автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Моделирование технологических процессов подготовки природного газа нечеткими системами

На правах рукописи

УДК 622+ 550.832+519.688

МЫЛЬЦЕВ Владислав Алексеевич

МОДЕЛИРОВАНИЕ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ПОДГОТОВКИ ПРИРОДНОГО ГАЗА НЕЧЕТКИМИ СИСТЕМАМИ

Специальности:

05.13.18 — Математическое моделирование, численные методы и комплексы программ 05.13.01 — Системный анализ, управление и обработка информации (|в машиностроении и вычислительной технике)

Автореферат диссертации на соискание ученой степени кандидата технических наук

Ижевск 2006

Работа выполнена в ГОУ ВПО «Ижевский государственный технический университет» (ИжГТУ).

Научные руководители:

заслуженный деятель науки Удмуртской Республики, доктор физико-математических наук, профессор Тененев В.А.\

заслуженный изобретатель Российской Федерации, доктор технических наук, профессор Лялин В.Е.

Официальные оппоненты:

заслуженный деятель науки Удмуртской Республики доктор технических наук, профессор Храмов С.Н. (ИжГТУ)

доктор физико-математических наук, профессор Летчиков А.В. (ГОУ ВПО «Удмуртский государственный университет»);

Ведущая организация:

ГОУ ВПО «Уфимский государственный нефтяной технический университет» (УГНТУ, г. Уфа)

Защита состоится 24 ноября 2006 г. в 16-00 часов на заседании диссертационного совета Д 212.065.04 в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7.

Отзыв на автореферат, заверенный гербовой печатью, просим выслать по указанному адресу.

С диссертацией можно ознакомиться в библиотеке института. Автореферат разослан 20 октября 2006 г.

Ученый секретарь диссертационного совета, —

доктор технических наук, профессор Б я Бендерский

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В России газовая промышленность в настоящее время является важнейшей отраслью народного хозяйства. Применение газа в качестве энергоресурса повышает эффективность технологических процессов, повышает производительность труда. Одновременно природный газ является незаменимым сырьем для химической промышленности и топливом для населения. Развитие газодобывающей промышленности связано с эксплуатацией и сооружением крупных промыслов и созданием мощных магистральных газопроводов. На газовых промыслах организуется комплексная обработка и подготовка газа к дальнему транспорту. Технологическое и аппаратурное оформление промышленных процессов чрезвычайно многообразно и требует внедрения автоматизированных систем управления. Одинаковые по своей физической природе процессы могут применяться на различных стадиях технологического процесса. Для обеспечения высокого качества продукции и необходимых свойств требует решения задач в области управления производством, проектирования, анализа, прогнозирования и регулирования разработки газовых и газо-конденсатных месторождений.

Научные основы разработки газовых месторождений в России созданы академиком J1.C. Лейбензоном. Основополагающий вклад в создание теории разработки газовых месторождений внесли Б.Б. Лапук, В.П. Савченко, А.Л. Козлов, Н.М. Николаевский. Теоретические и практические вопросы газодобычи нашли отражение в работах С.Н.Закирова, М.Х. Шахназарова, И.Н. Стрижо-ва, P.M. Тер-Саркисова, А.Х. Мирзаджанзаде, М.Т. Абасова. Значительный вклад в технологическое совершенствование процессов подготовки газа внесли Г.А. Ланчаков, Г.К. Зиберт, А.И. Скобло и др.

Вода, присутствующая в газе в парообразном состоянии, образует с метаном, этаном и пропаном гидраты углеводородов, оседающие в газопроводе в виде твердой фазы. Для избежания образования гидратов, нужно осушить газ при подготовке газа в промысловых условиях. Полный расчет всей технологической цепочки подготовки природного газа чрезвычайно сложен. Для многостадийных процессов, в которых осуществляются разнообразные физические, химические явления, построение детерминированных математических моделей становится очень сложной задачей. В таких случаях возможны подходы, основанные на методах системного моделирования.

В условиях имеющейся неопределенности воздействия множества факторов на производственные процессы, применение подходов системного моделирования, таких как методы нечеткой логики, нейросетевые методы, эволюционные алгоритмы, является актуальной задачей.

Объектом исследования являются технологические процессы и аппараты подготовки природного газа к транспорту в промысловых условиях.

Предметом исследования являются методическое обеспечение расчетов и проектирования технологических процессов осушки природного газа; методы нечеткого моделирования сложных систем; математическое описание алгоритмов и методов оптимизации.

Целью работы является проведение комплексных исследований, направленных на получение научно-обоснованных технических и методических решений по разработке и обоснованию возможности моделирования сложных технологических процессов подготовки природного газа нечеткими и нейронными сетями, обучение которых осуществляется эволюционными методами многокритериальной оптимизации, что позволит установить основные факторы, влияющие на параметры осушки газа, а также даст возможность провести структурную и параметрическую оптимизацию производства, направленную на повышение уровня качества подготовки природного газа.

Для реализации поставленной цели необходимо решить следующие задачи:

- систематизация физических процессов, протекающих в технологической цепи подготовки природного газа;

- определение зависимости влагосодержания природного газа от термодинамических параметров с помощью нейронных сетей типа многослойного персептрона;

- выработка научно-технических решений для построения нечетких причинно-следственных сетей, моделирующих сложные технологические процессы осушки газа;

- разработка эффективного метода обучения нечетких сетей на основе генетического алгоритма с вещественным кодированием, позволяющего решать задачи многокритериальной оптимизации;

- построение имитационной модели технологического процесса подготовки природного газа на основе эмпирических и экспертных данных.

Методы исследования. В работе применялись методы системного анализа и извлечения знаний из эмпирических данных.

При построении причинно-следственной сети, моделирующей технологические процессы подготовки газа, использовались методы нечеткой логики и нейросетевые методы. Обучение системы и идентификация моделей проводились на основе теоретических методов структурно-параметрической адаптации.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается сопоставительным анализом разработанных и существующих математических моделей и методов, а также данными процесса промысловой подготовки природного газа Сеноманской залежи.

Математические модели и алгоритмы, используемые в работе, основаны на положениях теории обычных и нечетких множеств, на методах теоретической и экспериментальной гидродинамики, а также на фундаментальных основах построения экспертных систем.

Научная новизна результатов диссертационного исследования, полученных лично автором:

1. Рассмотрен способ построения и подход к проблемно-целевому анализу сложных организационно-технических систем на основе нечеткого моделирования. Для этого некоторый производственно-технологический процесс представлен в виде нечеткой причинно-следственной сети содержащей множество элементов и множество связей между ними. В этом случае, моделируемая система представляется в виде совокупности элементов и подсистем, связанных

между собой нечеткими связями. В результате последовательное осуществление нечеткого логического вывода приводит к реакции выходных сигналов на изменение входных сигналов и внешних условий.

2. Предложен метод обучения нечетких сетевых моделей с применением генетического алгоритма с вещественным кодированием. Применение вещественного кодирования в генетических алгоритмах смогло повысило точность найденных решений и скорость нахождения глобального минимума или максимума. Скорость повышается из-за отсутствия процессов кодирования и декодирования хромосом на каждом шаге алгоритма. Установлено, что для вещественного алгоритма стандартные операторы скрещивания и мутации не подходят, по этой причине автором были разработаны и исследованы специальные операторы.

3. Результаты численных исследований обучения нечетких сетевых моделей показали на тестовых функциях Розенброка, Расстригина, Шефела и др., что кроссовер BLX дает самую низкую скорость сходимости к экстремуму. Следующим является оператор fit. Кроссоверы Binl и Bin2, имитирующие бинарное скрещивание, оказались наиболее эффективными. Кроссовер Bin2 обладает наилучшими показателями по скорости сходимости для всех тестируемых функций. Показано, что в общем случае целесообразно рассматривать все операторы скрещивания. При проведении каждой операции скрещивания случайным образом выбирается один из кроссоверов. В этом случае используются все положительные качества всех операторов скрещивания. Ценой за это является некоторое снижение скорости сходимости в отдельно взятом итерационном процессе.

4. Предложен модифицированный алгоритм многокритериальной оптимизации на основе генетического подхода, не требующий введения дополнительных подгрупп популяций и вмешательства пользователя в выбор оптимального по Парето решения. По данному алгоритму отбор для скрещивания проводится турнирным методом. При использовании вещественного оператора скрещивания fît значение функции приспособленности выбирается случайным образом. Полученное в результате реализаций ряда итераций решение является однозначным и оптимальным по Парето. В результате вместо задачи векторной оптимизации решается задача скалярной оптимизации.

5. Построена нечеткая имитационная модель технологического процесса подготовки природного газа на основе эмпирических и экспертных данных. Схеме технологического процесса осушки газа составилась в соответствие нечеткая причинно-следственная модель. Отношения между рассматриваемыми элементами имитационной модели технологического процесса разделены на две группы. Первая группа представляет преобразования, изменяющие свойства газа, обрабатываемого в технологическом оборудовании. Такое преобразование осуществляется с помощью нейронной сети, описываемой матрицей коэффициентов преобразования, определяемой в процессе обучения сети. Обучающая выборка содержит результаты испытаний аппаратов и измерений, полученных в ходе эксплуатации оборудования. Вторая группа отношений строится на основе экспертных заключений и методах нечеткого логического вывода. Основой для проведения опера-

ции нечеткого логического вывода является вид связей между элементами нечеткой системы, содержащих правила, названия термов и функции принадлежности термов. Значение переменной, соответствующей элементу с входящими связями, находится взвешенным суммированием по всем входящим связям.

Практическая полезность исследования состоит в том, что применение методики нечеткого моделирования технологических процессов позволяет дать оперативную оценку показателей природного газа, подготовленного к транспортировке, при изменении условий добычи. Применение модели дает возможность структурной и параметрической оптимизации производства, направленной на повышение уровня качества подготовки природного газа.

Реализация работы в производственных условиях. При участии автора была разработана и реализована, описанная в данной работе, система моделирования, построенная на принципах нечеткого логического вывода. Работа системы осуществлена с применением промысловых данных газовых месторождений Западной Сибири. Работа может быть использована предприятиями нефтегазодобывающей отрасли, организациями, занимающимися построением ряда различных моделей на основе геофизической и промысловой информации.

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на российских и международных научно-технических конференциях и конгрессах: Международной научно-технической конференции «Информационные технологии в инновационных проектах» (Ижевск, 2004); Международной НТК «Искусственный интеллект-2005» (Таганрог, 2005); Международном симпозиуме «Надежность и качество» (Пенза, 2005-2006); 33 Международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2006); Всероссийской НТК «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2006).

Публикации. Результаты работы отражены в 13 научных трудах: 2 статьи в центральной печати, 9 публикаций в сборниках материалов всероссийских и международных научно-технических конференций, 1 патент на изобретение и 1 положительное решение по заявке. Автор имеет 5 научных трудов в изданиях, рекомендуемых ВАКом для публикации основных результатов диссертаций.

Структура диссертационной работы определяется общими замыслом и логикой проведения исследований.

Диссертация содержит введение, 3 главы и заключение, изложенные на 143 с. машинописного текста. В работу включены 47 рис., 6 табл., список литературы из 106 наименований и приложения, в котором представлен акт об использовании результатов работы.

СОДЕРЖАНИЕ РАБОТЫ

Введение содержит обоснование актуальности темы, формулировку цели и задач работы, основные положения, выносимые на защиту, и определяет содержание и методы выполнения работы.

В первой главе «Гидродинамические и массообменные процессы при осушке природного газа» рассмотрены физические основы абсорбционного

процесса и осушки природных газов. Систематизированы факторы, влияющие на процесс осушки природного газа, связанные с гидродинамикой и массооб-мен газожидкостных потоков.

Вторая глава «Моделирование производственно-технических процессов на основе нечетких систем» содержит описание моделей и принципов построения нечеткой причинно-следственной сети. Изложены способы задания функций принадлежности и представления подсистем нейронной сетью. Рассмотрены методы адаптации и оптимизации сложных систем и задачи принятия решений по векторному критерию.

В третьей главе «Нечеткие системы моделирования технологического процесса подготовки природного газа» выделены проблемы идентификации нечеткой модели и пути их решения на основе применения генетических алгоритмов с вещественным кроссовером. Изложены методы многокритериальной оптимизация и решения систем нелинейных алгебраических уравнений генетическими алгоритмами. Рассмотрена возможность структурной оптимизации с применением генетического алгоритма. Приведены результаты расчетов по имитационной модели технологического процесса подготовки природного газа

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИОННОЙ РАБОТЫ, ВЫНОСИМЫЕ НА ЗАЩИТУ

1. Методика расчета абсорбционного процесса с применением нейро-сетевой аппроксимации параметров газа и абсорбента.

Для расчета абсорбера применяется способ аппроксимации экспериментальных данных, образующих номограммы. Зависимость влагосодержания природного газа от термодинамических параметров можно выразить аппроксимирующей зависимостью вида:

•и> = -м(1,р,р,с'), (1)

где 1,р,р,с - температура газа, давление, плотность газа, содержание солей в природном газе.

Такую зависимость удобно строить с применением нейронных сетей типа многослойного персептрона. Имеющиеся экспериментальные данные представляются в виде таблицы:

_Таблица 1.

температура давление плотность соли влагосодержание

Р\ А с,

*2 Рг Рг Щ

Р, Р>

Рь Рь сь

Таким образом, имеется набор обучающих данных:

Переменные (м>,р,р,с) являются входами в нейронную сеть, переменная н' - влагосодержание служит выходом сети. Для обучения использовалось 430 точек. Из них 215 использовались для выбора синаптических коэффициентов нейронной сети, остальные 215 точек применялись для проверки качества обучения и воспроизводимости данных.

В расчетах применяется зависимость температура точки росы от термодинамических параметров. Эта зависимость может быть получена из аппроксимирующей формулы (1) путем обратной интерполяции. Более удобным является построение аналогичной зависимости вида К =<Р(У>,р,р,С),

также с помощью нейронной сети. В этом случае входами будут переменные <№,/),р,с), а набор тех же данных будет иметь вид: (\\>,р,р,с).

По такому же принципу строится зависимость температуры точки росы от температуры контакта и концентрации абсорбента — диэтиленгликоля:

При определении количества насадок в абсорбере величина влажности в осушенном газе ¥1 может не совпадать с заданным значением. Также, при расчете содержания воды в газе, прошедшего осушку в абсорбере с заданным числом насадок N, величина Ух будет зависеть от многих термобарических параметров. Расчет величины У1 должен быть замкнутым, чтобы обеспечить однозначную зависимость температуры точки росы от давления и температуры контакта.

Схема расчета абсорбера иллюстрируется рис.1.

Тогда кривая равновесия фаз будет определяться зависимостью

IV = и>\у Х},р,р,с] = .

0.35

-к -У

0.3

0.25

0 2

0.15

0.1

0.05

дг

о

100

65

Рис.1. Схема расчета абсорбера

Пунктирная линия, начинающаяся из точки (ХЗ,У4) и проходящая через точки ((Л"2,КЗ), (XI,У2),, расположенные на рабочей прямой, должна закончиться в точке (^0,71), находящейся на этой же прямой. Величина удельного расхода абсорбента также не известна.

Для произвольного числа насадок N схема расчета остается прежней Систему уравнений абсорбционного процесса с числом насадок N запишем в виде:

У —У

I _ м

~Хй

Хм =Х,- )]//, / = 1.ЛЛ-1, (2)

Система из N нелинейных алгебраических уравнений относительно N неизвестных - 1,Х„1 = 1,М —1, должна решаться численным методом. В данном случае система решена с применением генетического алгоритма, который не требует начального приближения и позволяет решить систему уравнений (2) с высокой точностью.

Величина влажности определяется выражением:

Ъ

Температура точки росы определится с применением следующей зависимости:

К -Ч>(^х,р,р,С).

На рис.2, приведена зависимость концентрации абсорбента на первой тарелке от числа тарелок.

XI

Рис.2. Зависимость концентрации абсорбента на первой тарелке от числа тарелок

Из рисунка видно, что число тарелок более б брать нецелесообразно, так как зависимость выходит в положение насыщения.

Рис.3. Зависимость содержания влаги от числа насадок

Содержание влаги в природном газе, прошедшем через абсорбер, показано на рис.3.

Таким образом, предложенная схема расчета позволяет определить влияние различных факторов на получаемую температуру точки росы.

2. Метод моделирования сложных технологических процессов с помощью причинно-следственной сети на основе комбинированного применения нечеткого логического вывода и нейросетевой аппроксимации и деревьев решений

Для управления сложными технологическими процессами необходимо иметь некоторую его модель. Описание отдельных фаз однородного технологического процесса возможно системами дифференциальных и алгебраических уравнений. В этом случае можно поставить задачу оптимального управления процессом. Решение данной задачи позволяет выбирать оптимальные режимы технологического процесса. Для многостадийных процессов, в которых осуществляются разнообразные физические, химические, электродинамические явления, построение детерминированных математических моделей становится очень сложной и, часто, невыполнимой задачей. В таких случаях возможны подходы, основанные на методах системного моделирования. В условиях имеющейся неопределенности воздействия множества факторов на технологические процессы целесообразно применять методы нечеткого моделирования.

Рассмотрим способ построения и подход к проблемно-целевому анализу сложных организационно-технических систем на основе нечеткого моделирования. Представим некоторый производственно-технологический процесс в виде нечеткой причинно-следственной сети: 5 = (Р,У), где

Р= 1р,,1 = \,р~:, V-¡у{р„р^,1,] = \,р,Ы у' - множество элементов и множество связей между элементами системы.

При описании элементов используется множество нечетких ситуаций, ха-

растеризующих пространство возможных состояний элементов, а также множество отношений между ними. Каждому элементу системы /^соответствует лингвистическая переменная (г,,^), определенная на терм-множестве \т)М ], и базовое множество ^элемента. Терм-множество представляет собой набор лингвистических значений элемента, характеризующих его типовые состояния), где где М1 - число типовых состояний данного элемента. Для описания термов

т1^,к = \,М1, соответствующих значениям элемента р1, используются нечеткие функции принадлежности из множества М, = (6),Ь е В, ].

Связи 1'(Р,,Р,) между типовыми состояниями каждой пары элементов задаются одним из значений терм-множества лингвистической переменной <у(»,/)Л,г ,В где г - терм-множество лингвистической пере-

менной Связи между типовыми состояниями каждой пары элементов

задаются нечеткими переменными. Отношения причинности между каждой парой элементов из множества связей формируются в виде ориентированного графа. Связь между типовыми состояниями каждой пары элементов задаются одним из значений терм-множества лингвистической переменной.

Некоторые элементы могут образовывать подсистему с типом взаимосвязей, отличных от остальных. Такая подсистема может описываться детерминированной математической моделью в виде алгебраических и дифференциальных уравнений. При необходимости связи между элементами подсистем в ряде случаев представляются нейронной сетью, однонаправленной либо рекуррентной. Для таких подсистем определяется следующая структура (рис.4).

Пусть имеется узловой элемент р,. Вместе с элементами рг) = рк,] = к1,к1 элемент р, образует некоторую подсистему. Входы в подсистему определяются связями ^ (./,«)>./ = Л»Л, > а выходы связями К= к1,к1. Узловой элемент р, осуществляет преобразование вида

У = Ф,(Х), X = [*,],./ = д.Л,; ¥ = [Л],* = А,Л,

(3)

где Y- выходные воздействия; X - входные сигналы.

В виде подсистемы может быть представлено некоторое техническое устройство, осуществляющее технологический процесс. Например, аппарат центробежной осушки газа. Тогда входными параметрами являются термодинамические (давление, температура, влажность) и теплофизические характеристики газа. К входным параметрам также относятся технологические характеристики процесса (расход газа, закрутка газа, дисперсный состав конденсированной влаги, конструктивные особенности аппарата и т.д.). Выходными параметрами могут являться требуемые термодинамические параметры, включая и температуру точки росы, а также характеристики в виде затрат энергетических, сырьевых и трудовых ресурсов. Преобразование (3) может быть представлено в нескольких видах.

1. Математическая модель технологического процесса. Она может включать уравнения движения многофазной среды в многомерной постановке с учетом фазовых превращений. Преобразование может также выглядеть, как инженерная методика расчета технико-экономических показателей данного технологического процесса.

2. Математическая модель, описываемая нейронной сетью. Для извлечения знаний из системы данных и для решения задач управления широкое применение нашли однонаправленные многослойные нейронные сети. Важным свойством нейронных сетей является способность к обучению и обобщению полученных знаний. Обученная на ограниченном множестве обучающих выборок, сеть обобщает накопленную информацию и выдает реакцию на данные, не применявшиеся при обучении.

3. Узловой элемент р, может осуществлять преобразование вида (3) с помощью набора правил, получаемого методом деревьев решений. Деревья решений - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Под правилом понимается логическая конструкция, представленная в виде if A then В (А-> В).

4. Операции нечеткого логического вывода

Основой для проведения операции нечеткого логического вывода является вид связей между элементами нечеткой системы, содержащих правила, названия термов и функции принадлежности термов. Пусть имеется подсистема нечеткого вывода, имеющая т правил вида:

где х1, ] = 1 ,п — имена входных переменных; у — имя выходной переменной.

Результатом нечеткого вывода является четкое значение переменной у е У на основе заданных четких значений Зсу е X, ] = 1, п.

В общем случае механизм логического вывода включает четыре этапа:

введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости, или дефазификация. Алгоритмы нечеткого вывода различаются главным образом видом используемого нечеткого вывода, следующим после фазификации, и разновидностью метода дефазификации

Процесс построения системы нечеткого вывода в общем случае состоит из двух этапов: структурной адаптации и параметрической адаптации. Эти процедуры могут выполняться как раздельно, так и одновременно, и проводятся с использованием экспериментальных данных обучающей выборки. Структурная адаптация подразумевает генерацию базы нечетких правил вида "if - then". Критерием качества сформированной базы правил выступает величина покрытия правилами всех примеров из обучающей выборки.

На этапе параметрической адаптации производится настройка параметров функций принадлежности нечеткой системы. Для этого, как правило, минимизируется квадратичная сумма разностей между фактическим yt и. спрогнозированным d: значением переменной вывода нечеткой системы:

где С - вектор параметров функций принадлежности, к — объем обучающей выборки.

Таким образом, моделируемая система представляется в виде совокупности элементов и подсистем, связанных между собой нечеткими связями. Последовательное осуществление нечеткого логического вывода приводит к реакции выходных сигналов на изменение входных сигналов и внешних условий.

3. Метод обучения нечетких сетевых моделей на основе генетического алгоритма с вещественным кодированием

Задача идентификации рассматриваемой модели состоит в нахождении параметров нечетких правил Ltj и коэффициентов связей wtj, обеспечивающих заданное поведение выходных характеристик. Коэффициенты W=(wtf,£( ) определяются из условия наименьшего отклонения зависимости У (Г), полученной в результате нечеткого логического вывода, от фактических значений Y{ (l). Коэффициенты W = ^ вычисляются из условия минимума функционала:

т

F(\V)= ][Г(W)- Yf (J)] dt min, (5)

0

т.е. решается задача нахождения экстремума функции многих переменных.

Основными проблемами при решении данной задачи численными методами являются выбор начального приближения и достижение глобального экстремума. Эти проблемы порождаются сложным видом функции F(X). На рис.5 показана проекция целевой функции на одну из переменных.

Рис, 5 Пример проекции целевой функции На пути к глобальному экстремуму встречается множество локальных. Такие многоэкстремальные функции, в принципе, не могут минимизироваться стандартными методами оптимизации (градиентные методы, квазиньютоновские, прямые методы). Исследования показали, что для оптимизации многоэкстремальных функций следует применять генетические алгоритмы.

Применение вещественного кодирования в генетических алгоритмах может повысить точность найденных решений и повысить скорость нахождения глобального минимума или максимума. Скорость повышается из-за отсутствия процессов кодирования и декодирования хромосом на каждом шаге алгоритма.

Для вещественного алгоритма стандартные операторы скрещивания и мутации не подходят. По этой причине были разработаны и исследованы специальные операторы. Наиболее употребительны следующие типы операторов скрещивания.

ВЬХ-а кроссовер. Для скрещивания выбираются две особи: Х(1) = (л,0),...,л:(('),...,д:У)^,Х<2> = Значение нового гена опреде-

ляется как линейная комбинация х, = ав1хх™ + Ьв1Хх\г). Коэффициенты авис, Ъви; определяются следующими соотношениями: яЯ1Л.=(1 + а-"(1+2а)), +

где число а е [0,1]; и е (0,1) - случайное число.

Оператор Вш1, имитирующий скрещивание при бинарном кодировании.

х =а хт+Ь х(2) а + Ь =

Л| В1л1 I > Вт1 2 ' Вт 1 2 '

[ (2иу+Р I и < 0.5 г = \ , . Коэффициент р > 1.

[(2(1-м)у^|г/>0.5 Кроме этих, описанных в литературе операторов, разработаны еще два.

Оператор РЛ.

' хт + Ь х(2)

Я1л, -г иГ11л1

9 Ьвг V ~

№ F(X<,))+F<X(2) У ^<Х(|>)+^(Х<2))'

где ^"(Х) - нормированное значение целевой функции. Кроссовер Вш2.

Так же, как в бинарном кодировании, преобразуем вещественное число г,

О" — А 1

на отрезке [ 4, Д ] в целое число = <?у-))' . Результатом скрещивания в

ВI — А,

вещественном варианте является выражение:

Коэффициенты аВт1,ЬВт1 определяются следующим образом: Ьвм = = = 2-' <2"" У"', ав,л1 = 1 - Ье,п2,

где £, е [О, ТУ) - случайное число, соответствующее позиции скрещивания;

4=

и = 1 — ^ - случайное число и и е [0,1].

Операторы скрещивания Вт1, Вш2, ВЬХ имеют вероятностный механизм за счет случайного выбора и. Для всех операторов скрещивания выполняется условие а + Ь = 1.

В качестве оператора мутации применялась случайная мутация, при которой gi, подлежащий изменению, принимает случайное значение из диапазона своего изменения [Д,В,].

Кроме оператора мутации применяется оператор инверсии, который для

вещественного кода имеет вид: - [ = =

8 = ] _ -, £е(1>»0-

Последовательность операций в алгоритме с вещественным кодированием такая же, как и в стандартном генетическом алгоритме бинарного кодирования. Отличие заключается в виде генетических операторов. Перед началом процесса при р = 0 формируется популяция, состоящая из т особей. Особь или хромосома представляется в виде

С = [Х,(г/] = (#,),/'= 1 ,и, где Х = (я,),/ = 1,и - вектор аргументов функции; у/ - преобразование, осуществляющее переход от вектора X (фенотипа) к кодированному представлению (генотипу).

Преобразование осуществляется приведение аргументов к безразмерному

виду

хi — minx,

У,=-—.-, / = 1,и,

max^- minx.

max^- minx.

/-1.Л i=l,n

/-1.Л i=l,n

Обратное преобразование

\j/'x: xt = n ,i = \,n.

Проводится эволюция популяции на итерации р = р +1. Отбор особей для скрещивания осуществляется турнирным методом: случайным образом выбираются две особи и особь с лучшим качеством (с минимальным значением F(X) или с максимальным F(X)) привлекается для скрещивания при заданной вероятности скрещивания.

Результаты численных исследований показали на тестовых функциях Ро-зенброка , Расстригина, Шефела и др. показали, что кроссовер BLX дает самую низкую скорость сходимости к экстремуму. Следующим является оператор fit. Кроссоверы Binl и Bin2, имитирующие бинарное скрещивание, оказались наиболее эффективными. Кроссовер Bin2 обладает наилучшими показателями по скорости сходимости для всех тестируемых функций. В общем случае целесообразно рассматривать все операторы скрещивания. При проведении каждой операции скрещивания случайным образом выбирается один из кроссоверов. В этом случае используются все положительные качества всех операторов скрещивания. Ценой за это является некоторое снижение скорости сходимости в отдельно взятом итерационном процессе.

Рассмотрим модель технологического процесса осушки природного газа в абсорбере. Структура модели представлена на рис.6.

Рис.6. Структура модели технологического процесса осушки природного газа Элементы системы светло-серого цвета соответствуют входным переменным Х1,Х2,Х3,Х4, темно-серый цвет обозначает выходные переменные ,у2,у3-

Входные переменные имеют следующий смысл: X, - затраты на модернизацию системы контроля параметров газа;

Х2 - затраты на улучшение процесса десорбции;

X. - расход газа;

Х4 - температура воздуха.

Выходные переменные: у1 - унос ДЭГ; у2 - эффективность осушки;

>'3 - экономический эффект от улучшения качества осушки газа.

Внутренние узлы системы соответствуют конструкционным элементам абсорбера: узел входа, контактные центробежные элементы, пластинчатая насадка, фильтр - патроны, узел подачи ДЭГ.

На основе опыта отработки технологической схемы подготовки природного газ имеется набор исходных данных: суммарные затраты на модернизацию; изменение параметров осушаемого газа; экономический эффект.

Модель системы строится с учетом обратных связей. Обратная связь заключается в выделении средств из экономического эффекта на модернизацию технологического процесса. На рис.6 обратные связи показаны пунктиром. Изменение характеристик системы осушки во времени показано на рис.7.

у

Рис. 7. Изменение характеристик системы осушки во времени

Результаты идентификации представлены сплошной линией. Видно, что кривая восстанавливается достаточно хорошо. Затраты на модернизацию (жирная линия на рис.7) приводят к улучшению процесса осушки газа. Построенную таким образом нечеткую модель можно применять для оценки эффективности технологического усовершенствования.

4. Подход к решению задач многокритериальной оптимизации с применением генетического алгоритма

Многокритериальная оптимизация основана на отыскании решения, одновременно оптимизирующего более чем одну функцию. В этом случае ищется

некоторый компромисс, в роли которого выступает решение, оптимальное в смысле Парето. При многокритериальной оптимизации выбирается не единственная хромосома, представляющая собой закодированную форму оптимального решения в обычном смысле, а множество хромосом, оптимальных в смысле Парето.

Алгоритм многокритериальной оптимизации реализован в программе «ПехТоо1»(/7/ед:Гоо/ (GA) М2.1, Flexible Intelligent Group, LLC, Tuscloosa,Al 35468-1477, USA.). Селекция выполняется турнирным методом, при этом лучшая особь в каждой подгруппе выбирается на основе функции приспособленности, уникальной для данной подгруппы. Наилучшая особь из каждой подгруппы смешивается с другими особями, и все генетические операции выполняются так же, как в генетическом алгоритме для оптимизации одной функции. Программа «FlexTool» обеспечивает одновременную оптимизацию четырех функций.

При таком подходе остается открытым вопрос о выборе единственного оптимального решения. Выбор предоставляется пользователю программы. Выбор может быть субъективным, так же как выбор весовых коэффициентов в методе взвешенных функций.

Рассмотрим следующий алгоритм, не требующий введения дополнительных подгрупп популяций и вмешательства пользователя в выбор оптимального по Парето решения.

Пусть задана задача многокритериальной оптимизации:

F(X)-> min, или

Ft (X) —> min,i = l,m.

Так же, как в случае одного критерия формируется популяция заданного размера q. Из этой популяции выбираются особи (решения X), являющиеся наилучшими по каждому критерию с значениями критериев

Особь, являющаяся лидером в данной популяции, определяется по правилу:

Отбор для скрещивания проводится турнирным методом. При использовании вещественного оператора скрещивания fit значение функции приспособленности выбирается случайным образом из всего набора F° (X),/' = 1 ,т.

Полученное в результате реализаций ряда итераций решение является однозначным и оптимальным по Парето. Правило (6) сводится к условию:

На основании соотношения (6) можно определить способ скаляризации векторного критерия. Вместо задачи векторной оптимизации Ft (X) —> min,/ = 1 ,т решается задача скалярной оптимизации:

(б)

F, <Х V .F? = Fj <Х0} — F%iJ = 1 ,m-i ф j.

ъ [Hcxv^l^cxv^ll^in,

=l,m j

где - минимальное значение критерия, полученное без учета других критериев. Генетический алгоритм выполняет условие (7) в процессе решения исходной задачи.

5. Нечеткая имитационная модель технологического процесса подготовки природного газа, построенная на основе эмпирических и экспертных данных

Полный расчет всей технологической цепочки подготовки природного газа чрезвычайно сложен. Программный комплекс «ГазКондНефть» позволяет проводить оценочные расчеты качества подготовки газа. В любых расчетных методиках все равно заложены некоторые эмпирические коэффициенты. Поэтому имеющиеся эмпирические данные целесообразно применить для построения системы моделирования «вход - выход». Нечеткий подход к моделированию с привлечением опыта экспертов и с извлечением знаний в виде правил из опытных данных переводит такую модель из класса «черный ящик» в класс интеллектуальных экспертных систем.

Вода, присутствующая в газе в парообразном состоянии, образует с метаном, этаном и пропаном гидраты углеводородов, оседающие в газопроводе в виде твердой фазы. Чтобы избегнуть образования гидратов, нужно осушить газ.

Содержание влаги в газе характеризуется величиной температуры точки росы. Точкой росы называют ту температуру, охлаждаясь до которой при постоянном влагосодержании газ достигнет полного насыщения водяными парами, и происходит конденсация водяных паров, содержащихся в газе. Основная часть подготовки газа в промысловых условиях заключается к удалению влаги конденсата.

Для осушки газа используются абсорберы различных типов. Наибольшее распространение получили установки, применяющие диэтиленгликоль (рис. 8).

Рис. 8. Схема абсорбера

Рассмотрим технологию абсорбционной осушки природного газа с применением в качестве абсорбента диэтиленгликоля для подготовки к транспортировке. Газ, поступающий из скважин, проходит предварительную очистку в центробежных аппаратах. После дожимной компрессорной станции (ДКС) и прохождения аппаратов воздушного охлаждения газа осуществляется абсорбционный процесс осушки. После прохождения ДКС второй ступени сжатия газ идет на транспортировку. Показателем содержания влаги в является температура точки росы (ТТР). В соответствии с ОСТ 51.40-93 значение ТТР для умеренных климатических районов составляет: летом -ЗС, зимой -5 С. Для холодных районов эти значения - ЮС и -20С, соответственно.

Система подготовки природного газа может состоять из элементов нескольких типов. Прежде всего, это аппараты и технологическое оборудование. Система также содержит в себе обслуживающий персонал, добывающие скважины, внешние условия, в том числе и метеорологические. Целью системы является обеспечение заданных свойств природного газа при минимальных стоимостных затратах. Элементы системы связаны между собой отношениями, характеризующимися некоторыми переменными и параметрами.

Аппаратные средства, осуществляющие технологический процесс, представляются в виде некоторых преобразователей, переводящих значения входных переменные в выходные.

Конструкционными элементами системы осушки являются: ЦОГ - центробежная очистка газа; ДКС+АВО — дожимная компрессорная станция + аппараты воздушного охлаждения; А — абсорбер; ДА — десорбер: МО — модернизированное оборудование.

Система имеет свойства, описываемые следующими входными переменными: Х] - расход газа; Х2 - входное давление; Х3 - температура газа; Х4 - содержание влаги; Xь - затраты на модернизацию осушки газа в ЦОГ; Х6 - затраты на модернизацию осушки газа в абсорбере; Х1 - затраты на дополнительную осушку газа в абсорбере; Х1 - температура воздуха; Х9 - квалификация обслуживающего персонала; Х1п - затраты на модернизацию восстановления ДЭГ.

Выходными переменными системы являются: - температура точки росы; К2 - затраты на осушку газа; У3 - суммарный унос ДЭГ.

Промежуточные переменные: к, - унос ДЭГ; р- давление; Т - температура газа; IV - содержание влаги.

Схеме технологического процесса ставится в соответствие нечеткая причинно-следственная модель, структура которой приведена на рис.9.

Отношения между рассматриваемыми элементами системы делятся на две группы. Первая группа представляет преобразования, изменяющие свойства газа, обрабатываемого в технологическом оборудовании. Такое преобразование осуществляется с помощью нейронной сети вида:

У = Г(\У,Х),

где \У — матрица коэффициентов преобразования, определяемая в процессе обучения сети. Обучающая выборка содержит результаты испытаний аппаратов

и измерений, полученных в ходе эксплуатации оборудования.

Рис.9. Структура нечеткой модели

К первой группе отношений относятся связи, соответствующие аппаратам центробежной очистки газа, ДКС+АВО и абсорберам. Входами преобразования являются расходные и термодинамические характеристики газа. Расходно-термодинамические характеристики газа соответствуют и выходные переменные.

Вторая группа отношений строится на основе экспертных заключений и методах нечеткого логического вывода. Основой для проведения операции нечеткого логического вывода является вид связей между элементами нечеткой системы, содержащих правила, названия термов и функции принадлежности термов.

Значение переменной, соответствующей элементу с входящими связями, находится взвешенным суммированием по всем входящим связям:

где м>у - весовые коэффициенты, определяющие вклад < -й связи в состояние го элемента. Коэффициенты и^ должны определяться в процессе обучения нечеткой сети.

При структурной оптимизации малые коэффициенты —> 0 приводят к отбрасыванию связи или ребра графа на рис.9. Обучающими данными являются характеристики эксплуатационного процесса [\Ау,; = 1,10>,(}'/),/ = 1,2,3^у' = 1,А.

Обучение проводится с помощью генетического алгоритма.

Результаты расчетов выходного значения температуры точки росы (ТТР) в зависимости от расхода газа при разных уровнях затрат на модернизацию процесса осушки приведены на рис.10.

-Хб-0 ----Х6=С -Хб-М

?с

0.5 0.6 0.7 0.8 0.9 1 1.1 1.2

Рис.10. Зависимость ТТР от степени загрузки оборудования и затрат на модернизацию.

В расчете для зимнего периода времени изменялся объем подаваемого на подготовку природного газа. Величина С0 соответствует оптимальному уровню загрузки технологического оборудования, й = X,. За счет дополнительных средств, направляемых на модернизацию на среднем уровне возможно снижение на 12 градусов при снижении расхода газа в 2 раза.

Построенная модель системы подготовки природного газа выдает отклик выходных переменных У на изменение входных переменных X вида

У = (8)

При соответствующем выборе критерия оптимальности системы на основе преобразования (8) можно поставить задачу нахождения оптимальной структуры технологической схемы процесса.

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

В результате диссертационных исследований проведена систематизация физических процессов, протекающих в технологической цепи подготовки природного газа, приведшая к выработке научно-обоснованных решений для построения нечетких сетей, моделирующих сложные технологические процессы осушки газа. Разработан метод обучения нечетких сетей на основе генетического алгоритма с вещественным кодированием. Итогом работы является построение имитационной модели технологического процесса подготовки природного газа на основе эмпирических и экспертных данных. По результатам проведенных исследований получены следующие выводы.

1. Разработан метод моделирования сложных технологических процессов с помощью причинно-следственной сети на основе комбинированного применения нечеткого логического вывода и нейросетевой аппроксимации. Предложен метод обучения нечетких сетевых моделей с применением генетического алгоритма с вещественным кодированием.

2. Систематизация физических процессов, протекающих в технологической цепи подготовки природного газа, позволила установить основные факто-

ры, влияющие на параметры осушки: скоростной режим движения дисперсно-кольцевых потоков в массообменных элементах; температура, давление и влажность газа; концентрация абсорбента.

3. Комбинированное применение нечеткого логического вывода и нейро-сетевой аппроксимации позволило разработать метод сетевого моделирования сложных технологических процессов.

4. Для обучения нечетких систем необходимо применять методы многоэкстремальной оптимизации. Высокую эффективность показал разработанный генетический алгоритм с вещественными операторами скрещивания.

5. Решение задач многокритериальной оптимизации, встречающихся при идентификации нечетких моделей, осуществлено на основе генетического алгоритма. Предложенный подход не требует экспертной оценки важности критериев и позволяет получить однозначное решение, оптимальное по Парето. Предложен подход к скаляризации векторного критерия оптимизации на основе генетического алгоритма.

6. Построенная на основе эмпирических и экспертных данных, нечеткая имитационная модель технологического процесса подготовки природного газа позволяет проводить при изменении условий добычи оперативную оценку показателей природного газа, подготовленного к транспортировке. Применение модели дает возможность структурной и параметрической оптимизации производства, направленной на повышение уровня качества подготовки природного газа.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ ОТРАЖЕНО В СЛЕДУЮЩИХ РАБОТАХ АВТОРА:

1. Мыльцев В.А. Имитационное моделирование производственно-технических процессов // Информационные технологии в инновационных проектах: Тр. Междунар. науч.-техн. конф. - Ижевск: Изд-во ИжГТУ, 2004. - С. 40-46.

2. Мыльцев В.А. Оптимизация технологического процесса осушки природного газа на основе имитационного моделирования // Информационные технологии в инновационных проектах: Тр. Междунар. науч.-техн. конф. -Ижевск: Изд-во ИжГТУ, 2004. - С. 47-52.

3. Ворончак В.И., Мыльцев В.А. Структурно-параметрическое моделирование технологических процессов подготовки газа // Надежность и качество: Труды междунар. симпозиума /Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. ун-та, 2005. - С. 223-224.

4. Мыльцев В.А., Ворончак В.И. Применение деревьев решений для задач интерпретации результатов геофизических исследований скважин II Надежность и качество: Труды междунар. симпозиума /Под. ред. Н.К. Юркова — Пенза: Изд-во Пенз. гос. ун-та, 2005. - С. 220-222.

5. Мыльцев В.А. Имитационное моделирование технологического процесса подготовки природного газа // Интеллектуальные системы в производстве. -№1, 2006.-С. 186-194.

6. Тененев В.А., Мыльцев В.А. Моделирование производственно-технических процессов на основе нечетких систем // Известия ТулГУ. Серия. Математика. Механика. Информатика. - Т. 11. Вып. 4. Информатика. - Тула:

Изд-во ТулГУ, 2005. - С.225-239

7. Тененев В.А., Мыльцев В.А. Применение нечеткого логического вывода для исследования реакции выходных сигналов на изменение входных сигналов динамических систем // Надежность и качество. Труды междунар. симпозиума. В 2-х томах / Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. ун-та, 2006.-Т. 1.-С. 48-52.

8. Мыльцев В.А. Имитационное моделирование технологического процесса подготовки природного газа // Надежность и качество. Труды междунар. симпозиума. В 2-х томах / Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. унта, 2006. - Т. 1. - С. 259-262.

9. Мыльцев В.А. Анализ технологических процессов с применением алгоритмов обработки данных // Информационные технологии в науке, образовании, телекоммуникации и бизнесе: Материалы 33 Междунар. конф. - Украина, Крым, Ялта-Гурзуф: Прилож. к журн. «Открытое образование», 2006. - С. 188-189.

10. Мыльцев В.А. Модель технологического процесса дегидрации природного газа на основе нечетких когнитивных карт // Информационные технологии в науке, образовании, телекоммуникации и бизнесе: Материалы 33 Междунар. конф. - Украина, Крым, Ялта-Гурзуф: Прилож. к журн. «Открытое образование», 2006.-С. 190-191.

11. Мыльцев В.А., Тененев В.А. Моделирование технологического процесса подготовки газа системой нечеткого вывода // Компьютерные и информационные технологии в науке, инженерии и управлении: Материалы Всеросс. НТК - Таганрог: Изд-во ТРТУ, 2006. - С.101-108.

12. Патент на изобретение № 2285283, РФ, МПК G 05D 23/19. Способ автоматического управления процессом охлаждения сырого природного газа. / Ланчаков Г.А., Ставицкий В.А., Мыльцев В.А. и др. - №2004117653; Заявлено 09.06.2004; Опубл. Бюл. 2006, №28.

13. Положительное решение по заявке, РФ, МПК G 05D 23/19 Система автоматического управления аппаратами воздушного охлаждения природного газа. / Ланчаков Г.А., Ставицкий В.А., Мыльцев В.А и др. - № 2004117656; Заявлено 09.06.2004; решение о выдаче патента 23.01.2006.

Лицензия ЛР № 020764 от 29.04.98

Подписано в печать 13.10.2006. Формат 60x84 1/16. Отпечатано на ризографе. Уч.-изд.л. 1,97. Усл. печ. л. 1,39. Тираж 100 экз. Заказ № 802/1.

В.А. Мыльцев

Издательство Института экономики УрО РАН 620014, Екатеринбург, ул. Московская, 29

Ведение

Глава 1. Гидродинамические и массообменные процессы при осушке природного газа.

1.1. Физические основы абсорбционного процесса.

1.2. Осушка природных газов.

1.3. Расчет осушки с применением аппроксимирующих формул.

1.4. Факторы, влияющие на процесс осушки природного газа.

1.5. Гидродинамика и массообмен газожидкостных потоков в аппаратах осушки газа.

1.5.1. Основные характеристики газолсидкостных потоков

1.5.2. Уравнения для расчета параметров дисперсно-пленочного потока.

1.5.3. Процесс уноса капель с поверхности пленки.

1.6. Постановка цели и задач исследований.

Глава 2. Моделирование производственно-технических процессов на основе нечетких систем.

2.1. Модели на основе нечетких сетей.

2.1.1. Пршщипы построения нечеткой причинно-следственной сети.

2.1.2. Задание функций принадлежности.

2.1.3. Представление подсистем нейронной сетью.

2.1.4. Приведение подсистемы к набору правил.

2.1.5. Onepaifuu нечеткого логического вывода.

2.2. Адаптация и оптимизация сложных систем.

2.3. Задачи принятия решений по векторному критерию.

Глава 3. Нечеткие системы моделирования технологического процесса подготовки природного газа.

3.1. Проблемы идентификации нечеткой модели.

3.2. Применение генетических алгоритмов с вещественным кроссовером для обучения нечетких систем.

3.3. Многокритериальная оптимизация генетическими алгоритмами.

3.4. Решение систем нелинейных алгебраических уравнений генетическим алгоритмом.

3.5. Структурная оптимизация с применением генетического алгоритма

3.6. Имитационная модель технологического процесса подготовки природного газа.

Актуальность темы. В России газовая промышленность в настоящее время является важнейшей отраслью народного хозяйства. Применение газа в качестве энергоресурса повышает эффективность технологических процессов, повышает производительность труда. Одновременно природный газ является незаменимым сырьем для химической промышленности и топливом для населения. Развитие газодобывающей промышленности связано с эксплуатацией и сооружением крупных промыслов и созданием мощных магистральных газопроводов. На газовых промыслах организуется комплексная обработка и подготовка газа к дальнему транспорту. Технологическое и аппаратурное оформление промышленных процессов чрезвычайно многообразно и требует внедрения автоматизированных систем управления. Одинаковые по своей физической природе процессы могут применяться на различных стадиях технологического процесса. Для обеспечения высокого качества продукции и необходимых свойств требует решения задач в области управления производством, проектирования, анализа, прогнозирования и регулирования разработки газовых и газоконденсатных месторождений.

Научные основы разработки газовых месторождений в России созданы академиком JI.C. Лейбензоном. Основополагающий вклад в создание теории разработки газовых месторождений внесли Б.Б. Лапук, В.П. Савченко, А.Л. Козлов, Н.М. Николаевский. Теоретические и практические вопросы газодобычи нашли отражение в работах С.Н.Закирова, М.Х. Шахназарова, И.Н. Стрижова, P.M. Тер-Саркисова, А.Х. Мирзаджанзаде, М.Т. Абасова. Значительный вклад в технологическое совершенствование процессов подготовки газа внесли Г.А. Ланчаков, Г.К. Зиберт, А.И. Скобло и др.

Вода, присутствующая в газе в парообразном состоянии, образует с метаном, этаном и пропаном гидраты углеводородов, оседающие в газопроводе в виде твердой фазы. Для избежания образования гидратов, нужно осушить газ при подготовке газа в промысловых условиях. Полный расчет всей технологической цепочки подготовки природного газа чрезвычайно сложен. Для многостадийных процессов, в которых многостадийных процессов, в которых осуществляются разнообразные физические, химические явления, построение детерминированных математических моделей становится очень сложной задачей. В таких случаях возможны подходы, основанные на методах системного моделирования.

В условиях имеющейся неопределенности воздействия множества факторов на производственные процессы, применение подходов системного моделирования, таких как методы нечеткой логики, нейросетевые методы, эволюционные алгоритмы, является актуальной задачей.

Объектом исследования являются технологические процессы и аппараты подготовки природного газа к транспорту в промысловых условиях.

Предметом исследования являются методическое обеспечение расчетов и проектирования технологических процессов осушки природного газа; методы нечеткого моделирования сложных систем; математическое описание алгоритмов и методов оптимизации.

Целью работы является проведение комплексных исследований, направленных на получение научно-обоснованных технических и методических решений по разработке и обоснованию возможности моделирования сложных технологических процессов подготовки природного газа нечеткими и нейронными сетями, обучение которых осуществляется эволюционными методами многокритериальной оптимизации, что позволит установить основные факторы, влияющие на параметры осушки газа, а также даст возможность провести структурную и параметрическую оптимизацию производства, направленную на повышение уровня качества подготовки природного газа

Для реализации поставленной цели необходимо решить следующие задачи:

- систематизация физических процессов, протекающих в технологической цепи подготовки природного газа;

- определение зависимости влагосодержания природного газа от термодинамических параметров с помощью нейронных сетей типа многослойного персептрона;

- выработка научно-технических решений для построения нечетких причинно-следственных сетей, моделирующих сложные технологические процессы осушки газа;

- разработка эффективного метода обучения нечетких сетей на основе генетического алгоритма с вещественным кодированием, позволяющего решать задачи многокритериальной оптимизации;

- построение имитационной модели технологического процесса подготовки природного газа на основе эмпирических и экспертных данных.

Методы исследования. В работе применялись методы системного анализа и извлечения знаний из эмпирических данных.

При построении причинно-следственной сети, моделирующей технологические процессы подготовки газа, использовались методы нечеткой логики и нейросетевые методы. Обучение системы и идентификация моделей проводились на основе теоретических методов структурно-параметрической адаптации.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается сопоставительным анализом разработанных и существующих математических моделей и методов, а также данными процесса промысловой подготовки природного газа Сеноманской залежи.

Математические модели и алгоритмы, используемые в работе, основаны на положениях теории обычных и нечетких множеств, на методах теоретической и экспериментальной гидродинамики, а также на фундаментальных основах построения экспертных систем.

Научная новизна результатов диссертационного исследования, полученных лично автором:

1. Рассмотрен способ построения и подход к проблемно-целевому анализу сложных организационно-технических систем на основе нечеткого моделирования. Для этого некоторый производственно-технологический процесс представлен в виде нечеткой причинно-следственной сети содержащей множество элементов и множество связей между ними. В этом случае, моделируемая система представляется в виде совокупности элементов и подсистем, связанных между собой нечеткими связями. В результате последовательное осуществление нечеткого логического вывода приводит к реакции выходных сигналов на изменение входных сигналов и внешних условий.

2. Предложен метод обучения нечетких сетевых моделей с применением генетического алгоритма с вещественным кодированием. Применение вещественного кодирования в генетических алгоритмах может повысило точность найденных решений и скорость нахождения глобального минимума или максимума. Скорость повышается из-за отсутствия процессов кодирования и декодирования хромосом на каждом шаге алгоритма. Установлено, что для вещественного алгоритма стандартные операторы скрещивания и мутации не подходят, по этой причине автором были разработаны и исследованы специальные операторы.

3. Результаты численных исследований обучения нечетких сетевых моделей показали на тестовых функциях Розенброка, Расстригина, Шефела и др., что кроссовер BLX дает самую низкую скорость сходимости к экстремуму. Следующим является оператор fit. Кроссоверы Binl и Bin2, имитирующие бинарное скрещивание, оказались наиболее эффективными. Кроссовер Bin2 обладает наилучшими показателями по скорости сходимости для всех тестируемых функций. Показано, что в общем случае целесообразно рассматривать все операторы скрещивания. При проведении каждой операции скрещивания случайным образом выбирается один из кроссоверов. В этом случае используются все положительные качества всех операторов скрещивания. Ценой за это является некоторое снижение скорости сходимости в отдельно взятом итерационном процессе.

4. Предложен модифицированный алгоритм многокритериальной оптимизации на основе генетического подхода, не требующий введения дополнительных подгрупп популяций и вмешательства пользователя в выбор оптимального по Парето решения. По данному алгоритму отбор для скрещивания проводится турнирным методом. При использовании вещественного оператора скрещивания fit значение функции приспособленности выбирается случайным образом. Полученное в результате реализаций ряда итераций решение является однозначным и оптимальным по Парето. В результате вместо задачи векторной оптимизации решается задача скалярной оптимизации.

5. Построена нечеткая имитационная модель технологического процесса подготовки природного газа на основе эмпирических и экспертных данных. Схеме технологического процесса осушки газа составилась в соответствие нечеткая причинно-следственная модель. Отношения между рассматриваемыми элементами имитационной модели технологического процесса разделены на две группы. Первая группа представляет преобразования, изменяющие свойства газа, обрабатываемого в технологическом оборудовании. Такое преобразование осуществляется с помощью нейронной сети, описываемой матрицей коэффициентов преобразования, определяемой в процессе обучения сети. Обучающая выборка содержит результаты испытаний аппаратов и измерений, полученных в ходе эксплуатации оборудования. Вторая группа отношений строится на основе экспертных заключений и методах нечеткого логического вывода. Основой для проведения операции нечеткого логического вывода является вид связей между элементами нечеткой системы, содержащих правила, названия термов и функции принадлежности термов. Значение переменной, соответствующей элементу с входящими связями, находится взвешенным суммированием по всем входящим связям.

Практическая полезность исследования состоит в том, что применение методики нечеткого моделирования технологических процессов позволяет дать оперативную оценку показателей природного газа, подготовленного к транспортировке, при изменении условий добычи. Применение модели дает возможность структурной и параметрической оптимизации производства, направленной на повышение уровня качества подготовки природного газа.

Реализация работы в производственных условиях. При участии автора была разработана и реализована, описанная в данной работе, система моделирования, построенная на принципах нечеткого логического вывода. Работа системы осуществлена с применением промысловых данных газовых месторождений Западной Сибири. Работа может быть использована предприятиями нефтегазодобывающей отрасли, организациями, занимающимися построением ряда различных моделей на основе геофизической и промысловой информации.

Апробация работы. Основные положения и результаты диссертации докладывались и обсуждались на российских и международных научно-технических конференциях и конгрессах: Международной научно-технической конференции «Информационные технологии в инновационных проектах» (Ижевск, 2004); Международной НТК «Искусственный интеллект-2005» (Таганрог, 2005); Международном симпозиуме «Надежность и качество» (Пенза, 2005-2006); 33 Международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2006); Всероссийской НТК «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2006).

Публикации. Основные научные результаты по теме диссертации опубликованы в 11 научных работах.

Публикации. Результаты работы отражены в 11 научных трудах: 2 статьи в центральной печати, 9 публикаций в сборниках материалов всероссийских и международных научно-технических конференций. Автор имеет 3 научных труда в изданиях, рекомендуемых ВАКом для публикации основных результатов диссертаций.

Диссертация содержит введение, 3 главы и заключение, изложенные на 143 с. машинописного текста. В работу включены 47 рис., 6 табл., список литературы из 106 наименований.

ЗАКЛЮЧЕНИЕ И ВЫВОДЫ

В результате диссертационных исследований проведена систематизация физических процессов, протекающих в технологической цепи подготовки природного газа, приведшая к выработке научно-обоснованных решений для построения нечетких сетей, моделирующих сложные технологические процессы осушки газа. Разработан метод обучения нечетких сетей на основе генетического алгоритма с вещественным кодированием. Итогом работы является построение имитационной модели технологического процесса подготовки природного газа на основе эмпирических и экспертных данных. По результатам проведенных исследований получены следующие выводы.

1. Разработан метод моделирования сложных технологических процессов с помощью причинно-следственной сети на основе комбинированного применения нечеткого логического вывода и нейросетевой аппроксимации. Предложен метод обучения нечетких сетевых моделей с применением генетического алгоритма с вещественным кодированием.

2. Систематизация физических процессов, протекающих в технологической цепи подготовки природного газа, позволила установить основные факторы, влияющие на параметры осушки: скоростной режим движения дисперсно-кольцевых потоков в массообменных элементах; температура, давление и влажность газа; концентрация абсорбента.

3. Комбинированное применение нечеткого логического вывода и нейросетевой аппроксимации позволило разработать метод сетевого моделирования сложных технологических процессов.

4. Для обучения нечетких систем необходимо применять методы многоэкстремальной оптимизации. Высокую эффективность показал разработанный генетический алгоритм с вещественными операторами скрещивания.

5. Решение задач многокритериальной оптимизации, встречающихся при идентификации нечетких моделей, осуществлено на основе генетического алгоритма. Предложенный подход не требует экспертной оценки важности критериев и позволяет получить однозначное решение, оптимальное по Парето. Предложен подход к скаляризацни векторного критерия оптимизации на основе генетического алгоритма.

6. Построенная на основе эмпирических и экспертных данных, нечеткая имитационная модель технологического процесса подготовки природного газа позволяет проводить при изменении условий добычи оперативную оценку показателей природного газа, подготовленного к транспортировке. Применение модели дает возможность структурной и параметрической оптимизации производства, направленной на повышение уровня качества подготовки природного газа.

1. ГАбасов М.Т., Оруджалиев Ф.Г., Азимов Э.Х. и др. Рассеянные жидкие углеводороды газоконденсатных залежей Азербайджана. Баку: ИПГНГМ АНАзССР, 1987.-c.2-10.

2. Абасов М.Т., Джалилов К.Н. Вопросы подземной гидродинамики и разработки нефтяных и газовых месторождений. Баку, Азернефтнешр,1960.-255 с.

3. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. Тюмень: Изд-во ТГУ, 2000. - 352 с.

4. Ананенков А.Г. Ставкин Г.П., Талыбов Э.Г. АСУ ТП промыслов га-зокоденсатного месторождения Крайнего Севера. -М: Недра,2000.-230с.

5. Ананенков А.Г., Ставкин Г.П., Андреев О.П. и др. АСУ ТП газопромысловых объектов.-М.: Недра,2003.-343с.

6. Андреевский А.А. Волновое течение тонких слоев вязкой жидкости // Температурный режим и гидравлика парогенераторов.-Л.:Наука,1978.с.181-230.

7. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез, планирование решений в экономике. М.: ФиС, 2000

8. Аттетков А.В., Галкин С.В., Зарубин B.C. Методы оптимизации.- М.: Изд-во МГТУ им. Н.Э.Баумана, 2003,- 440с.

9. Багдасаров В.Г. Теория, расчет и практика эргазлифта.-Л:Гостоптехиздат, 1947.-371 с.

10. Ю.Батищев Д.И. Генетические алгоритмы решения экстремальных задач / Под ред. Львовича Я.Е.: Учеб. пособие. Воронеж, 1995.

11. Бекиров Т.М. Первичная переработка природных газов. М.: Химия, 1987.-256с.

12. Бекиров Т.М., Ланчаков Г.А Технология обработки газа и конденсата. М.:000 "Недра-Бизнесцентр", 1999. - 596 с.

13. Борисов А.Н., Алексеев А.В., Крумберг О.А. Модели принятия решений на основе лингвистической переменной. Рига: Зинатне, 1982.- 256 с.

14. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990. -184 с.

15. Брискман А.А., Иванов А.К., Козлов A.JI. и др. Добыча и транспорт газа. М.: Гостоптехиздат, 1955.- 551 с.

16. Быков В.И., Лаврентьев М.Е. Формирование спектра размеров капель в газожидкостном потоке // ИФЖ, 1976, Т.31, №5.с.782-787.

17. Васильев С.С., Паклин Н.Б., Тененев В.А. Метод обучения нечеткой информационной системы./ Матер. Юбилейной межд.научно-техн.конф. «Моделирование технических и социотехнических систем», Ижевск, 2002.С.27-33.

18. Владимиров АИ, Косьмин В.Д. Гидравлический расчет теплообмен-ных аппаратов: Учеб. пособие. М: Изд. ГАНГ им. И.М. Губкина, 1997. - 58 с.

19. Волкова В.Н., Денисов А.А. Основы теории систем и системного анализа. С-Петербург, Изд-во СПбГТУ,1999.-512с.

20. Вяхирев Р.И., Гриценко, А.И., Тер-Саркисов Р.М Разработка и эксплуатация газовых месторождений.-М.: Недра,2002.-890с.

21. Гриценко АИ, Александров И.А, Галанин ИЛ. Физические методы переработки и использования газа. М.: Недра, 1981. - 224 с.

22. Гриценко А.И., Истомин В.А., Кульков А.Н.,Сулейманов Р.С. Сбор и промысловая подготовка газа на северных месторождениях России.-М.:Недра,1999.

23. Дегтярев Ю.И. Системный анализ и исследование операций. М.: Высш.шк., 1996.-335с.

24. Евтушенко Ю.Г. Методы решения экстремальных задач и их применение в системах оптимизации. М.: Наука, 1982,- 432с.

25. Искусственный интеллект. Книга 1. Системы общения и экспертные системы./ Под ред. проф. Э.В.Попова. М.: Радио и связь, 1990. - 461 с.

26. Истомин В.А., Якушев B.C. Газовые гидраты в природных услови-ях.-М.:Недра,1992.-235с.

27. Катц Д.А., Корнелл Д., Кабаяши Р. Руководство по добыче, транспорту и переработке природного газа: Пер. с англ. М.: Недра, 1965.

28. Кафаров В.В. Основы массопередачи: системы газ жидкость, пар-жидкость, жидкость - жидкость. Учеб. для хим.-технол. спец. вузов. - 3-е изд., перераб. и доп. - М.: Высшая школа, 1979. - 439 с.

29. Кельцев Н.В. Основы адсорбционной техники. 2-е изд., перераб. и доп. - М.:Химия, 1984. - 591 с.

30. Кириллов П.Л., Комаров Н.М., Субботин В.И. и др. Измерение некоторых характеристик парожидкостного потока в круглой трубе. Препринт ФЭИ.-431 .Обнинск, 1973.-104с.

31. Клир Дж. Системология. Автоматизация решения системных задач. -М: Радио и связь, 1990, 544с.

32. Козлов АЛ., Фиш М. JL, Колушев Н. Р. и др. Опыт разработки группы газовых месторождений Куйбышевской и Оренбургской областей, М., ВНИИЭгазпром, 1968. -59 с.

33. Козлов A.JL, Коротаев Ю.П., Фиш МЛ. и др. Подсчет запасов газа по падению давления. М., ВНИИЭгазпром, 1969.- 71 с.

34. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001. - 224 с.

35. Круглов В.В. Адаптивные системы нечеткого вывода // Нейрокомпьютеры: разработка и применение. 2003. - № 3. - С. 15-19.

36. Кравченко Ю.А. Перспективы развития гибридных интеллектуальных систем // Перспективные информационные технологии и интеллектуальные системы. 2002. - № 3. - С. 34-38.

37. Курейчик В.М. Генетические алгоритмы // Перспективные информационные технологии и интеллектуальные системы. 2000. - № 1. - С. 1822.

38. Курейчик В.М., Зинченко JI.A., Хабарова И.В. Алгоритмы эволюционного моделирования с динамическими параметрами. -/Информационные технологии, №6, 2001.с. 10-15.

39. Лапук Б. Б. Теоретические основы разработки месторождений природных газов. Москва-Ижевск: Институт компьютерных исследований, 2002,- 296 с.

40. Лейбензон Л.С. Движение газов в пористой среде. «Нефтяное хозяйство», 1930, №8.

41. Лейбензон Л. С. Основной закон движения газа в пористой среде. «Доклады Академии наук СССР», 1945, т. XLVII, № 1.

42. Лейбензон Л.С. Подземная гидрогазодинамика. Собр. трудов,т. И. М.: Изд-во АН СССР, 1953.- 544 с.

43. Леоненков А.В. Нечеткое моделирование в среде MATLAB и fuz-zyTECH.- СПб.: БХВ-Петербург, 2003.-736с.

44. Липатов Л.Н. Типовые процессы химической технологии как объекты управления. М.: Химия, 1973.

45. Лойцянский Л.Г. Механика жидкости и газа.-М.:Наука, 1973.-848с.

46. Макаров И.М. Теория выбора и принятия решений. -М.:Наука, 1986.-328с.

47. Мановян АК. Технология первичной переработки нефти и природного газа: Учеб.пособие для вузов. М: Химия, 1999. - 568 с.

48. Месарович М., Такахара Я. Общая теория систем: математические основы. М.: Мир, 1978.- 312с.

49. МирзаджанзадеА.Х., Дурмишьян А.Г., Ковалев А.Г., Аллахвердиев Т.А. Разработка газоконденсатных месторождений. М., изд-во «Недра», 1967.

50. Мирзаджанзаде А.Х., Кузнецов О.Л., Басниев К.С, Алиев З.С. Основы технологии добычи газа. М.: ОАО «Издательство «Недра», 2003. - 880 с.61 .Мирзаджанзаде А.Х. Принятое решение в газодобыче. М.: изд. Минтефтепром, 1987.-875с.

51. Мирзаджанзаде А.Х., Хасанов М.М., Бахтизин Р.Н. Моделирование процессов нефтегазодобычи. Нелинейность, неравновесность, неопределенность.- Москва Ижевск: Институт комп. исслед.,2004.-368с.

52. Мирзаджанзаде А.Х., Степанова Г.С. Математическая теория эксперимента в добыче нефти и газа. М.: Недра, 1977.

53. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Наука, 1986. - 311 с.

54. Нигматулин Б.И. и др. Методика измерения толщины и волновых характеристик поверхности жидкой пленки в пароводяном дисперсно-кольцевом потоке // ТВТ, 1982,Т.20,№6.

55. Нигматулин Р.И. Динамика многофазных сред. Ч.2.-М.:Наука,1987.360с.

56. Николаев В.В., Бусыгина Н.В., Бусыгин КГ. Основные процессы физической и физико-химической переработки газа. М.: ОАО "Издательство "Недра", 1998.- 184 с.

57. Николаевский Н. М. Экономика разработки нефтяных месторождений. M.-JI.:, Гостоптехиздат, 1946.

58. Николаевский В.Н. Механика пористых и трещиноватых сред. — М.: Недра, 1984.-232 с.

59. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие для вузов. М.: Высшая школа, 1989.-367с.

60. Понтрягин JI.C., Болтянский В.Г., Гамкрелидзе Р.В., Мищенко Е.Ф. Математическая теория оптимальных процессов. М.: Физматгиз, 1961.- 372.

61. Пупков К.А., Егупов Н.Д., Гаврилов А.И. и др. Методы робастного, нейро-нечеткого и адаптивного управления. М.: Изд-во МГТУ, 2002.-744с.

62. Рамм В.М. Абсорбция газов. М.: Химия, 1976. - 656 с.

63. Расстригин JI.A. Адаптация сложных систем.-Рига: Зинатне, 1981.375с.

64. Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польского И.Д.Рудинского.-М.: Горячая линия -Телеком,2004.-452с.

65. Савченко В.П., Козлов A.JL, Черский Н. В. Новые методы промышленной разведки и оценки запасов газовых месторождений. М., ГосИНТИ, 1959,- 55с.

66. Синайский Э.Г. Разделение двухфазных многокомпонентных смесей в нефтегазопромысловом оборудовании. М.: Недра, 1990. - 272 с.

67. Скобло А.И., Трегубова И.А, Молоканов Ю.К. Процессы и аппараты нефтеперерабатывающей и нефтехимический промышленности. 2-е изд., перераб. и доп. - М.: Химия, 1982. - 585 с.

68. Скобло А.И., Молоканов Ю.К., Владимиров А.И., Щелкунов ВА. Процессы и аппараты нефтегазопереработки и нефтехимии: Учебник для вузов. 3-е изд., перераб. и доп. М.: ООО "Недра-Бизнесцентр", 2000.- 677 с.

69. Смирнов А.С., Ширковский А.И. Добыча и транспорт газа. М.:, Гос-топтехиздат, 1957.- 557 с.

70. Степанов Н.Г., Дубина, Н.И., Васильев Ю.Н. Системный анализ проблемы газоотдачи продуктивных пластов. -М.: Недра,2001.-204с.

71. Страус В. Промышленная очистка газов: Пер. с англ. М: Химия, 1981.-616с.

72. Стрижов И. Н., Ходанович И. Е. Добыча газа. Москва-Ижевск: Институт компьютерных исследований, 2003.- 376 с.

73. Стронгин Р.Г. Численные методы в многоэкстремальных задачах. М.: Наука, 1978.352с.

74. Тененев В.А. Применение генетических алгоритмов с вещественным кроссовером для минимизации функций большой размерности // Интеллектуальные системы в производстве,2005,№2.с.25-31.

75. Тененев В.А., Ворончак В.И.Решение задач классификации и аппроксимации с применением нечетких деревьев решений./ Интеллектуальные системы в производстве, №2, 2005.С.-46-69.

76. Тененев В.А., Гуляшинов А.Н. Теория принятия решений в сложных социо-технических системах.- Ижевск: Изд.ИжГТУ,2005.280с.

77. Тененев В.А., Паклин Н.Б. Гибридный генетический алгоритм с дополнительным обучением лидера.// Интеллектуальные системы в производстве, 2003.-№2.-с. 181-206.

78. Тененев В.А., Якимович Б.А. Методы анализа и моделирования систем. Ижевск: Изд-во ИжГТУ,2001. -152с.

79. Тер-Саркисов P.M. Разработка месторождений природных газов. — М.: Недра, 1999.-659с.

80. Фролов Ю.В. Интеллектуальные системы и управленческие решения. М., МГПУ, 2000, 294 С.

81. Цыпкин Я. 3. Адаптация и обучение в автоматизированных системах." М.: Наука, 1968.

82. Шкоропад Д.Е., Новиков О.П. Центрифуги и сепараторы для химических производств. М: Химия, 1987. - 255 с.

83. Шмыгля П.Т. Разработка газовых и газоконденсатных месторождений. М., «Недра», 1967.- 260 с.

84. Adelberg М. Mean drop size resulting from the injection of a liquid jet into a lighspeed gas stream // AIAA,1968,No 6.

85. Casillas J., Cordon O., Jesus M.J. del, Herrera F. Genetic tuning of fuzzy rule deep structures for linguistic modeling // Technical Report DECSAI-010102, Dept. of Computer Science and A.I., University of Granada, January 2001. 8 p.

86. Eshelman, L.J. and Schaffer, J.D.: Real-Coded Genetic Algorithms and Interval-Schemata, Foundations of Genetic Algorithms 2, Morgan Kaufman Publishers, San Mateo, 1993. pp. 187-202.

87. FlexTool (GA) M2.1, Flexible Intelligent Group, LLC, Tuscloosa,Al 35468-1477,USA.

88. Herrera F., Lozano M., Verdegay J.L. Tackling real-coded genetic algorithms: operators and tools for the behaviour analysis // Artificial Intelligence Review, Vol. 12, No. 4, 1998. P. 265-319.

89. Hewit G.F., Hall-Taylor N.S. Annular two-phase flow.-Pergamon Press, 1972.103 .Michalewicz Z. Genetic Algorithm + Data Structures = Evolution Programs, Springer-Verlag,1992.

90. Tjmida Т., Okazaki T. Statistical character of large disturbance waves in upward two-phase flow of air-water mixtures //J. Chem. Eng. Japan, 1974, V5,No 5.p.329-333.

91. Walley P.B., Hewitt G.F. Experimental wave end entrainment measurements in vertical annular two phase flow // AERE -R7521 UKAEA Harwell, England, 1973.-p.25/

92. Wallis G.B. One dimensional two-phase flow.- New York: McGraw-Hill Book Co,1969.