旋流除砂器在石油天然气领域得到广泛应用,除砂器性能主要由分离效率及生产能力决定。目前的多数研究集中于除砂器分离效率的研究,对生产能力的研究比较滞后。为了满足实际生产的需要,研究者通过理论推导与实验得到了一些计算除砂器生产能力的模型,但得到的模型不具有普适性,不能准确地描述除砂器内部流场。随着石油天然气开采技术的提升和现场施工条件的改善,传统的除砂器生产能力计算模型得到的结果与实际生产具备的生产能力出现了很大误差,给实际生产中除砂器的选型带来了很大困难,因此需要建立新的除砂器生产能力计算模型对除砂器实际生产能力进行准确计算。除砂器的生产能力受到现场工况和除砂器结构尺寸的影响,影响参数较多,相互关系复杂。经过对比分析,本文尝试采用径向基函数（RBF）神经网络建立除砂器生产能力计算模型。RBF神经网络可以直观地分析各参数之间的关系,对计算模型使用响应曲面法可以得到关于生产能力的二次多项回归方程,反映除砂器关键参数对生产能力的影响,提出有效的除砂器优化模型。本文研究工作对提升石油天然气采矿质量有实际意义,主要研究工作如下:1)基于计算流体力学理论对除砂器内部流场进行模拟仿真分析,得到除砂器的结构尺寸与生产能力的初步定性关系;2)利用220组具有不同工况参数和结构尺寸参数的除砂器的生产能力数据训练RBF神经网络,建立除砂器生产能力的计算模型。将建立的计算模型与理论推导模型、BP神经网络计算模型进行对比,分析RBF神经网络在除砂器生产能力计算上的优势;3)对得到的RBF神经网络计算模型进行响应曲面分析,建立除砂器各项参数与生产能力的二次回归方程。基于得到的方程对除砂器进行优化设计,取得最优情况下除砂器的结构参数和工况参数。将优化前后的除砂器进行仿真分析,对比优化前后除砂器的性能。结果表明,RBF神经网络模型对除砂器生产能力计算的结果与实际生产中除砂器具有的生产能力的误差很小,决定系数达到0.99993。与目前文献给出的除砂器生产能力公式计算结果相比,RBF神经网络计算结果更接近实际生产中除砂器的生产能力值。与BP神经网络相比,RBF神经网络在决定系数值上仅增长了0.01%,但均方差减小了95.7%,训练所需时间更短,这说明RBF能够更快速地得到准确的计算结果。对RBF计算模型进行响应曲面分析,可得到关于除砂器生产能力的二次回归方程,基于方程提出一组优化参数,并对优化前后的除砂器进行对比分析。经研究表明优化后的除砂器可以在保持生产能力不变的情况下降低压降,可以降低除砂器的磨损程度,延长除砂器的使用寿命,提高石油天然气开采质量。