Методы, модели и алгоритмы повышения эффективности процессов добычи и транспортировки нефти и построения систем управления на основе нейросетевых и многомерных логических регуляторов с дискретными термами
 Скачать 1.82 Mb.
|
На правах рукописи САГДАТУЛЛИН Артур Маратович МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПРОЦЕССОВ ДОБЫЧИ И ТРАНСПОРТИРОВКИ НЕФТИ И ПОСТРОЕНИЯ СИСТЕМ УПРАВЛЕНИЯ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ И МНОГОМЕРНЫХ ЛОГИЧЕСКИХ РЕГУЛЯТОРОВ С ДИСКРЕТНЫМИ ТЕРМАМИ Специальность 2.3.3. Автоматизация и управление технологическими процессами и производствами (технические науки) АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук Ижевск 2022 2 Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего образования «Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ». Научный консультант: ДЕГТЯРЕВ Геннадий Лукич доктор технических наук, профессор. Официальные оппоненты: БОЛЬШАКОВ Александр Афанасьевич доктор технических наук, профессор, ФГАОУ ВО «Санкт-Петербургский поли- технический университет Петра Великого, профессор Высшей школы искус- ственного интеллекта Института компьютерных наук и технологий. ПРОТАЛИНСКИЙ Олег Мирославович доктор технических наук, профессор, ФГБОУ ВО «Национальный исследова- тельский университет «МЭИ», профессор кафедры автоматизированных систем управления тепловыми процессами. ВОЕВОДА Александр Александрович доктор технических наук, профессор, ФГБОУ ВО «Новосибирский государ- ственный технический университет», профессор кафедры автоматики. Ведущая организация: Федеральное государственное автономное образова- тельное учреждение высшего образования «Российский государственный уни- верситет нефти и газа (национально-исследовательский университет) имени И.М. Губкина». Защита диссертации состоится 22 сентября 2022 г. в 14:00 на заседании диссертационного совета 24.2.304.01 в Ижевском государственном техническом университете имени М.Т. Калашникова по адресу: г. Ижевск, ул. 30 лет Побе- ды, 2, 5 корпус ИжГТУ имени М.Т. Калашникова. С диссертацией и авторефератом диссертации можно ознакомиться в биб- лиотеке ФГБОУ ВО «ИжГТУ имени М.Т. Калашникова» и на сайте http://istu.ru. Автореферат разослан «___» ________________2022 г. Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять по адресу: 426069, г. Ижевск, ул. Студенческая, д. 7, ИжГТУ имени М.Т. Калашникова Ученый секретарь диссертационного совета, кандидат технических наук, доцент Сяктерев Виктор Никонович 3 ВВЕДЕНИЕ Актуальность темы исследования. Современная нефтегазодобывающая промышленность входит в новую эпоху, характеризующуюся трудноизвлекае- мыми запасами, битумной нефтью и переходом на сланцевые залежи. Непро- гнозируемое влияние окружающей среды и неопределенности, связанными с геологической структурой месторождения и другими факторами, воздейству- ющими на технологические процессы, приводят к тому, что режимы работы оборудования значительно отклоняются от номинальных, оборудование функ- ционирует на пороге рентабельности, а добыча и транспортировка жидкости от множества узлов прекращается полностью. В таких условиях системы управле- ния не способны поддерживать номинальные характеристики объектов, таких как насосные станции и насосное оборудование для добычи нефти и его подго- товки, энергоемкость которых составляет более 70 % в общей структуре затрат энергии нефтегазодобывающих предприятий. Важность решения данной про- блемы подчеркивается в федеральном законе от 23.11.2009 № 261-ФЗ «Об энер- госбережении и о повышении энергетической эффективности … ». Следова- тельно, цифровизация и автоматизация рассматриваемых технологических про- цессов, а также создание современных средств интеллектуального управления является приоритетным направлением для нефтегазодобывающей отрасли. Технологические процессы – добыча, первичная подготовка, сбор, сепара- ция, предварительное обезвоживание, учет и транспортировка нефти и попут- ного газа до центральных пунктов сбора и товарных парков, автоматизация и управление ими – объекты диссертационного исследования. Для построения информационно-управляющих систем объекты автоматизации должны удовле- творять не только заданным технологическим параметрам, но и требованиям энергосбережения и энергоэффективности. Степень разработанности темы исследования. Исследованием режимов работы оборудования, методов построения и обучения нейронных сетей, алго- ритмов управления, вопросами повышения эффективности работы оборудова- ния и технологических процессов, разработкой схем управления, принятием решений в условиях неопределенности занимались многие известные ученые – А.З. Асанов, О.С. Амосов, А.А. Большаков, А.А. Воевода, В.М. Валовский, Р.Г. Галеев, Ш.К. Гиматудинов, М.Б. Гузаиров, Г.Л. Дегтярев, М.И. Дли, Ю.И. Зозуля, Б.Г. Ильясов, А.И. Каяшев, В.В. Круглов, Ю.П. Степин, М. Сугено, Ю.Н. Чистякова, L. Zade, E. Mamdani, H. Watanabe и многие др. Существуют методы локального управления объектами добычи и транс- портировки. Однако бόльшая часть насосных установок скважин и нефтепере- качивающих станций работает либо без оперативного регулирования, либо с применением дросселирования и байпасных схем, либо с управлением на осно- 4 ве пропорционального и интегрального (ПИ) или пропорционально- интегрального и дифференциальных (ПИД) методов управления объектами. Неопределенность параметров процесса добычи и транспорта нефти, так и входных и выходных характеристик насосных агрегатов, нелинейность и нали- чие непредсказуемых возмущений не позволяют назвать традиционные методы регулирования для рассматриваемых нелинейных объектов рациональным вы- бором. В последнее время для управления сложными нелинейными объектами, такими как электроприводы станков-качалок, насосные установки и системы поддержания пластового давления, имеющих неопределенности, стали приме- няться интеллектуальные методы управления – нечеткая логика, нейронные се- ти, управление объектами на основе математических моделей. Эти вопросы нашли отражение в трудах Ф.Ф. Алексеева, Р.А. Алиева, А.Е. Алтунина, A.К. Асаи, А.Н. Борисова, И.Я. Браславского, Д.В. Гаскарова, Н.Д. Егупова, М.С. Ершова, З.Ш. Ишматова, А.В. Леоненкова, Б.Г. Меньшова, В.Н. Полякова, Д.А. Поспелова, О.М. Проталинского, Д. Рутковской, В.А. Терехова, П.С. Широкова, Р.Т. Шрейнера, А.Д. Яризова, Г.Э. Яхъяевой и др. Изменения характеристик окружающей среды, температуры и давления в геологических разрезах, физико-химического состава нефти, геологических и рельефных параметров местности, а также циклическая работа и недетермини- рованный характер работы добывающих и нагнетательных скважин осложняют процесс разработки аналитических зависимостей и получения адекватных ма- тематических моделей, поэтому для систем управления технологическими объ- ектами на основе ПИД-регуляторов необходима постоянная корректировка ко- эффициентов. В результате накопления ошибок регулирования технологиче- ские установки работают со значительным отклонением от номинальных ре- жимов, что служит причиной повышенного износа и перерасхода энергоресур- сов. Кроме того, существуют различные схемы автоматизации и управления исполнительными механизмами, устанавливаемыми на месторождении, напри- мер, схемы регулируемого и нерегулируемого электропривода насосных агре- гатов с высоковольтными и низковольтными управляющими устройствами. В целом, затраты на насосное оборудование составляют порядка 50÷70 % от всех энергетических затрат нефтегазодобывающего управления. Функцио- нирующая в аномальном режиме работы схема автоматизированного управле- ния может привести к перерасходу электроэнергии до 12÷35%, снижению меж- ремонтного периода и износу узлов и агрегатов. Для решения проблемы повышения эффективности насосного оборудова- ния технологических процессов добычи, транспортировки и подготовки нефти месторождение необходимо рассматривать комплексно, дифференцируя харак- теристики и свойства каждого объекта в отдельности и объединяя их в инте- 5 гральную систему. Для этого требуется не только научно обоснованный под- ход, но и методология повышения эффективности систем управления объекта- ми нефтегазовых месторождений, основанная на современных методах интел- лектуальных и информационно-управляющих систем, фундаментальной базе теории управления и системного анализа, математическом моделировании средств контроля и автоматизации технологических процессов. Таким образом, анализ состояния проблемы показал, что технологические объекты на месторождении могут работать в режимах, далеких от номиналь- ных, а непредсказуемые изменения характеристик добычи приводят к сниже- нию эффективности работы систем управления, непроизводительным расходам и затратам энергии, т.е. исследование представляет решение крупной научно- технической проблемы, имеющей важное народнохозяйственное значение. Объект исследования – технологические процессы добычи, транспорта и подготовки нефти на месторождении и системы управления ими. Предмет исследования – методы построения схем, моделей, алгоритмов и систем управления на основе логического и нейросетевого аппарата в условиях неопределенности. Цель работы –повышение эффективности функционирования технологи- ческих процессов добычи, транспорта и подготовки нефти и автоматизирован- ных систем управления на основе методов логического управления и нейрон- ных сетей. Для достижения поставленной цели диссертационной работы постав- лены и решены следующие задачи: 1) выполнить анализ систем, сформировать комплекс научно-технических задач и методов их решения для создания нейросетевых и логических автома- тизированных комплексов многомерного управления нефтегазовым насосным оборудованием; 2) разработать метод проектирования и управления распределенными мно- гомерными автоматизированными системами управления на основе примене- ния теории декомпозиции и интеграции параметров технологических процес- сов, а также синтеза информационных потоков и логического регулирования, входные и выходные переменные которых представлены в виде совокупности дискретных термов и нейросетевых моделей; 3) предложить метод многомерного логического регулирования с дискрет- ными термами и разработать модели, схемы и алгоритмы для подсистем авто- матизированного управления технологическими процессами и объектами ме- сторождения; 4) разработать средства математического обеспечения и анализа моделей технологических объектов управления для модульных систем добычи, транс- портировки и подготовки нефти в составе распределенных комплексов автома- 6 тизированных систем управления, позволяющих учесть электротехнические и гидродинамические параметры; 5) разработать модели и алгоритмы энергоэффективного управления для интеллектуальной поддержки контроля и регулирования насосного оборудова- ния, предложить метод управления насосными станциями на месторождении в условиях неопределенности и нечетко заданной информации; 6) построить архитектуру и разработать модели и алгоритмы синтеза и ин- теграции автоматизированных комплексов на основе информационных подси- стем сбора и обработки информации с ориентацией на непрерывность работы систем и модульность реализации межсистемных связей, выполнить имитаци- онное моделирование предложенных методов. Содержание диссертации соответствует областям исследований паспорта научной специальности 2.3.3. Автоматизация и управление технологическими процессами и производствами (технические науки): п.2 «Методология, научные основы и формализованные методы построения автоматизированных систем управления технологическими процессами (АСУТП) и производствами (АСУП), а также технической подготовкой производства (АСТПП) и т.д.»; п. 3 «Теоретические основы и методы математического моделирования органи- зационно-технологических систем и комплексов, функциональных задач и объ- ектов управления и их алгоритмизация»; п.14 «Теоретические основы, методы и алгоритмы интеллектуализации решения прикладных задач при построении АСУ широкого назначения (АСУТП, АСУП, АСТПП и др.)». Научная новизна. 1. Предложены методы и реализующие их алгоритмы; программы для по- строения автоматизированных систем регулирования, основанные на функцио- нальной и параметрической декомпозиции технологических процессов добычи, транспортировки и подготовки нефти на месторождении, предназначенных ин- тегрально обеспечить повышение эффективности насосного оборудования в условиях неопределенности и нечетко заданной информации; архитектура, ло- гически связывающая методы, модели и алгоритмы составных модульных под- систем управления и нейросетевых моделей, отличающаяся от известных тем, что весь технологический процесс добычи и транспортировки нефти рассмат- ривается как многомерная система, иерархическая структура которой включает отдельные процессы и подсистемы, а также информацию об их состоянии и об- ратные связи принятия решений и оперативного управления (соответствует п.2 паспорта специальности 2.3.3). 2. Разработан метод проектирования и управления распределенными мно- гомерными автоматизированными системами управления; предложены спосо- бы настройки и повышения качества регулирования технологических процес- 7 сов с многомерными логическими регуляторами и программной реализацией логической базы правил и схемы автоматического регулирования с автономны- ми регуляторами приводов насосных установок, позволившие исследовать ал- горитмы и параметры систем управления, а также внутренние и внешние воз- мущающие факторы, отличающиеся от известных тем, что для управления насосным оборудованием используются нейросетевые блоки в системах под- держки и принятия решений для прогнозирования, идентификации и планиро- вания режимов работы (соответствует п.3 паспорта специальности 2.3.3). 3. Предложена система взаимно дополняющих моделей и алгоритмов энер- гоэффективного управления, отличающаяся учетом влияния электротехниче- ских и гидравлических элементов, режимов работы высоко- и низковольтных электроприводов с многомерными логическими контроллерами и дискретными функциями принадлежности и позволяющая моделировать режимы функцио- нирования и рациональный выбор оборудования при частот-ном регулировании с различными законами управления (соответствует п.3 паспорта специальности 2.3.3). 4. Предложены методы и алгоритмы управления насосным оборудованием, отличающиеся новым способом построения систем управления, оснащенных нейросетевыми и комбинированными логическими регуляторами с дискретны- ми термами, что позволяет осуществлять пуск и торможение элетроприводов от автономного источника электрической энергии соизмеримой мощности, управ- ление автоматизированным электроприводом дожимной насосной станции, адаптивное управление плавным пуском высоковольтных электроприводов в условиях неполной информации при сохранении их согласования и интеграль- ного единства для достижения повышения энергоэффективности установок и надежности комплексов (соответствует п.14 паспорта специальности 2.3.3). 5. Разработаны программно-аппаратный комплекс (ПАК), модели и алго- ритмы функционирования системы управления с использованием средств ис- кусственного интеллекта, отличающиеся составом и реализацией взаимодей- ствия программных модулей, архитектура которых позволяет осуществлять синтез многомерных технологических объектов по принципу интеграции ин- формации и программного обеспечения сбора и обработки данных, призванных в совокупности обеспечить повышение эффективности управления режимами работы насосных установок добычи, транспортировки и подготовки нефти (со- ответствует п.2 паспорта специальности 2.3.3). Методы исследования. Решение поставленных в диссертационной работе задач потребовало использования следующих подходов и методов: теории си- стем и автоматического управления, системного анализа, логических и интел- лектуальных нейросетевых регуляторов, математического моделирования и электрических схем, сенсоров и электропривода, теории вероятностей, и мно- 8 гомерного автоматического регулирования. Теоретическая значимость основных результатов, полученных в диссер- тационной работе, состоит в создании методологической основы для повыше- ния эффективности функционирования технологических процессов добычи и транспортировки нефти, а также в совершенствовании схем, моделей, алгорит- мов и программного обеспечения управления насосным оборудованием и под- хода автоматизации на основе методов нечеткой логики и нейронных сетей. Разработанные подходы, методы, алгоритмы и научные положения – суще- ственный вклад в изучение теоретических проблем построения нейросетевых логических регуляторов, средств автоматизации и поддержания нормальных режимов эксплуатации нелинейными объектами в условиях нечетко заданной информации, а также закономерностей изменения параметров технологических процессов добычи, транспортировки и подготовки нефти, и повышение энер- гоэффективности и качества управления нефтяным насосным оборудованием. Практическая значимость диссертационного исследования подтвер- ждается актами о внедрении: - в НГДУ «Лениногорскнефть» (г. Лениногорск) – схемы и программный комплекс, реализующий имитационные модели режимов работы нефтеперека- чивающей насосной станции (Патент на изобретение RU 2596165, Патент на изобретение RU 2551139, Патент на полезную модель RU 136504, Патент на полезную модель RU 140350, Свидетельство о регистрации программы для ЭВМ RU 2014615757, Свидетельство о регистрации программы для ЭВМ RU 2014617590); схема автоматизированного управления дожимной насосной станций на основе нечеткого регулятора с дискретными термами (Свидетель- ство о регистрации программы для ЭВМ RU 2014619942, Свидетельство о ре- гистрации программы для ЭВМ RU 2014618025); математические модели вы- соковольтного и низковольтных систем управления приводами насосов (Патент на изобретение RU 2608185, Свидетельство о регистрации программы для ЭВМ RU 2014611769, Свидетельство о регистрации программы для ЭВМ RU 2014612227, Свидетельство о регистрации программы для ЭВМ RU 2014615448); - в ООО «Строй Траст», ООО УК «Шешмаойл», ООО «ППН-Сервис» (г. Альметьевск) – методы и алгоритмы контроля технологических объектов нефтедобычи в условиях неполной информации (Патент на изобретение RU 2619003, Патент на изобретение RU 2579987); система идентификации режима работы скважины на основе методов машинного обучения и нейронных сетей (Свидетельство о регистрации программы для ЭВМ RU 2014616202, Свиде- тельство о регистрации программы для ЭВМ RU 2014619062); система нечетко- го логического управления магистральной насосной станцией с подстройкой коэффициентов регулятора на основе многомерного нечеткого регулятора с 9 программно-реализованной нечеткой базой знаний (Свидетельство о регистра- ции программы для ЭВМ RU 2014619061); - в ООО ТНГ-Групп (г. Бугульма) – методика и программное обеспечение для выбора метода частотно-импульсного управления, алгоритма энергоэффек- тивного контроля насосного оборудования, автоматизации процесса сбора ин- формации и подачи управляющих воздействий на объект управления, нейро- сетевой модели объекта управления в реальном масштабе времени для прогно- зирования и аппроксимации значений контролируемых переменных; - в ПАО «ТатНипиНефть» (г. Бугульма) – подход разработки месторожде- ний на поздней стадии эксплуатации и повышения эффективности работы скважин; - в учебном процессе Лениногорского филиала ФГБОУ ВО «Казанский национальный исследовательский технический университет им. А.Н. Туполева- КАИ» – автоматизированная система управления насосной станцией на основе системы реального времени и сопрягающего OPC-сервера. Достоверность полученных результатов. Предложенные в диссертацион- ной работе методы, алгоритмы, схемы и модели основаны на известных и прове- ренных данных, полученных экспериментальным путем, и на основе натурных исследований реально-действующих технологических установок месторождения и согласуются с результатами ранее выполненных исследований. Основные результаты, выносимые на защиту. 1. Метод анализа, синтеза и построения автоматизированных систем управления на основе функциональной и параметрической декомпозиции тех- нологических процессов и интеграции информационных потоков, учитываю- щий принципы многомерности, информативности, оперативности управления. 2. Модели и методы проектирования автоматизированных комплексов, управляющих технологическими процессами и объектами месторождения для многомерных систем управления в составе распределенных регуляторов с программной реализацией логической базы правил приводов насосных установок. 3. Модели и алгоритмы для интеллектуальной поддержки управления и моделирования технологических процессов добычи, транспортировки и подго- товки нефти в составе распределенных комплексов автоматизированных систем управления высоко- и низковольтными электроприводами с многомерными ло- гическими контроллерами и дискретными функциями принадлежности, разра- ботанные с учетом моделей электротехнических и гидравлических элементов. 4. Модели и алгоритмы управления для многосвязных комплексов насос- ных станций с нейросетевыми и многомерными логическими регуляторами с дискретными термами. 5. Архитектура, имитационные модели, информационное и программное 10 обеспечение для автоматизированных систем сбора и обработки данных, полу- ченные методом структурно-параметрического синтеза многомерных техноло- гических объектов по принципу интеграции информации взаимно дополняю- щих подсистем и нейросетевых регуляторов, призванных в совокупности обес- печить повышение эффективности управления технологическими процессами нефтегазодобычи. Апробация результатов. Основные результаты диссертационного иссле- дования доложены и обсуждены на следующих научных конференциях: - международных: «17th International Workshop on Computer Science and In- formation Technologies» (Rome, Italy, 2015 г.); «IV International Conference on Modern Technologies for Non-Destructive Testing» (Tomsk, 2016 г.); «Современ- ные энерго- и ресурсосберегающие технологии СЭТТ - 2017» (Москва, 2017 г.); «Нефть и газ - 2018» (Москва, 2018 г.); «Нигматуллинские чтения – 2018» (Ка- зань, 2018 г.); «Прикладная электродинамика, фотоника и живые системы – 2019» (Казань, 2019 г.); «XV Королевские чтения» (Самара, 2019 г.); «Interna- tional Symposium “Computer Science, Digital Economy, Intelligent Systems” (Mos- cow, 2019); «1 st , 2 nd , 3 rd International Conference on Control Systems, Mathematical Modeling, Automation and Energy Efficiency (SUMMA)» (Lipetsk, 2019-21 гг.); «Smart Energy Systems (SES-2019)» (Казань, 2019 г.); International Russian Au- tomation Conference (Сочи, 2020); международная научная конференция «Мате- матические методы в технике и технологиях - ММТТ-33, 34, 35» (Казань, 2020- 22 гг.); международная научная конференция «Кибер-физические системы: проектирование и моделирование» CYBERPHY: 2020, 2021 – «Cyber-Physical Systems Design And Modelling» (Казань, 2020 г.; Санкт-Петербург, 2021 г.); - всероссийских: «Семинар по искусственному интеллекту» (Тверь- Протасово, 2015 г.); «НПК, посвященная 90-летию со дня рождения академика Г.Н. Волкова» (Чебоксары, 2017 г.); «Динaмикa нeлинейных дискрeтных элек- тротeхнических и электронных систем (ДНДС-2017)» (Чебоксары, 2017 г.); «Диспетчеризация и управление в электроэнергетике» (Казань, 2017 г.). Публикации. По материалам диссертации опубликовано 80 печатных ра- бот, из них 35 статей в журналах, включенных в Перечень ВАК, 10 статей в за- рубежных рецензируемых изданиях, включенных в международные базы Web of Science и Scopus, 5 патентов на изобретения, 2 патента на полезные модели; 11 свидетельств о государственной регистрации программ для ЭВМ, 1 моно- графия. Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников из 324 наименований и приложений и содержит 277 страниц, в том числе 130 рисунков и 36 таблиц. 11 ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении определены область и направление исследований, изложена проблематика, стоящая перед нефтегазодобывающим комплексом Российской Федерации, обоснована актуальность выбранной темы, ее научная новизна и практическая значимость, сформулированы цели и задачи работы, объект и предмет исследования, изложены научные положения, выносимые на защиту. В главе 1 приводятся результаты анализа состояния повышения эффек- тивности функционирования технологических процессов добычи и транспор- тировки нефти на месторождении, так как эксплуатация насосного оборудова- ния в этих технологических процессах сопряжена с нестационарным изменени- ем таких параметров, как приток жидкости, забойное давление, температура и других, делая объект нелинейным и сложным для управления классическими схемами автоматизации. Нелинейности, вызванные неопределенностью пара- метров, в свою очередь, влияют на режимы работы оборудования и качество подготовки нефтяной продукции скважин, происходит накопление ошибок в существующих системах регулирования, что выражается в неэффективном управлении, повышенном износе насосных агрегатов, запорно-регулирующей арматуры. Вследствие отсутствия схем и алгоритмов управления, сопряженных с изменяющимся технологическим процессом, происходит многократное по- вторение циклов переработки нефти, а отсутствие адаптации ведет к выходам из строя отдельных подсистем технологической схемы добычи. Анализ причинно-следственных связей изменения параметров во время добычи и подготовки нефти показал, что управление этими технологическими процессами связано с применяемыми способами, алгоритмами и схемами регу- лирования технологических параметров различного насосного оборудования. Рассмотрены подходы к управлению этими объектами и технологическими процессами на основе изучения научных публикаций, опыта исследователь- ских, практических и диссертационных работ в области повышения эффектив- ности разработки и совершенствования систем автоматического управления насосным оборудованием. С появлением распределенных систем стало возможным отслеживать, кон- тролировать и отправлять сигналы управления значительному количеству уда- ленных и распределенных объектов, таких как нефтедобывающие скважины и нефте- и газоперекачивающие станции. Эти объекты включают тысячи блоков управления, расстояние между которыми может составлять десятки километров. Нелинейность процессов и объектов управления может вносить существенную неопределенность в выходной сигнал контролируемого параметра. Для управле- ния объектом необходимо знать модель объекта управления, его функциональ- 12 ную структуру, сформулированные требования и критерии управления (рис. 1). Рисунок 1 – Функциональная схема системы автоматизированного управления технологическим процессом: 1 2 , i x x x x – входные задающие воздействия; 1 2 , i y y y y – вектор выходных переменных; 1 2 , i w w w w – вектор возмущающих воздействий; 1 2 { , ... } i u u u u – вектор контролируемых воздействий; ( ) , i i i u t F x y – закон управления в зависимости от состояния и выходных переменных; , , ( ) i i i i y f x w u t – функция в зависимости от вектора входных параметров, возмущающие и управляющие дей- ствия системы управления Установлено, что сдерживающим фактором, препятствующим эффектив- ному управлению и повышению качества регулирования технологическими процессами добычи и транспортировки нефти, является недостаточная изучен- ность технологического процесса как сложного объекта управления, и недоста- точная разработанность алгоритмов, методов и систем автоматического регу- лирования и контроля, сопряженная с технологическим процессом. На основе проведенного исследования выявлены особенности объектов и технологических процессов, происходящих в системах добычи, сбора и обра- ботки нефти: изменение динамических свойств объектов – в процессе функционирования параметры системы могут изменяться и настраиваться через разные промежутки времени; многие схожие объекты имеют собственную структуру и присущие им характеристики, что существенно отличает их математическое описание и внутренние параметры от аналогичных; формализация целевой функции управления осложнена получением кри- териев в изменяющейся среде; из-за отсутствия целевой функции затруднено определение объективно- го критерия, отражающего сущность объекта или процесса. Существенное влияние на разработку математического описания рассмат- риваемых процессов и объектов оказывает эффект неполного набора данных. w 1 (t) w 2 (t) … w i (t) w 1 (t) w 2 (t) w i (t) u 1 (t) u 2 (t) u i (t) y 1 (t) y 2 (t) y i (t) Система управления u i (t) = F(x i , y i ) Объект управления y i (t) = f(x i , w i , u i ) 13 Описание объекта управления в значительной степени зависит от полноты имеющихся данных и информации о функционировании процесса. Входные переменные со значительной помехой от различных возмущений и других фак- торов могут существенно повлиять на выходную функцию. В этом случае опи- сание контролируемого процесса сводится к различным допущениям, выделе- ние которых из контекста формализации объектной функции приводит к раз- личным неопределенностям. На основе изучения научных работ в исследуемой области сделан вывод о том, что существующие методы построения автоматизированных систем управления процессами транспортировки, добычи и подготовки нефти и ис- пользуемых в них регуляторов не всегда соответствуют заявленным характери- стикам из-за нелинейности объекта управления, возникающим в процессе рабо- ты неопределенностей, и возмущающих воздействий. Объекты нефтедобычи являются сложными с точки зрения управления, обладают многосвязанностью контуров регулирования и нелинейной выходной характеристикой, управление которой классическими методами малоэффективно. Кроме этого, отсутствуют методы контроля для вывода на нормальный режим работы установок. Решение поставленных вопросов и комплексной научной проблемы, инте- грированной с управлением технологическими процессами добычи и транспор- тировки нефти, обусловило формулировку цели и задач диссертационного ис- следования. В главе 2 приводится описание нового класса автоматизированной систе- мы управления технологическим процессом добычи и транспортировки нефти на месторождении на основе интеллектуальных информационных подсистем, изучаются и разрабатываются методы повышения эффективности систем управления данных технологических процессов. Предложен метод для автома- тизации рассматриваемых процессов, суть которой заключается в представле- нии месторождения как многомерной системы, где процессы добычи и транс- портировки нефти являются ее составными подсистемами, что можно выразить концептуальной моделью: ( 1) ( ) ( ( ) ( )) ( ), ( ) ( ( ( ) ( ))), n P t AP t B U t R t t U t C S U P t t (1) где P , ( ) U t , R , – векторы, отражающие выходные наблюдаемые сигналы, управляющие воздействия, векторы возмущений и ненаблюдаемых случайных воздействий; n U – контролирующие воздействия; А, В, С – матрицы, размерно- стью NˣN, отражающие параметры модели в пространстве состояний; S – век- тор задающих воздействий. Суть метода заключается в управлении месторождением на основе 14 согласования добычи и нагнетания отдельных скважин, реализация которого представлена на рис. 2. Рисунок 2 – Функциональная схема метода энергоэффективного управления режимами рабо- ты скважин (СИ – системы интеграции, центральная часть автоматизированной системы принятия решений по управлению добывающими скважинами (ДС) и насосными станциями (НС) при подаче управляющих воздействий на локальные контроллеры (ЛК) от систем авто- матического управления (СУ)) Интеграция и оперативное управление систем автоматизации реализуется схемой (рис. 3), отличающейся тем, что включает обратную связь со скважин, осуществляемую в реальном времени, а также базу экспертных правил, опреде- ляющих логику управления насосными станциями, добывающими и нагнета- тельными скважинами. Рисунок 3 – Функциональная схема модели работы системы принятия решений в рамках разработанного подхода (объем закачиваемой жидкости (Q зак ), добываемой нефти (Q н ), суммарный объем добываемой жидкости (Q ж ) и обводненность (Q обв )) На основе изученных свойств исследуемых систем управления можно 15 сформулировать основные принципы функционирования для рассматриваемого класса объектов: 1. Многомерность. Распределенные комплексы технологических объектов добычи нефти, добывающие и нагнетательные скважины, оборудование для очистки нефти и пластовых вод, нагнетательные и кустовые насосные станции, и другое оборудование представляют многоуровневый иерархический объект управления. 2. Информативность. Нефтедобывающие и водонагнетательные скважины, насосное и электромеханическое оборудование, схемы их автоматизации и ин- формация о режимах их работы учитываются при управлении удаленными си- стемами автоматизации. 3. Оперативность управления. Система управления должна обладать ско- ростью обработки информации и оперативного управления, обеспечивающей функционирование системы в режиме реального времени для принятия реше- ний и оперативного управления насосным оборудованием. 4. Системность. Основными структурными элементами системы управления являются следующие подсистемы: нефтяной пласт – добывающая скважина – насосно-электромеханическое и регулирующее оборудование; гидравлическая сеть – управляющее оборудование; нефтяной пласт – нагнетательная скважина – насосно-электромеханическое, запорное и регулирующее оборудование. 5. Интегративность. Элементы системы (добывающие и нагнетательные скважины, установки подготовки нефти и пластовых вод, дожимные и кустовые насосные станции и т.д.), качественные характеристики и режимы их работы, информация об их состоянии, внутренних связях и зависимых подсистемах представляют целостную систему управления. Моделирование работы скважины с нейросетевым контроллером системы адаптивного предсказания и снижения ошибки скорости асинхронного двигателя, приводящего скважину в движение, показано на графике зависимости (рис. 4). Нейронная сеть содержит два входа (ошибка и изменение ошибки) и один выход (контролируемый параметр). Вначале работы весовые коэффициенты нейронной сети с архитектурой (2-32-256-256-1) инициализировались вектором рандомизированных близких к нулевым значений. Данная архитектура была выбрана из-за того, что позволяет сохранять промежуточные состояния систе- мы и комбинировать методы управления. Алгоритмом синтеза нейронной сети является итеративная адаптация весов до тех пор, пока ошибка между выхода- ми нейронной сети и входным вектором не будет минимальна. Несмотря на ко- лебания в начальные моменты времени на этапах адаптации модели, контрол- лер минимизирует ошибку и приводит систему управления к новым устано- вившимся значениям. 16 Рисунок 4 – Графики зависимости: а – ток статора, А; б – угловая скорость, рад/c; в – электромагнитный момент, Н м от времени при моделировании переходных режимов: 1 – без нейроконтроллера; 2 – с нейроконтроллером Для автоматизации работы погружных насосов скважин предложена си- стема адаптивного управления на основе логического регулятора с дискретны- ми термами (рис. 5). Система включает согласующий трансформатор 27, систе- му управления 1, устройство радиосвязи 2, систему коммутации, управления и измерительных приборов электродвигателя (СКУИПЭ) 3, кабельную линию 4, регулирующий штуцер 5, обратный клапан 6, первый патрубок 7, муфтовый переводник 8, насосно-компрессорные трубы 9, сбивной клапан 10, обратный клапан 11, второй патрубок 12, ловильную головку 13, погружной электроцен- тробежный насос (ПЭЦН) 14, газосепаратор 15, протектор 16, погружной элек- тродвигатель (ПЭД) 17, фильтр 18, бессепарационный измеритель многофазно- го потока жидкости (блок А), содержащий датчик температуры 19, регулируе- мые клапаны 20, датчик давления 21, влагомер 22, многофазный кориолисовый расходомер 23, плотномер 24, контрольно-передающее устройство (КПУ) 25, обратную связь КПУ 26, обратную связь СКУИПЭ 28. Для эффективной работы системы автоматизации установкой скважины необходимым является постоянство управления и регулирования расходно- напорных характеристик и значение параметра высоты столба жидкости в скважине – h (задание составляет±0,15м). 17 Рисунок 5 – Функциональная схема предлагаемого комплекса системы автоматизации работы погружных насосов на основе логического регулятора Благодаря компенсации влияния смежных контуров регулирования за счет дискретных термов h к1 ÷h к20 базу правил системы управления можно выразить следующими правилами: 1 1 2 1 1 1 20 1 20 1 2 1 1 19 1 19 1 10 1 1 1 1 1 1 Если , то 0 и 0; Если , то ; Если , то ; Если , то h h Q Q k h Q Q k h Q Q k h T Q Q h T Q T vT h T Q T vT h T Q T vT (2) Представим реализацию регулируемого параметра h множеством из 20 дискретных термов h 1 , h 2 , …, h 20 (например, T 1 < h < T 20 и т.д.) аналитическим выражением для переменной h: 20 1 ( ) ( 1) 0,15 0, , 15 i i T h i h i h где i – номер четкого терма. Функцию регулирующего параметра Q 1 интерпретируем совокупностью из 20 дискретных термов Т Q1–1 ÷ Т Q1–20 шириной 5% от максимального объемного расхода, развиваемого насосом: 20 1 1 1 1 ( 1) 5 5 i i T i Q Q i Q 18 Интерпретация регулирующего параметра Q 2 совокупностью дискретных термов с шириной 5% от диапазона изменения Q 2 аналогична: 20 2 2 2 1 ( 1) 5 5 i i T i Q Q i Q Регулирующий параметр Q вх представим совокупностью из 16 дискретных термов Т Qвх1 ÷ Т Qвх16 шириной 3% от полного открытия клапана 11: 16 вх вх вх 1 ( 1) 3 3 i i T Q Q i Q i Знак суммы ∑ в выражениях означает совокупность термов. Следующим выражением отображается компенсационная функция Т hк : 20 1 ( 1) 5 5 . hk hкi hк i Т Т i t i Это позволяет в условиях неполной информации осуществлять управле- ние скважинной системой и поддерживать ее работу в установленных режи- мах. Предлагаемая система позволяет снизить затраты на эксплуатацию обо- рудования до 30% за счет более длительной эксплуатации системы. Кроме то- го, предложенный метод универсален и может быть использован на различных типах добывающих и нагнетательных скважин, реализовывать различные ви- ды управления. Кроме того, для идентификации параметров работы скважинного насосно- го оборудования реализована система на основе методов машинного обучения и нейронных сетей, позволяющая определять поломки глубинных насосов в ре- альном времени. К примеру, динамограммы могут изменяться в зависимости от различных факторов и даже числа качаний (рис. 6), следовательно, можно определять не только поломки, но и приблизительный дебит скважины. а б в Рисунок 6 – Графики зависимости нагрузки на колонне штанг P от хода плунжера, м, при изменении числа качаний: а – n = 5; б – n = 15; в – n = 25 Процесс обучения нейронной сети осуществляется по алгоритму Розен- Р 0 S 0 Р S Р 0 S 19 берга: формируется выход нейронной сети Y: 1 , n i i i Y F w x где w i – веса; x i – входной сигнал нейрона; F – сигнал функции активации; весовые коэффициенты проходят итерацию изменений согласно правилу дельта-функции: ( 1) ( ) ' ij ij j j i w t w t F S y , 0 0 ( 1) ( ) ' , j j j j S t S t F S где i = 1, 2, …, n; γ i – коэффициент шага; α – скорость обучения; j = 1, 2,…, p. Для повышения качества распознавания динамограмм можно использовать модель высокой вложенности обучаемых параметров и этапов обучения: ( 1) (1 ) ' ( ) ij j j i ij w t F S y w t ; ( 1) ( ) ( 1) ij ij ij w t w t w t На рис. 7, а показаны графики точности модели, а на рис. 7, б – ошибка обучения. Согласно проведенному исследованию модель для обучения исполь- зует 33 690 093 параметров, 33 688 685 тренировочных параметров и 1408 необу- чаемых параметров. а б Рисунок 7 – График зависимости модели тренировочной 1 и тестовой 2 выборок от числа итераций обучения: а – сходимость; б – рассогласование Каждую итерацию для нового изображения входной вектор содержит па- раметры входного изображения вида (высота, ширина, слой RGB-модели). Входной вектор включает 320 параметров и представляется в виде набора (None, 126, 126, 32). Топология нейронной сети состоит из пяти слоев с размер- 20 ностями (3,16), (3,32), (3,64), (1,512), (1,1). Алгоритм препроцессорной обра- ботки включает нормализацию, преобразование к двухмерному виду, потоко- вую нормализацию и специальную функцию, осуществляющую выравнивание вектора изображения по всему диапазону. Подсистемы поддержки и принятия решений – основа при управлении разработкой особенно в условиях неопреде- ленностей. Одним из основных методов решения является разработка математических симуляций геологических моделей, показывающих, в каком состоянии нахо- дится сейчас разработка и какие меры возможно предпринять для интенсифи- кации выработки. Процесс разработки таких моделей довольно трудоемок и требует значительного времени. Для решения этой задачи предложена интел- лектуальная подсистема поддержки принятия решений при управлении про- цессами добычи и транспортировки нефти в условиях неопределенности. Научная новизна предлагаемой модели состоит в том, что в разработанной нейросетевой модели сначала осуществляется корректировка коэффициентов, связанных с обводненностью, режимами работы насосных станций и скважин. Затем нейросетевая модель корректирует весовые коэффициенты на каждом этапе итерации, способствуя прогнозированию на основе многомерного стека данных вариантов режимов работы оборудования. Для примера работы подсистемы рассмотрим задачу многомерного анали- за данных о месторождении (рис. 8). Представляемые с объекта данные отра- жают динамику добычи по скважинам за определенный период времени. Структура получаемого массива данных состоит из 30 столбцов, отража- ющих многомерные параметры оборудования, а также из 1000 строк, отража- ющих периоды фиксации каждого из параметров (1 ч). Представить связь отдельно взятых значений во времени (например, сква- жин с 24-й по 29-ю) можно по табл. 1. Таблица 1 – Зависимость добычи по скважинам (по горизонтали) для рассматриваемого месторождения (по вертикали) Дискретные промежутки Скважины 0 1 2 3 4 5 6 7 8 0 1,0 2,314246 3,769363 5,075229 3,686145 6,779463 4,983996 3,190300 3,329130 1 0,0 0,008046 1,874479 2,290018 0,645221 3,260678 2,026647 1,733029 0,684999 2 1,0 1,267164 1,224649 1,754363 1,733204 2,252532 1,823014 0,970453 1,519227 3 1,0 2,927081 5,258729 7,018861 4,829159 9,428980 6,834051 4,489528 4,388430 4 1,0 1,849879 6,350670 8,131473 4,080473 11,223620 7,586863 5,637773 3,868648 Промежуток проведения снятия характеристик составляет порядка 210 ча- сов для 24÷29 рассматриваемых скважин. Следовательно, рассматриваемую за- 21 дачу создания предсказательной модели можно свести к поиску значений пере- менных на основе определения областей функции плотности вероятности ис- следуемых вариантов. Рисунок 8 – Графики зависимости отдельно взятых значений добычи скважин с 24-й по 29-ю от времени При этом такие параметры как время t и характеристики ( ) t случайного процесса ( ) x t дискретны в промежутке t: 1 1 1 1 , , , , , , , , i j i n ij i j F t t P где 1 , ..., n – параметры дискретного множества; P – условная вероят- ность соответствия возможного значения дискретной случайной величине. Необходимо определить рентабельность скважин на основе этого много- мерного и многокритериального стека информации. Представим эту информа- цию вектор-столбцом (1000x1): 1 – рентабельная; 0 – нерентабельная (рис. 9). Рисунок 9 – Функциональная схема работы информационной системы по определению рентабельности скважин Д обыч а п о ск ва жи нам Время, ч 22 Совместную плотность распределения вероятности можно определить из следующего выражения: 1 2 1 2 1 2 1 2 , , , , , , n n n n F f d d d Улучшенный алгоритм работы подсистемы, позволяющий добиться пред- сказательной способности, составляющей не меньше 73,5 %, показан на рис. 10. Рисунок 10 – Блок-схема алгоритма работы системы по определению рентабельности скважин Следовательно, на основе приведенной системы возможно интерпретиро- вать рассматриваемую задачу как функцию вероятности с оценкой плотности вероятности случайной величины из множества данных, предсказанных на ос- нове разработанных моделей. Одним из основных в работе алгоритма является p-критерий и нулевая гипотеза. Характеристики выражают вероятность того, что нет оснований учитывать данные – взаимосвязи измеряемых величин. Кри- терий можно интерпретировать как вероятность того, что если 0 – гипотеза верна, то статистические наблюдения соответственно будут выше или эквива- лентны заданному параметру. По результатам проведенного эксперимента на улучшенном алгоритме значение статистики равно 0,05. Согласно проведенному эксперименту найдена пара наиболее важных ха- рактеристик (рис. 11). Существующие системы добычи, сбора, подготовки и транспортировки нефтяной продукции скважин являются сложными как для управления, так и для моделирования объектов. Этот факт в свою очередь обу- Нет Да 23 словливает различного рода неопределенности в процессах управления. Анализируемые параметры Рисунок 11 – График зависимости уровня значимости от наиболее важной характеристики из полученного множества анализируемых параметров (пара наиболее важных характеристик для блока параметров предлагаемого алгоритма: 1 – нерентабельный; 2 – рентабельный объекты) В связи с этим актуальной научной задачей для оперативного управления разработкой месторождений является обеспечение алгоритмами прогнозирова- ния текущих параметров. В работе использованы нейросетевые алгоритмы для кратковременного экспресс-анализа добычи куста скважин. Разработан про- граммный комплекс, обеспечивающий сбор неструктурированной информации, ее разделение по категориям и классам, обработку и передачу необходимых данных в модуль прогнозирования и вывода результатов. Согласно полученным результатам, система эффективно справляется с большим объемом данных, об- рабатываемых на СPU-вычислительном блоке. Анализ таблицы из 400 парамет- ров занимает 8,9 с. Информация о текущем состоянии объектов и технологических процессов поступает в нефтегазодобывающее управление в дискретном виде и с заданным периодом времени. На удаленных объектах, таких как насосные станции и экс- плуатационные скважины, возможно появление существенных задержек в пе- редаче данных, связанных в основном с помехами в радиосигналах или комму- никационных сетях. Кроме того, из-за влияния окружающей среды передавае- мые параметры со скважин могут быть значительно искажены. Возможными причинами и источниками погрешностей и ошибок могут служить условия до- бычи, территориальное расположение, геологические условия местности. К особенностям современных месторождений, также обусловливающих сложности при сборе информации, можно отнести: разработку месторождений малодебетных и битумных; значительное газосодержание в добываемой продукции скважин; увеличение вязкости нефти при бурении скважин на новых горизонтах; содержание различных примесей; У ров ен ь зн ач им ос ти 24 солеотложения на насосно-компрессорном оборудовании. Условный пример получаемых данных, для исследования и анализа кото- рых применяется подход, основанный на создании модели объекта в виде нейронной сети, приведен в табл. 2. Таблица 2 – Данные о скважине, ее добыче и прогнозировании добычи Номер скважины Добыча, м 3 /сут. Прогнозирование добычи, м 3 /сут. 1 18,2 11,8 2 15,7 14,3 3 18,1 14,2 4 16,4 15,8 5 17,9 14,2 6 15,3 13,8 7 14,6 15,3 8 14,2 15,8 9 14,5 16,3 10 15,7 15,2 Информация, поступающая в реальном времени, предварительно проходит препроцессорную обработку, включающую подходы и методы для ее выравни- вания и нормализации. На рис. 12 представлена минимизация ошибки в процес- се обучения модели на имеющихся данных. Числовые значения параметров поступают на входы нейронной сети, каж- дый из которых имеет свою условную весовую функцию. От слоя к слою вход- ные значения умножаются на вес связи и посредством активационной функции преобразуются в выходные значения сигнала. Рисунок 12 – График зависимости рассогласования обучаемой модели и заданного порога в процессе обучения на имеющихся данных от числа итераций обучения Анализ работы программы показал, что при малом количестве эпох (< 50) ошибка обучения системы составит 25÷32%, а время обучения – приблизитель- но 2÷3 с. Можно отметить, что при увеличении количества эпох обучения Р ас согла со ва ни е Итерации обучения 25 ошибка может быть существенно уменьшена и составит порядка 12÷17%. При этом достаточной, особенно, для того, чтобы приблизиться к реальному време- ни, является точность – от 70 %. |