
    $ $ f (g) = r_{2} \离开({1 - \压裂{g} {{G_{\马克斯}}}}\右)^ {2}r_ {2} $ $gydF4y2Ba
    (14）gydF4y2Ba

    在那里,gydF4y2Ba\ ({} _ {\ mathrm{马克斯}}\)gydF4y2Ba是基因的上限吗gydF4y2Ba\ ({} _ {ij} \)gydF4y2Ba，gydF4y2Ba\ ({} _ {\ mathrm{分钟}}\)gydF4y2Ba是基因的下界吗gydF4y2Ba\ ({} _ {ij} \)gydF4y2Ba， g为当前进化代数，gydF4y2BaGgydF4y2Ba马克斯gydF4y2Ba为20的最大演化值，gydF4y2BargydF4y2Ba是[0,1]的随机数。gydF4y2Ba

GA-BP神经网络gydF4y2Ba

BP算法对非线性系统的拟合有很好的效果，但也存在一定的局限性。网络训练的权重和阈值是不稳定的，每次训练的效果也不是固定的。虽然具有较强的非线性映射能力，但在逼近预测值的过程中需要较多的时间，导致收敛速度较慢，容易陷入局部最优。在实际问题的研究中，遗传算法具有较好的全局搜索能力，能以较快的收敛速度获得全局最优解。为了提高网络的训练效果，引入遗传算法，减少BP神经网络容易陷入局部优化的可能性。通过遗传算法优化的BP神经网络可以初步筛选神经网络的随机权重，优化网络结构，大大提高了BP神经网络的学习和自适应性能，并能达到最佳的预测效果。遗传算法优化后的BP神经网络流程如图所示。gydF4y2Ba8gydF4y2Ba．gydF4y2Ba

图8gydF4y2Ba
图8gydF4y2Ba

GA-BP神经网络的处理流程。gydF4y2Ba

全尺寸图像gydF4y2Ba

模型评价gydF4y2Ba

本文采用均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)来评价预测模型的性能，模型的预测质量由这三个指标来决定。MSE越小，MAE和MAPE越接近0，说明模型预测的相对误差越小，整体预测精度越高。gydF4y2Ba

$ $ MSE = \压裂{1}{n} \ \ limits_总和{i = 1} ^ {n}{\离开({y_{我}-间{我}}\右)^ {2}}$ $gydF4y2Ba
(15）gydF4y2Ba
$ $美= \压裂{1}{n} \总和\ limits_ {i = 1} ^ {n}{\左| {y_{我}-间{我}}\右|}$ $gydF4y2Ba
（16）gydF4y2Ba
$ $日军= \压裂{1}{n} \ \ limits_总和{i = 1} ^ {n}{\左|{\压裂{{y_{我}-间{我}}}{{y_{我}}}}\右|}$ $gydF4y2Ba
(17)gydF4y2Ba

在那里,gydF4y2BaxgydF4y2Ba我gydF4y2Ba是I的预测值;gydF4y2BaygydF4y2Ba我gydF4y2Ba是gydF4y2Ba我gydF4y2Ba实际价值。gydF4y2Ba

决定系数RgydF4y2Ba2gydF4y2Ba用于评价SMD的实验预测值与模拟值的拟合程度。更近的RgydF4y2Ba2gydF4y2Ba等于1，模型越好。R的方程gydF4y2Ba2gydF4y2Ba是:gydF4y2Ba

$ $ R ^{2} = 1 - \压裂{{\总和\ nolimits_ {i = 1} ^ {n}{\离开({间{exp} -间的{{{文本\ {pred}}}}} \右)^{2}}}}{{\总和\ nolimits_ {i = 1} ^ {n}{\离开({间{\ exp} - \眉题{x} _ {e \乘以p}} \右)^ {2}}}}$ $gydF4y2Ba
（18)gydF4y2Ba

在那里,gydF4y2BaxgydF4y2Ba经验值gydF4y2Ba为实验值，gydF4y2BaxgydF4y2BapredgydF4y2Ba是预测值，gydF4y2Ba酒吧\ (\ {X} _{\文本{exp}} \)gydF4y2Ba经验值gydF4y2Ba为实验值的平均值。gydF4y2Ba

数据归一化gydF4y2Ba

由于原始数据中不同维度之间的维数差距较大，需要对数据进行归一化，以使不同类型的数据处于相同的纬度和区间。这样可以有效减少数据差异，提高自适应性，减少数据冗余，提高数据参数运算精度和收敛效率。本文选取60组实验值作为样本集，对数据进行归一化处理，并映射到[0,1]范围内。使用Premnmx函数将原始数据归一化，如下所示:gydF4y2Ba

x $ $ ^{\ '} = \压裂{{x -间{\分钟}}}{{间{\马克斯}-间{\分钟}}}$ $gydF4y2Ba
(19)gydF4y2Ba

这个公式gydF4y2BaxgydF4y2Ba马克斯gydF4y2Ba而且gydF4y2BaxgydF4y2Ba最小值gydF4y2Ba为实验样品SMD的最大值和最小值。gydF4y2Ba

测试结果及分析gydF4y2Ba

模拟试验参数gydF4y2Ba

BP神经网络的输入参数为气体流速、液相流速、液相入口直径和平均液滴尺寸SMD。在实验研究中，对60组参数进行了训练和测试，如表所示gydF4y2Ba3.gydF4y2Ba．附全部实验数据。gydF4y2Ba

表3实验参数及结果。gydF4y2Ba
全尺寸表gydF4y2Ba

GA-BP网络模型首先对实验数据进行归一化，然后对仿真程序进行调试。所选模型的初始参数如表所示gydF4y2Ba4gydF4y2Ba：gydF4y2Ba

表4 GA-BP神经网络仿真初始参数。gydF4y2Ba
全尺寸表gydF4y2Ba

模型训练gydF4y2Ba

本文采用BP神经网络和遗传算法优化的BP网络，通过样本数据对训练集进行准确预测和检验。这里，使用前45组实验数据集来学习和训练雾化模型。gydF4y2Ba

仿真中采用遗传算法对BP神经网络3-7-1的结构进行优化。遗传算法可以将最优阈值和权重传递给BP神经网络。种群的最佳适应度和平均适应度的变化如图所示。gydF4y2Ba9gydF4y2Ba．在迭代的初始阶段，总体的个体远远没有达到期望值。在迭代优化后期，随着网络计算的不断迭代收敛，优化后的遗传算法搜索速度加快，适应度值范围减小，下降速度加快。种群的平均适应度随着进化代数的增加而降低，种群中的个体逐渐接近最优适应度。gydF4y2Ba

图9gydF4y2Ba
图9gydF4y2Ba

GA-BP适应度响应曲线。gydF4y2Ba

全尺寸图像gydF4y2Ba

利用遗传算法优化的权值阈值训练BP网络。学习模型的训练结果如图所示。gydF4y2Ba10gydF4y2Ba．SMD雾化模型训练效果良好。GA-BP和BP的SMD训练值与实验值吻合较好。GA-BP的训练误差比BP网络小，这是因为经过遗传算法优化的BP网络具有更强的适应性和更稳定的网络结构。gydF4y2Ba

图10gydF4y2Ba
图10gydF4y2Ba

模型训练误差。gydF4y2Ba

全尺寸图像gydF4y2Ba

敏感性分析gydF4y2Ba

根据BP网络训练的雾化模型，气体流速、液相流速和液相入口直径为输入变量，液滴尺寸为输出变量。归一化SMD与归一化输入参数之间的关系如图所示。gydF4y2Ba11gydF4y2Ba．gydF4y2Ba

图11gydF4y2Ba
图11gydF4y2Ba

各输入参数对BP网络归一化SMD的敏感性。（gydF4y2Ba一个gydF4y2Ba)标准规范化。（gydF4y2BabgydF4y2Ba)相关系数矩阵图。gydF4y2Ba

全尺寸图像gydF4y2Ba

在无花果。gydF4y2Ba11gydF4y2Baa，归一化SMD随供给流量Qg的增加而减小。由于送风量的增加，喷嘴腔内动能迅速增大，剪切破碎效果增强，雾化性能更好;SMD随供液量的增加而增大。因为液滴总数增加，液滴总体积增大，液滴有效表面积减小，液滴平均粒径增大;随着液体入口直径的增大，SMD增大了液体流速和平均液滴尺寸。gydF4y2Ba

数字gydF4y2Ba11gydF4y2Bab为BP网络归一化参数生成的Pearson相关系数热图。两者之间呈负相关gydF4y2Ba问gydF4y2BaggydF4y2Ba和SMD，敏感性最强，相关性为−0.93，与的变化趋势一致gydF4y2Ba问gydF4y2BaggydF4y2Ba和图中的SMD。gydF4y2Ba10gydF4y2Baa.两者之间呈正相关gydF4y2Ba问gydF4y2BalgydF4y2Ba， d和SMD，相关值分别为0.20、0.29。的gydF4y2BadgydF4y2Ba对SMD的影响比gydF4y2Ba问gydF4y2BalgydF4y2Ba．综上所述，灵敏度与SMD的关系为QgydF4y2BaggydF4y2Ba>gydF4y2BadgydF4y2Ba>gydF4y2Ba问gydF4y2BalgydF4y2Ba．gydF4y2Ba

模型试验gydF4y2Ba

模型训练更加准确。用训练样本外的数据对模型进行检验，用测试集数据对雾化模型进行检验。当网络训练结果满足一定精度要求时，剩余15组数据用于测试GA-BP网络。模型的预测结果如图所示。gydF4y2Ba12gydF4y2Ba，具体的实验预测数据如表所示gydF4y2Ba5gydF4y2Ba．BP网络的预测误差大于GA-BP网络，GA-BP网络的预测误差较小。预测值与实验值吻合较好。gydF4y2Ba

图12gydF4y2Ba
图12gydF4y2Ba

GA-BP检测结果。gydF4y2Ba

全尺寸图像gydF4y2Ba
表5 GA-BP神经网络预测液滴尺寸SMD结果。gydF4y2Ba
全尺寸表gydF4y2Ba

GA-BP网络的预测结果比未优化的BP网络更接近真实SMD值，GA-BP的预测精度优于BP, BP网络的预测精度有待提高。这是因为:1。样本数据集不是无限的，网络没有充分研究SMD的波动趋势。2.平均液滴尺寸不仅与实验输入变量有关，还与实验室环境的变化因素有关，如温度、湿度、噪声等，因此在BP网络预测中可能会出现输出信号失真。而GA-BP通过选择、突变和交叉对网络随机值进行选择和优化，预测输出精度大大提高。gydF4y2Ba

误差分析gydF4y2Ba

数字gydF4y2Ba13gydF4y2BaA为GA-BP网络训练的平均误差响应曲线。实验结果表明，经过遗传算法改进的BP网络可以自适应调节种群数量中个体的交叉突变率，加快其收敛速度，有效减少训练步数。最优演化代数为第9代，MSE最小收敛值为1.1128 × 10gydF4y2Ba5gydF4y2Ba．gydF4y2Ba

图13gydF4y2Ba
图13gydF4y2Ba

训练的结果。（gydF4y2Ba一个gydF4y2Ba)模型训练MSE。（gydF4y2BabgydF4y2Ba) GA-BP模型相关系数。gydF4y2Ba

全尺寸图像gydF4y2Ba

数字gydF4y2Ba13gydF4y2BaB是一个2行2列的矩阵数据图。横坐标为目标值，纵坐标为网络输出值，对角线(-Fit)为目标值与网络输出值的最佳自适应拟合曲线。为了防止过拟合，MATLAB采用的方法是将数据分为三部分。训练是训练数据，验证和测试分别是验证数据和测试数据。训练后的网络输出值与训练目标值的相关性为0.99997(左上b)。随着训练的进行，训练输出数据与训练目标数据之间的误差越来越小，验证和测试数据相同。误差越来越小。图4(右下)中所有网络输出值与所有目标值的相关性为0.98865，最终形成完美回归。gydF4y2Ba

基于BP和GA-BP网络的预测输出值与实验值的误差如图所示。gydF4y2Ba14gydF4y2Ba．预测模型的误差分析见表gydF4y2Ba5gydF4y2Ba．R的预测gydF4y2Ba2gydF4y2BaBP为0.897,RgydF4y2Ba2gydF4y2BaGA-BP为0.979。GA-BP模型拟合度较高，预测效果较好。BP网络对后15组数据的模型检验预测误差较大，其中MSE、MAE和MAPE的预测误差分别为22.729、4.172和0.072，如表所示gydF4y2Ba6gydF4y2Ba．经遗传算法优化后，MSE、MAE和MAPE的误差分别降至4.471、1.811和0.031，表明基于GA-BP网络的SMD雾化模型是成功的。gydF4y2Ba

图14gydF4y2Ba
图14gydF4y2Ba

模型预测误差。gydF4y2Ba

全尺寸图像gydF4y2Ba
表6雾化模型误差参数。gydF4y2Ba
全尺寸表gydF4y2Ba

结论gydF4y2Ba

  1. 1.gydF4y2Ba

    通过GA-BP模型训练，得到归一化SMD与归一化输入参数之间的关系。SMD随的增加而减小gydF4y2Ba问gydF4y2BaggydF4y2Ba，呈正相关，而SMD随d和的增加而增加gydF4y2Ba问gydF4y2BalgydF4y2Ba，呈负相关。模型训练的归一化参数与SMD灵敏度的关系如下:gydF4y2Ba问gydF4y2BaggydF4y2Ba>gydF4y2BadgydF4y2Ba>gydF4y2Ba问gydF4y2BalgydF4y2Ba．gydF4y2Ba

  2. 2.gydF4y2Ba

    通过输入参数气相流速，对液相流速、液相入口直径和输出参数进行训练和测试。RgydF4y2Ba2gydF4y2BaBP模型的预测值为0.897,GA-BP模型的预测值为0.979，具有较强的学习自适应能力和较高的拟合优度。GA-BP预测的均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MPE)分别为4.471、1.811和0.031。与BP网络预测相比，分别下降18.258和0.041。GA-BP算法能有效提高预测精度。gydF4y2Ba

  3. 3.gydF4y2Ba

    通过遗传算法改进BP神经网络的权值和阈值，提高了网络的全局智能适应性，BP网络计算收敛更快更准确，可以快速预测液滴大小SMD。GA-BP网络构建的液滴尺寸SMD预测模型大大提高了预测速度和精度。这对定量指导井下超声雾化排水气液相参数的设定和携液率的提高具有重要意义。gydF4y2Ba

超声波雾化喷嘴用于抽吸和气体回收。超声雾化均匀，有效减小气液相速度滑移损失，提高了载液效率，提高了回收率。目前，我们设计的新型超音速雾化喷嘴已成功应用于大庆油田徐深气田区块，并取得了良好的效果。可使天然气采收率提高4.5 ~ 8.6%，缓解了接近勘探末期的液体聚集问题。gydF4y2Ba