将鲁棒神经网络应用于利用纳米颗粒降低原油粘度的建模

《ACS Omega》：Application of Robust Neural Networks to Modeling Crude Oil Viscosity Reduction Using Nanoparticles

纳米颗粒处理对原油粘度降低的影响及神经网络模型优化研究。基于646个实验数据点，对比了MLP、CFNN、RBF和GRNN四类神经网络模型预测粘度比值的性能，发现CFNN-LM模型误差最小（AARE 1.83%），R2达0.9851，优于其他模型。物理趋势表明粘度降低与温度、纳米颗粒浓度正相关，与颗粒尺寸负相关。敏感性分析显示初始粘度（27%）、颗粒密度（24%）、尺寸（22%）为线性主导因素，而浓度（30%）和温度（21%）是非线性主要贡献者。杠杆法验证数据可靠性，仅3个疑似点，47个超出杠杆域但预测仍准确。

　　在石油工业中，重质和超重质原油因其丰富的储量而受到高度重视。然而，这些原油具有高密度和极高粘度的特点，这给其开采、运输和后续加工带来了显著的挑战。粘度是影响这些原油流动特性的关键因素，降低粘度可以显著提高其流动性和可采收率。近年来，纳米技术的发展为解决这一问题提供了新的思路。纳米颗粒（NPs）因其高比表面积、良好的分散性和强表面能等特性，被认为是一种有效的粘度降低剂，能够吸附沥青质并改善原油的流变行为。这一方法在提高油井产量和下游操作效率方面展现出巨大潜力。

本研究基于646组实验数据，构建了四种神经网络模型来预测纳米颗粒处理后的原油粘度变化。这些模型包括多层感知机（MLP）、级联前馈神经网络（CFNN）、径向基函数网络（RBF）和广义回归神经网络（GRNN）。通过详细的统计误差指标和可视化图表，评估了各模型的性能。结果显示，使用Levenberg–Marquardt算法训练的CFNN（CFNN-LM）模型表现最佳，其整体平均绝对相对误差（AARE）为1.83%，R2值高达0.9851，而MLP-LM模型紧随其后。相比之下，GRNN和RBF模型在预测能力上较弱，表现出较高的误差和较低的R2值。

研究还探讨了粘度降低的物理趋势，发现粘度降低与温度、纳米颗粒浓度和剪切速率呈正相关，而较小的纳米颗粒尺寸进一步增强了这一效果。此外，通过皮尔逊敏感性分析和斯皮尔曼敏感性分析，识别了初始油粘度（27%）、纳米颗粒密度（24%）和纳米颗粒尺寸（22%）为主要的线性影响因素，而纳米颗粒浓度（30%）、初始粘度（25%）和温度（21%）则作为主导的非线性因素。总体而言，原油的固有特性和纳米颗粒的属性是粘度降低的主要驱动因素，其中浓度和温度表现出更强的非线性效应。

为了确保模型的可靠性和泛化能力，研究中采用了K折交叉验证方法，并通过试错法调整模型的超参数。最终确定的最优参数配置显示，CFNN-LM模型在训练和测试数据集上均表现出色，具有较低的均方误差（MSE）和较高的预测精度。此外，模型的预测结果与实验数据高度吻合，特别是在不同剪切速率、纳米颗粒浓度和温度条件下的粘度变化趋势上，CFNN-LM模型能够准确捕捉这些变化，显示出其在处理复杂流变现象方面的强大能力。

研究还利用杠杆方法评估了模型的应用范围，确认了实验数据集的可靠性。通过计算标准化残差（SR）和杠杆值（H），发现仅有3个数据点被标记为可疑点，而47个数据点属于“超出杠杆”范围，表明这些数据虽然超出模型的应用范围，但仍能被准确预测。这说明数据集整体具有较高的一致性，CFNN-LM模型也表现出良好的预测稳健性。

最后，研究指出未来的工作可以进一步扩展数据集，以涵盖更广泛的实验条件，包括实际油田的典型环境。同时，可以通过引入不同的纳米颗粒、考虑纳米颗粒的表面积、以及包含更详细的化学描述符（如官能团类型、极性和亲水/疏水特性）来提升模型的预测能力。此外，研究还强调了将物理信息纳入模型以提高模型在实际应用中的适应性和鲁棒性的必要性。这些结果不仅验证了CFNN-LM模型在预测纳米颗粒处理后的原油粘度变化方面的优越性，也为未来纳米技术在石油工业中的应用提供了理论支持和实践指导。