CN112101672A - 一种基于粒子群优化算法的气田群协同开发优化方法 - Google Patents
一种基于粒子群优化算法的气田群协同开发优化方法 Download PDFInfo
- Publication number
- CN112101672A CN112101672A CN202010999765.6A CN202010999765A CN112101672A CN 112101672 A CN112101672 A CN 112101672A CN 202010999765 A CN202010999765 A CN 202010999765A CN 112101672 A CN112101672 A CN 112101672A
- Authority
- CN
- China
- Prior art keywords
- gas
- development
- particle
- gas field
- objective function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000011161 development Methods 0.000 title claims abstract description 77
- 239000002245 particle Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 117
- 238000005553 drilling Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 11
- 238000010276 construction Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 170
- 239000000243 solution Substances 0.000 description 22
- 230000008901 benefit Effects 0.000 description 6
- 238000011234 economic evaluation Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003949 liquefied natural gas Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于粒子群优化算法的气田群协同开发优化方法,首先建立起任意不同生产规模下各气田的生产动态预测模型,解决了只采用数值模拟法耗费时间极长、无法整体优化的缺陷,并引入经济评价模型,创建了多因素非线性且快速准确的气田群协同开发模型,针对协同开发模型采用粒子群优化算法和Matlab编程求解模型。得到联合供气时间最长和收益净现值最大2种目标函数下的最优开发部署方案,为项目高效建产部署、降低风险提供技术依据。并且对创建的协同开发模型采用数值模拟法预测验证。经实例验证,本发明计算结果可靠性高、实用性强,具有很强的推广应用价值。
Description
技术领域
本发明属于油气田开发技术领域,特别是一种基于粒子群优化算法的气田群协同开发优化方法。
背景技术
对于海上气田群的整体开发,下游的处理能力限定了总体生产规模,而由于气藏物性差异,生产动态规律不同,稳产能力不同,改变投产接替次序和产能规模,气田群整体稳产时间和采收率发生相应变化;另外,由于各气田储量规模不同,开发投资不等,考虑时间因素对经济效益的影响,不同的投产接替次序、不同的产能建设顺序和规模会产生不同的经济效益。
常规的经典方法是基于物质平衡方程的解析公式大平均方法,无法考虑油气藏的非均质性,无法满足准确度要求,只可作投资决策的参考。但如果只采用常规数值模拟方法,则只能单个气田分别计算,难以有效考虑整个气田群的合理接替、海上浮式液化天然气生产储卸装置船(FLNG,Floating Liquefied Natural Gas)在气田间的优化部署等多方面因素;只有不断试算,计算量将非常庞大,耗时极长,难以设计出综合考虑多个气田协同开发方案,更谈不上优化。
因此,需要研究一种实现气田群整体部署的技术或经济最优,指导海上气田群协同优化开发的新方法。
发明内容
针对上述现有技术中描述的不足,本发明提供一种基于粒子群优化算法的气田群协同开发优化方法。
本发明所采用的技术方案如下:
一种基于粒子群优化算法的气田群协同开发优化方法,包括以下步骤:
S1,构造气田的生产动态预测模型:
所述生产动态预测模型为气田稳产期与采气速度和开发井数的拟合关系式:
式中,为第m个气田的第i种采气速度;为第m个气田的第i种开发井数;为第m个气田在第i种采气速度和第i种开发井数的稳产时间;k1为关系式中采气速度项的回归系数;k2为关系式中采气速度项的回归幂指数;k3为关系式中开发井数项的回归系数;k4为拟合关系式截距。
构造具体过程是:首先,运用数值模拟法预测单独气田不同采气速度和开发井数下的稳产期;其次,通过对结果分析,拟合得到稳产期与采气速度和开发井数定量关系公式,进而用公式代替数值模拟得到生产动态预测模型,实现每个独立气田任意不同配产下的开发指标预测。
S2,建立各气田协同开发的目标函数。
所述目标函数包括目标函数I和目标函数II。
所述目标函数I为联合供气时间最长,侧重于产能评价,具体为:
Max(T)=Max(Ti);
其中,T为各气田联合供气时间,Ti为各气田在第i种采气速度和第i种开发井数情况下的联合供气时间;Tm i为第m个气田在第i种采气速度和第i种开发井数的稳产时间。
所述目标函数II为联合供气时间段内净现值最大,侧重经济评价,具体为:
其中,NPV为各气田联合供气时间段内净现值;CI j为第j年收入;CO j为第j年支出;为第j年累产气量;P1为气销售价格;I为折现率;为第m个气田的第i种开发井数;a1为平均单井钻井成本;a2为单位气操作成本。
S3,建立目标函数的约束条件:
S4,根据约束条件对目标函数进行求解。
采用粒子群优化算法对两个目标函数进行求解,分别获得两个目标函数的最优解,每个最优解对应一个协同开采方案;基于粒子群优化算法具有搜索速度快,效率高,容易找到最优解,设置参数少等优点。
粒子数为L,并延伸到D维空间,第l个粒子位置矢量表示为Pl=(pl1,pl2,…,plD),第l粒子速度矢量表示为Vl=(vl1,vl2,…,vlD),第l个粒子历史最优位置为pbestl=(pbest1,pbest2,…,pbestD),整个粒子群内历史最优位置为gbest=(gbest1,gbest2,…,gbestl)。
其中,D为模型优化求解参数的个数,其值为2*M-1,表示需要求解(M-1)个气田的采气速度(注:实际需要求M个气田的采气速度,因前提假设稳产期内M个气田的年供气量为常量Qcons tan t,故仅需求解M-1个气田的采气速度即可确定所有气田各自采气速度。),以及M个气田的开个发井数;Pl=(pl1,pl2,…,plD)为模型寻优过程中的一个解,(pl1,pl2,…,plD)为需要寻优的采气速度与开发井数。
PSO初始化一群粒子,通过跟踪两个极值更新自己的位置,粒子通过以下两个公式来更新自己的位置和速度。
V=wV+c1r1(pbest-P)+c2r2(gbest-P)
P=P+V
wmax为最大惯性权重,wmin为最小惯性权重,k为当前迭代次数,N为最大迭代次数。
S4.1,初始化粒子,对每粒子的初始位置Pl=(pl1,pl2,…,plD)和速度Vl=(vl1,vl2,…,vlD)进行赋值,初始粒子在允许范围内随机产生,此时个体极值pbest为初始位置,而全局极值gbest为个体极值中的最优值。
S4.2,计算每个粒子的目标函数值,并将每个粒子的目标函数值与其个体历史最优位置比较,如果优于个体最优位置,则将当前位置替换为个体极值。
S4.3,对于每个粒子,将其目标函数值与群体历史最优位置进行比较,若当前是应付函数值优于群体极值,则将其作为群体最优位置,并将当前粒子替换为全局极值。
S4.4,将得到的个体极值和全局极值带入位置和速度公式得到新的位置和速度。
S4.5,检查是否满足系统性能指标或者达到最大迭代次数,若满足条件,则终止程序,否则,返回步骤S4.2。
S5,根据步骤S4筛选出最佳协同开采方案。
根据步骤S4寻优找出的全局最优解,对应粒子位置Pl=(pl1,pl2,…,plD)就是全局最优的气田采气速度与开发井数组合,该条件下即为指定目标函数下的最佳协同开采方案。
本发明针对现有生产动态预测模型多为无法充分考虑气藏非均质性的大平均方法,本发明通过采用数值模拟法首先建立了各气田稳产能力与采气速度和开发井数定量关系,通过用定量关系式建立起任意不同生产规模下各气田的生产动态预测模型,解决了只采用数值模拟法耗费时间极长、无法整体优化的缺陷,并引入经济评价模型,创建了多因素非线性且快速准确的气田群协同开发模型,针对协同开发模型采用粒子群优化算法和Matlab编程求解模型。得到联合供气时间最长和收益净现值最大2种目标函数下的最优开发部署方案,为项目高效建产部署、降低风险提供技术依据。并且对创建的协同开发模型采用数值模拟法预测验证,对比最优解与模型预测结果,验证建立的协同开发模型的准确性。经实例验证,本发明计算结果可靠性高、实用性强,具有很强的推广应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是B气田数模法和拟合公式法求取稳产时间的对比和检验结果图。
图2是C气田数模法和拟合公式二法求取稳产时间对比和检验结果图。
图3是本发明协同开发模型最优解与数模预测结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于粒子群优化算法的气田群协同开发优化方法,包括以下步骤:
S1,构造气田的生产动态预测模型:
所述生产动态预测模型为气田稳产期与采气速度和开发井数的拟合关系式:
式中,为第m个气田的第i种采气速度;为第m个气田的第i种开发井数;为第m个气田在第i种采气速度和第i种开发井数的稳产时间;k1为关系式中采气速度项的回归系数;k2为关系式中采气速度项的回归幂指数;k3为关系式中开发井数项的回归系数;k4为拟合关系式截距。
构造具体过程是:首先,运用数值模拟法预测单独气田不同采气速度和开发井数下的稳产期;其次,通过对结果分析,拟合得到稳产期与采气速度和开发井数定量关系公式,进而用公式代替数值模拟得到生产动态预测模型,实现每个独立气田任意不同配产下的开发指标预测。
S2,建立各气田协同开发的目标函数。
所述目标函数包括目标函数I和目标函数II。
所述目标函数I为联合供气时间最长,侧重于产能评价,具体为:
Max(T)=Max(Ti);
其中,T为各气田联合供气时间,Ti为各气田在第i种采气速度和第i种开发井数情况下的联合供气时间;Tm i为第m个气田在第i种采气速度和第i种开发井数的稳产时间。
所述目标函数II为联合供气时间段内净现值最大,侧重经济评价,具体为:
其中,NPV为各气田联合供气时间段内净现值;CIj为第j年收入;COj为第j年支出;为第j年累产气量;P1为气销售价格;I为折现率;为第m个气田的第i种开发井数;a1为平均单井钻井成本;a2为单位气操作成本。
S3,建立目标函数的约束条件:
S4,根据约束条件对目标函数进行求解。
采用粒子群优化算法对两个目标函数进行求解,分别获得两个目标函数的最优解,每个最优解对应一个协同开采方案;基于粒子群优化算法具有搜索速度快,效率高,容易找到最优解,设置参数少等优点。
粒子数为L,并延伸到D维空间,第l个粒子位置矢量表示为Pl=(pl1,pl2,…,plD),第l粒子速度矢量表示为Vl=(vl1,vl2,…,vlD),第l个粒子历史最优位置为pbestl=(pbest1,pbest2,…,pbestD),整个粒子群内历史最优位置为gbest=(gbest1,gbest2,…,gbestl)。
其中,D为模型优化求解参数的个数,其值为2*M-1,表示需要求解(M-1)个气田的采气速度(注:实际需要求M个气田的采气速度,因前提假设稳产期内M个气田的年供气量为常量Qcons tan t,故仅需求解M-1个气田的采气速度即可确定所有气田各自采气速度。),以及M个气田的开个发井数;Pl=(pl1,pl2,…,plD)为模型寻优过程中的一个解,(pl1,pl2,…,plD)为需要寻优的采气速度与开发井数。
PSO初始化一群粒子,通过跟踪两个极值更新自己的位置,粒子通过以下两个公式来更新自己的位置和速度。
V=wV+c1r1(pbest-P)+c2r2(gbest-P)
P=P+V
wmax为最大惯性权重,wmin为最小惯性权重,k为当前迭代次数,N为最大迭代次数。
S4.1,初始化粒子,对每粒子的初始位置Pl=(pl1,pl2,…,plD)和速度Vl=(vl1,vl2,…,vlD)进行赋值,初始粒子在允许范围内随机产生,此时个体极值pbest为初始位置,而全局极值gbest为个体极值中的最优值。
S4.2,计算每个粒子的目标函数值,并将每个粒子的目标函数值与其个体历史最优位置比较,如果优于个体最优位置,则将当前位置替换为个体极值。
S4.3,对于每个粒子,将其目标函数值与群体历史最优位置进行比较,若当前是应付函数值优于群体极值,则将其作为群体最优位置,并将当前粒子替换为全局极值。
S4.4,将得到的个体极值和全局极值带入位置和速度公式得到新的位置和速度。
S4.5,检查是否满足系统性能指标或者达到最大迭代次数,若满足条件,则终止程序,否则,返回步骤S4.2。
S5,根据步骤S4筛选出最佳协同开采方案。
根据步骤S4寻优找出的全局最优解,对应粒子位置Pl=(pl1,pl2,…,plD)就是全局最优的气田采气速度与开发井数组合,该条件下即为指定目标函数下的最佳协同开采方案。
下面以一个具体事例对本发明进行说明
针对B气田和C气田向2艘FLNG联合供气,生产一段时间后将其中1艘移至T气田继续服役的实际生产需要,开展产能部署方案优化研究,确定B气田和C气田合理的采气速度和井网部署,使得联合供气的效益最优,最终实现研究区气田群的高效协同开发。而设计井投产顺序的原则是依据距离钻井平台位置由近及远,以及构造部位由高到低。
1.对于B气田:首先建立B气田的稳产期与采气速度和开发井数定量关系拟合公式。
B气田具有500,750,1000,1500和2000×104m3/d 5种日产气量,对应的采气速度分别为1.787%,2.681%,3.575%,5.362%和7.150%。
B气田井投产顺序依据距离钻井平台位置由近及远,以及构造部位由高到低,共计运算30种组合案例,5种采气速度×6种开发井数,5种采气速度是基于实际市场规模和气田储量大小,设置了从低到高采气速度,开发井数是考虑井的有利部署位置和合理数量,研究开发井数从4、6、8、10、12、14口等6种。
首先运用数值模拟法开展在不同开发井数和采气速度下的稳产期研究,结合各稳产期的结果,拟合得到B气田的稳产期与采气速度和开发井数定量关系拟合公式:
2.对于C气田:首先建立C气田的稳产期与采气速度和开发井数定量关系拟合公式。
C气田具有1000,1500,2000,2500和3000×104m3/d等5种日产气量,对应的地质储量采气速度分别为1.003%,1.505%,2.007%,2.508%和3.010%。与B气田拟合过程类似,得到C气田的稳产期与采气速度和开发井数定量关系拟合公式:
3,建立协同开发模型。
基本假设,GIIPB和GIIPC分别为B气田和C气田的地质储量,108m3;Qcons tan c为需要向2艘FLNG的年供气量,108m3;和以及和分别为B和C气田在第i种开发部署情况下的稳产时间(年)及对应的采气速度(%)和开发井数(口),其中开发井数受钻井平台限制;Ti为第i种开发部署下能够向2艘FLNG最长的联合供气时间,年,其取值是和中的较小者;a1为平均单井钻井成本,$;单位气操作成本分别为a2,$/m3;第j年累产气为m3;气销售价格为P1,$/m3。
约束条件:
目标函数:
目标函数的选取方面,考虑实际需要,选取联合供气时间最长和联合供气时间段内净现值最大为目标函数。
4,部署方案优选和协同开发指标预测。
协同开发指标是稳产期的采出程度,是在稳定供气时间内从气田里采出气量与原始气量的比例,采出程度越高代表着技术方案越优。选择联合供气时间最长和联合供气时间段内收益净现值最大为目标函数,采用粒子群优化算法用Matlab编程求解协同开发模型,得到两种目标函数下的最优解,见表1。
表1 两种目标函数下的相应的最优解
从表1可看出,两组结果联合供气时间相差不大,但从经济效益方面,以收益净现值最大为目标函数优化得到的最优解优于以联合供气时间最长为目标函数优化得到的最优解。
因此,选择收益净现值最大的部署方案为推荐方案。
并且基于此部署方案,开展了数值模拟预测,对比协同开发模型最优解与数模预测结果见图3,从图3可看出协同开发模型的最优解与数模模拟预测基本吻合,这也进一步验证了所建立的协同开发模型的准确性。
本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于粒子群优化算法的气田群协同开发优化方法,其特征在于,包括以下步骤:
S1,构造气田的稳产期与采气速度和开发井数的拟合关系式:
式中,为第m个气田的第i种采气速度;为第m个气田的第i种开发井数;为第m个气田在第i种采气速度和第i种开发井数的稳产时间;k1为关系式中采气速度项的回归系数;k2为关系式中采气速度项的回归幂指数;k3为关系式中开发井数项的回归系数;k4为拟合关系式截距;
S2,建立各气田协同开发的目标函数;
所述目标函数包括目标函数I和目标函数II;
所述目标函数I为联合供气时间最长,具体为:
Max(T)=Max(Ti);
其中,T为各气田联合供气时间,Ti为各气田在第i种采气速度和第i种开发井数情况下的联合供气时间;Tm i为第m个气田在第i种采气速度和第i种开发井数的稳产时间;
所述目标函数II为联合供气时间段内净现值最大,具体为:
其中,NPV为各气田联合供气时间段内净现值;CIj为第j年收入;COj为第j年支出;为第j年累产气量;P1为气销售价格;I为折现率;为第m个气田的第i种开发井数;a1为平均单井钻井成本;a2为单位气操作成本;
S3,建立目标函数的约束条件;
其中,Qcons tan t为需要提供的年供气量,常量;GIIPm为第m个气田的地质储量;为第m个气田的第i种采气速度;M为气田的个数;为第m个气田的第i种开发井数;Km为第m个气田的开发井数的上限;
S4,根据约束条件对目标函数进行求解;
采用粒子群优化算法对两个目标函数进行求解,分别获得两个目标函数的最优解,每个最优解对应一个协同开采方案;
S5,根据步骤S4筛选出最佳协同开采方案。
2.根据权利要求1所述的基于粒子群优化算法的气田群协同开发优化方法,其特征在于,在步骤S4中,具体求解步骤为:
设定粒子数为L,延伸到D维空间,第l个粒子位置矢量表示为Pl=(pl1,pl2,…,plD),第l粒子速度矢量表示为Vl=(vl1,vl2,…,vlD),第l个粒子历史最优位置为pbestl=(pbest1,pbest2,…,pbestD),整个粒子群内历史最优位置为gbest=(gbest1,gbest2,…,gbestl);
其中,D为模型优化求解参数的个数,为2*(M-1),表示需要求解(M-1)个气田的采气速度以及M个气田的开发井数;Pl=(pl1,pl2,…,plD)为模型寻优过程中的一个解,(pl1,pl2,…,plD)为需要寻优的采气速度与开发井数;
PSO初始化一群粒子,通过跟踪两个极值更新自己的位置和速度,更新公式为:
V=wV+c1r1(pbest-P)+c2r2(gbest-P);
P=P+V;
wmax为最大惯性权重,wmin为最小惯性权重,k为当前迭代次数,N为最大迭代次数;
S4.1,初始化粒子,对每个粒子的初始位置Pl=(pl1,pl2,…,plD)和速度Vl=(vl1,vl2,…,vlD)进行赋值,初始粒子在允许范围内随机产生,此时个体极值pbest为初始位置,而全局极值gbest为个体极值中的最优值;
S4.2,计算每个粒子的目标函数值,并将每个粒子的目标函数值与其个体历史最优位置比较,如果优于个体最优位置,则将当前位置替换为个体极值;
S4.3,将每个粒子的目标函数值与群体历史最优位置进行比较,若当前目标函数值优于群体极值,则将其作为群体最优位置,并将当前粒子替换为全局极值;
S4.4,将得到的个体极值和全局极值带入位置和速度公式得到新的位置和速度;
S4.5,检查是否满足系统性能指标或者达到最大迭代次数,若满足条件,则终止程序,否则,返回步骤S4.2。
3.根据权利要求1所述的基于粒子群优化算法的气田群协同开发优化方法,其特征在于,在步骤S5中,根据步骤S4寻优找出的全局最优解,对应粒子位置Pl=(pl1,pl2,…,plD)就是全局最优的气田采气速度与开发井数组合,即为指定目标函数下的最佳协同开采方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999765.6A CN112101672B (zh) | 2020-09-22 | 2020-09-22 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999765.6A CN112101672B (zh) | 2020-09-22 | 2020-09-22 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101672A true CN112101672A (zh) | 2020-12-18 |
CN112101672B CN112101672B (zh) | 2023-05-26 |
Family
ID=73755753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999765.6A Active CN112101672B (zh) | 2020-09-22 | 2020-09-22 | 一种基于粒子群优化算法的气田群协同开发优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101672B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167246A (zh) * | 2023-04-20 | 2023-05-26 | 昆仑数智科技有限责任公司 | 一种能源井配产数据确定方法、装置及计算机设备 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030074391A1 (en) * | 2001-07-30 | 2003-04-17 | Oneoffshore, Inc. | Knowledge base system for an equipment market |
EP1513085A1 (en) * | 2003-09-08 | 2005-03-09 | Abb Research Ltd. | Method of scheduling maintenance actions |
US20120310689A1 (en) * | 2011-06-01 | 2012-12-06 | International Business Machines Corporation | Optimal planning of building retrofit for a portfolio of buildings |
CN103106539A (zh) * | 2011-11-14 | 2013-05-15 | 谢月 | 集输管网系统的优化方法 |
CN103106540A (zh) * | 2011-11-14 | 2013-05-15 | 李星月 | 应用于粒子群的优化方法 |
CN103136594A (zh) * | 2011-11-29 | 2013-06-05 | 张智灵 | 基于智能算法的气田布局优化系统 |
CN107843920A (zh) * | 2017-09-29 | 2018-03-27 | 中国石油化工股份有限公司 | 一种聚类分析优化粒子群储层属性预测方法 |
CN107992965A (zh) * | 2017-11-27 | 2018-05-04 | 河北省水利工程局 | 基于粒子群算法的小流域水土资源协调优化方法 |
US20180253519A1 (en) * | 2015-11-02 | 2018-09-06 | Landmark Graphics Corporation | Method and apparatus for fast economic analysis of production of fracture-stimulated wells |
CN109236258A (zh) * | 2018-10-27 | 2019-01-18 | 中国地质大学(北京) | 一种基于自适应代理模型的致密油藏压裂水平井优化方法 |
CN109386272A (zh) * | 2017-08-07 | 2019-02-26 | 中国石油化工股份有限公司 | 超深层礁滩相气藏合理井距多目标优化方法 |
WO2019094729A1 (en) * | 2017-11-09 | 2019-05-16 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
CN110941890A (zh) * | 2019-09-27 | 2020-03-31 | 中国海洋石油集团有限公司 | 基于最优控制理论的海上油藏动态实时生产优化方法 |
-
2020
- 2020-09-22 CN CN202010999765.6A patent/CN112101672B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030074391A1 (en) * | 2001-07-30 | 2003-04-17 | Oneoffshore, Inc. | Knowledge base system for an equipment market |
EP1513085A1 (en) * | 2003-09-08 | 2005-03-09 | Abb Research Ltd. | Method of scheduling maintenance actions |
US20120310689A1 (en) * | 2011-06-01 | 2012-12-06 | International Business Machines Corporation | Optimal planning of building retrofit for a portfolio of buildings |
CN103106539A (zh) * | 2011-11-14 | 2013-05-15 | 谢月 | 集输管网系统的优化方法 |
CN103106540A (zh) * | 2011-11-14 | 2013-05-15 | 李星月 | 应用于粒子群的优化方法 |
CN103136594A (zh) * | 2011-11-29 | 2013-06-05 | 张智灵 | 基于智能算法的气田布局优化系统 |
US20180253519A1 (en) * | 2015-11-02 | 2018-09-06 | Landmark Graphics Corporation | Method and apparatus for fast economic analysis of production of fracture-stimulated wells |
CN109386272A (zh) * | 2017-08-07 | 2019-02-26 | 中国石油化工股份有限公司 | 超深层礁滩相气藏合理井距多目标优化方法 |
CN107843920A (zh) * | 2017-09-29 | 2018-03-27 | 中国石油化工股份有限公司 | 一种聚类分析优化粒子群储层属性预测方法 |
WO2019094729A1 (en) * | 2017-11-09 | 2019-05-16 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
CN107992965A (zh) * | 2017-11-27 | 2018-05-04 | 河北省水利工程局 | 基于粒子群算法的小流域水土资源协调优化方法 |
CN109236258A (zh) * | 2018-10-27 | 2019-01-18 | 中国地质大学(北京) | 一种基于自适应代理模型的致密油藏压裂水平井优化方法 |
CN110134006A (zh) * | 2019-05-16 | 2019-08-16 | 西安石油大学 | 基于改进的多目标粒子群算法的复杂井眼轨迹优化方法 |
CN110941890A (zh) * | 2019-09-27 | 2020-03-31 | 中国海洋石油集团有限公司 | 基于最优控制理论的海上油藏动态实时生产优化方法 |
Non-Patent Citations (1)
Title |
---|
吕冰玉: "凝析气藏群开发规划与决策方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167246A (zh) * | 2023-04-20 | 2023-05-26 | 昆仑数智科技有限责任公司 | 一种能源井配产数据确定方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112101672B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buche et al. | Accelerating evolutionary algorithms with Gaussian process fitness function models | |
CN110363344A (zh) | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 | |
CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CA2992274C (en) | Ensemble based decision making | |
CN110263429B (zh) | 基于机器学习的索网反射面天线形面精度调整方法 | |
CN110119558B (zh) | 一种基于差分优化算法的电路参数优化方法 | |
Weintraub et al. | A priori and a posteriori aggregation procedures to reduce model size in MIP mine planning models | |
CN111105035A (zh) | 基于稀疏学习与遗传算法相结合的神经网络剪枝方法 | |
Bashari et al. | Estimation of deformation modulus of rock masses by using fuzzy clustering-based modeling | |
CN115375031A (zh) | 一种产油量预测模型建立方法、产能预测方法及存储介质 | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
CN115906675A (zh) | 基于时序多目标预测模型的井位及注采参数联合优化方法 | |
CN113722997A (zh) | 一种基于静态油气田数据的新井动态产量预测方法 | |
CN112101672A (zh) | 一种基于粒子群优化算法的气田群协同开发优化方法 | |
CN112381334A (zh) | 基于多因素模糊时间序列的高陡边坡形变趋势预测的方法 | |
CN112926251B (zh) | 一种基于机器学习的滑坡位移高精度预测方法 | |
Siddiqui et al. | Eagle ford fluid type variation and completion optimization: a case for data analytics | |
Ma et al. | Optimization of subsurface flow operations using a dynamic proxy strategy | |
CN111242347B (zh) | 基于历史权重更新的桥梁管养辅助决策系统 | |
CN115688613B (zh) | 基于多目标蜉蝣算法优化的碳酸盐岩储层渗透率预测方法 | |
CN113610446B (zh) | 一种复杂分散断块油田群投产顺序的决策方法 | |
Farahi et al. | Model-based production optimization under geological and economic uncertainties using multi-objective particle swarm method | |
CN110413952A (zh) | 油气区块勘探程度的预测方法及装置 | |
CN111428148B (zh) | 一种适于制造过程规划的智能优化算法推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |