多因素耦合态下ESPCP系统输出转速的优化方法

潜油螺杆泵采油(ESPCP)系统的最优输出转速是考虑多种因素交互耦合作用的结果,是典型的非线性优化问题.应用人工神经网络技术,以MATLAB软件为平台,建立了原油粘度、泵端压差以及定转子间过盈量3个因素与输出转速之间的遗传神经网络模型.该模型运用遗传算法优化神经网络的权值和阈值,有效提高了网络的收敛性和预测的准确率.通过数据样本学习与部分现场监测数据相结合进行模拟,研究表明预测数据与实测结果基本吻合,取得了较好的效果.为考虑更多因素时优化ESPCP系统的输出转速提供了新的思路和方法.

潜油螺杆泵采油系统中推力轴承有限元分析

推力轴承是潜油螺杆泵采油系统中在机组下潜深度、抽汲原油粘度等因素约束下决定系统使用寿命的关键部件.为了在苛刻的径向尺寸限制下尽可能提高轴承的抗高温承载能力,分析了前期生产应用中轴承的破损原因,从结构和材料两方面入手,提出几种不同的改进设计方案.应用ANSYS有限元分析软件对不同方案的接触问题进行了研究,通过分析结果的比较,确定在512″油井中选取无保持架,滚珠半径为10 mm,个数为8个的推力球轴承为最佳方案.

几种人工神经网络在潜油螺杆泵转速预测中的比较

在潜油螺杆泵的使用中,转速的选择与控制十分重要,同时转速的预测能够有效地避免泵效下降、延长泵的使用寿命。目前在分析各因素对螺杆泵转速影响的基础上,采用人工神经网络方法建模并进行预测其后续转速已成为研究的热点。在对螺杆泵转速影响因素的分析基础上,采用BP网络、RBF网络和Elman网络分别对转速进行实例研究并观察其误差。结果表明,三种典型的神经网络模型均能够很好地描述任意温度、原油粘度和泵端压差等工况条件下的螺杆泵转速变化特性,实现螺杆泵转速的预测。RBF神经网络训练速度最快且误差值最小,Elman神经网络和BP神经网络的预测误差接近,但前者的训练误差要比后者平滑。