CN116090672A - 一种水下生产系统生产方案优化方法、系统、设备及终端 - Google Patents

一种水下生产系统生产方案优化方法、系统、设备及终端 Download PDF

Info

Publication number
CN116090672A
CN116090672A CN202310361362.2A CN202310361362A CN116090672A CN 116090672 A CN116090672 A CN 116090672A CN 202310361362 A CN202310361362 A CN 202310361362A CN 116090672 A CN116090672 A CN 116090672A
Authority
CN
China
Prior art keywords
production
optimization
scheme
underwater
flow
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
Application number
CN202310361362.2A
Other languages
English (en)
Other versions
CN116090672B (zh
Inventor
李攻搏
刘贵杰
王泓晖
谢迎春
宁东红
田晓杰
冷鼎鑫
穆为磊
赵天昊
李泽华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202310361362.2A priority Critical patent/CN116090672B/zh
Publication of CN116090672A publication Critical patent/CN116090672A/zh
Application granted granted Critical
Publication of CN116090672B publication Critical patent/CN116090672B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明属于深水石油开发技术领域，公开了一种水下生产系统生产方案优化方法、系统、设备及终端，确定产量‑寿命优化目标和水下生产系统优化模型；监测运行数据，并判断监测环境是否发生变化；若监测环境未发生变化，则返回运行数据监测步骤；若发生变化，则利用改进的多目标花授粉算法MOMFPA进行优化；利用融入人员偏好的TOPSIS算法实现最优方案决策；执行方案并判断是否停止监测；若否，则返回运行数据监测步骤；若是，则结束运行。本发明基于水下生产系统的多目标优化模型，通过实际生产案例对优化算法进行测试和验证，即MOMFPA的优化算法可以在不陷入局部最优的情况下，对油气动态生产进行优化规划，具有较好的收敛性。

Description

一种水下生产系统生产方案优化方法、系统、设备及终端
技术领域
本发明属于深水石油开发技术领域，尤其涉及一种水下生产系统生产方案优化方法、系统、设备及终端。
背景技术
水下生产系统作为深水石油开发的核心装备，在世界各地的海洋油田已经得到了广泛应用。但由于水下生产系统前期投入大，维修成本高，且整个油气生产系统在生产过程中处于动态变化的过程，生产方案的优化问题就显得尤为重要。随着水下井口数量的增加，优化的变量组合方案将爆炸式增长，导致最优方案的选择难度较大，同时还需要考虑设备性能约束、规范操作约束、油藏约束等。因此亟需要开展水下生产系统生产方案的优化问题研究，以保证油气开采效率和设备运行寿命。但是，当前研究工作主要注重于如何最大化提升油气的产量，忽略了因产量提升而降低关键设备寿命的影响。水下生产系统生产方案的优化是多目标优化问题，传统花授粉算法收敛速度慢，极其容易陷入局部最优，导致优化结果不精准。当前水下生产系统生产方案的优化主要是针对静态的，但随着储存条件、设备条件的改变，整个生产过程是动态变化的，因此必须随着生产过程进行动态的生产优化。
海底采油系统作为深海石油开发的核心设备，在世界各地的海上油田得到了广泛的应用。由于水下生产系统的大量前期投资和高维护成本，以及整个油气生产系统在生产过程中处于动态变化过程，因此优化生产方案的问题变得尤为重要。随着海底井口数量的增加，优化的变量组合解决方案的数量将激增，导致难以选择最佳解决方案。此外，还应考虑设备性能约束、监管操作约束、水库约束等。因此，迫切需要研究水下生产系统的生产方案优化问题，以确保油气开采效率和设备的使用寿命。
水下生产系统包含许多不同的生产设备，其生产方案的制定需要考虑设备的多重影响。为了探讨各种变量对系统的影响，模型的建立尤为重要。但模型的建立非常复杂和困难。油气生产模型受储层条件、管网流量特性和地面设施容量的制约，这是油气生产解决方案的前提。然而，水下生产系统的数学模型极其复杂，准确简化模型尤为重要。
通过上述分析，现有技术存在的问题及缺陷为：（1）现有技术主要注重于如何最大化提升油气的产量，忽略因产量提升而降低关键设备寿命的影响，且建立水下生产系统的数学模型极其复杂和困难；（2）水下生产系统生产方案的优化是多目标优化问题，但传统花授粉算法收敛速度慢，极其容易陷入局部最优，导致多目标优化结果不精准；（3）对于海底系统中的复杂管网需要进行大量的压降分析，严重降低计算效率；管网的压降变化是非线性变化过程，其优化求解非常复杂和困难；（4）在建立了水下生产系统的数学模型之后，有必要通过优化算法来寻找最优的生产方案，但目前的优化算法对操作设备寿命的研究很少。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了一种水下生产系统生产方案优化方法、系统、设备及终端。
本发明是这样实现的，水下生产系统生产方案优化方法，该方法确定产量与寿命优化目标和水下生产系统优化模型，监测运行数据，并判断监测环境是否发生变化；若监测环境未发生变化，则返回运行数据监测步骤；若监测环境发生变化，则利用改进的多目标花授粉算法MOMFPA进行优化；利用融入人员偏好的TOPSIS算法实现最优方案决策；执行方案并判断是否停止监测；若否，则返回运行数据监测步骤；若是，则结束运行；具体包括以下步骤：
步骤一，构建水下生产系统多目标优化模型；
步骤二，利用改进后的多目标变异花授粉算法对水下生产系统多目标优化模型进行求解；
步骤三，确定生产动态探测机制，实现外部环境的实时跟踪。
在步骤一中，构建水下生产系统多目标优化模型包括：
根据设备的运行需求分析确定最大化产量和最小化节流阀冲蚀速率的优化目标；根据生产过程中所涉及的管网压力平衡约束、油井流动动态约束、水下节流阀流动约束、管汇约束、分离器约束；基于优化目标和约束条件进行构建；
基于公式推导和理论推演，得到以下优化目标为最大产量和最小水下节流阀冲蚀率的水下生产系统优化模型公式：
Figure SMS_1
；
Figure SMS_2
；
其中，
Figure SMS_3
表示水下油气生产系统最大石油产量的和，
Figure SMS_4
表示第
Figure SMS_5
口油井的石油流量，
Figure SMS_6
表示节流阀最小冲蚀速率之和，
Figure SMS_7
表示第
Figure SMS_8
口井的节流阀的冲蚀速率；
Figure SMS_9
；
Figure SMS_10
；
Figure SMS_11
；
Figure SMS_12
；
其中，
Figure SMS_14
表示水下生产系统中油井的总数，
Figure SMS_19
分别表示第
Figure SMS_22
口井的气流量和水流量，
Figure SMS_15
分别表示第
Figure SMS_18
口井的油藏储层压力和井底的流动压力，
Figure SMS_21
表示第
Figure SMS_24
口井每生产单位体积的原油所带出的气体体积的比值，
Figure SMS_13
表示每生产单位体积的原油中所带出水的比值，
Figure SMS_17
；
Figure SMS_20
表示第i口井生产指数，
Figure SMS_23
表示水下节流阀的节流压差，
Figure SMS_16
分别表示水下节流阀的进口压力和出口压力；
Figure SMS_25
；
Figure SMS_26
；
Figure SMS_27
；
其中，
Figure SMS_32
表示第
Figure SMS_30
口井的
Figure SMS_35
相在进入管汇处的流量，
Figure SMS_29
；
Figure SMS_33
表示来自
Figure SMS_37
口井的多相流的
Figure SMS_41
相在管汇混合后流出的流量，
Figure SMS_38
表示第
Figure SMS_42
口油井的油气多相流经过节流阀和管道输送后到达管汇入口处的压力，
Figure SMS_31
表示管汇内不同组分的油气多相流进行混合时的压力值，
Figure SMS_34
表示构建的BP神经网络压降代理模型，
Figure SMS_36
表示管道入口处的油相流量，
Figure SMS_40
分别表示多相流参数的气油比和含水率，
Figure SMS_39
表示长度，
Figure SMS_43
表示管道直径，
Figure SMS_28
表示倾斜角度；
Figure SMS_44
；
Figure SMS_45
；
Figure SMS_46
；
其中，
Figure SMS_49
表示总共
Figure SMS_52
口井的
Figure SMS_54
相的总的流量，
Figure SMS_48
表示分离器所设计的
Figure SMS_50
相理论处理能力，
Figure SMS_53
；
Figure SMS_56
表示分离器的入口压力，
Figure SMS_47
为常数，
Figure SMS_51
分别表示第
Figure SMS_55
口井的井底流动压力
Figure SMS_57
所允许的最低压力和最高压力。
在步骤二中，利用改进后的多目标变异花授粉算法对水下生产系统多目标优化模型进行求解包括：
（1）在变量上下限内随机初始化生产方案，数量为N，同时设置最大迭代次数G、转换概率p以及迭代次数
Figure SMS_58
；
（2）计算每个生产方案适应度值，根据所计算的适应度值进行非支配排序，选出当前最优方案；
（3）将随机数rand与转换概率p进行比较，当
Figure SMS_59
，则优化方案触发改进后的全局优化机制，反之则触发局部优化机制，最终生成数量为N的新生产方案；其中，
Figure SMS_60
；
（4）将方案进行合并，得到数量为2N的生产方案；
（5）计算数量为2N的生产方案中每个方案的适应度值和拥挤度，并进行排序；选出排序前N的生产方案，更新当前最优方案个体，并迭代次数
Figure SMS_61
；
（6）判断是否到达最大迭代次数G，若未达到则重复步骤（3）至步骤（6），直到达到最大迭代次数G，则算法停止。
在一个实施例中，全局优化机制为在个体
Figure SMS_62
位置处引入突变，表达式为：
Figure SMS_63
；
Figure SMS_64
；
Figure SMS_65
；
其中，
Figure SMS_66
为原始个体，
Figure SMS_67
为优化后的个体，
Figure SMS_68
值大小为0.618，d为突变概率；
局部优化改进方法为引入Cauchy变异算子，Cauchy分布的概率密度函数
Figure SMS_69
为：
Figure SMS_70
；
Figure SMS_71
；
得到最优解的表达式为：
Figure SMS_72
；
其中，x表示优化个体，
Figure SMS_73
表示服从柯西分布的随机向量。
在步骤三中，动态探测机制通过构建综合性指标函数实现，通过判断当前环境下指标的变化状况决定是否更新迭代，更新过程的通用表达式为：
Figure SMS_74
；
其中，
Figure SMS_75
表示动态探测机制中所构建的综合指标，
Figure SMS_76
为历史环境参数，
Figure SMS_77
为当前环境参数。
在一个实施例中，在选择环境参数时，优先选择单一且变化明显的环境参数综合指标的构建；若依旧无法实现动态生产环境的跟随，则在综合指标构建中引入多个环境参数；或并行运用多个单一环境参数综合指标，共同实现动态探测机制。
本发明的另一目的在于提供一种应用所述水下生产系统生产方案优化方法的系统，该系统包括：
数据采集模块，用于监测压力和流量数据，再由传感器经下位机传输到上位机中存储管理；
生产方案生成模块，用于根据监控的参数变化选择生产方案再更新，调取当前压力和流量的运行数据，将数据送至改进后的MOMFPA算法进行求解；
辅助决策模块，用于将获得的生产方案集在界面进行显示，同时原型系统根据操作人员的偏好对最优方案进行决策，并推荐其他备用方案；
执行控制模块，用于当选中生产方案后，通过上位机发送指令对生产方案进行调整。
在一个实施例中，该系统还包括：压力变送器、流量变送器以及电动阀门；其中，利用压力变送器和流量变送器获取生产运行信息，利用改进的多目标变异花授粉算法获取优化方案集，利用融入偏好的TOPSIS算法实现最优方案决策；利用电动阀门实现方案执行。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，使得处理器执行所述水下生产系统生产方案优化方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端安装在电子装置上，提供用户输入接口以实施所述的系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果。
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果，具体描述如下：本发明基于水下生产系统多目标优化模型，生产方案的求解效率和准确度可以大幅提高，由最终的结果可知，水下生产系统多目标优化模型与传统的半经验公式相比，其计算的结果更准确，相对误差下降了约一半。在计算花费的时间方面，比经验模型预测所耗时间能减少约1.5s（计算40次），缩短了约48%计算时间。本发明采用改进后的变异花授粉算法较未改进的花授粉算法，其在三个生产周期内，分别提升2.16%、2.27%和1.66%。
第二、本发明提供的水下生产系统生产方案优化方法的主要创新性如下：（1）本发明首次提出基于变异花授粉算法的多目标优化方法，该方法在水下生产系统多目标优化问题上具有较好的表现；（2）本发明提出的优化算法不仅考虑了生产方案的优化问题，还考虑了生产方案对于关键设备运行状态的影响问题，而目前大多数方法只考虑其中一点；（3）本发明提出的优化方法综合考虑了动态优化机制，随着油气储层的变化，生产优化方案可以进行动态调整。
第三、把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：本发明将变异的思想引入到传统的花授粉算法中，提出了一种MOMFPA的优化算法。本发明基于水下生产系统的多目标优化模型，通过一个实际生产案例对优化算法进行了测试和验证。同时，本发明MOMFPA的优化算法可以在不陷入局部最优的情况下，对油气动态生产进行优化规划，具有较好的收敛性。另外，本发明通过构建水下生产系统模型，提出了一种基于变异花授粉算法的多目标优化方法，并实现了水下生产系统优化系统的开发，解决了水下生产系统多目标优化模型构建问题，解决了水下生产系统动态生产方案的优化问题，还解决了以产量和关键部件健康状态为目标的多目标优化问题。
第四、作为本发明的创造性辅助证据，还体现在以下几个重要方面：本发明基于变异花授粉算法实现了整体生产过程的动态优化机制；本发明的实施可以实现水下生产系统的自主生产优化，不必根据油井储层环境的变化，设备运行状态的变化进行停产优化，方案制定。能够实现生产过程中的自主动态优化；本发明克服了传统制定优化方案，再进行生产的传统思路；该发明可以在生产过程中进行自主优化，不需要停产停工制定优化方案，再进行二次生产。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的水下生产系统生产方案优化方法流程图；
图2是本发明实施例提供的水下油气生产方案多目标动态优化的总流程图；
图3是本发明实施例提供的多目标花授粉算法流程图；
图4是本发明实施例提供的水下生产系统多目标优化模型目标-约束关系图；
图5是本发明实施例提供的利用改进后的多目标变异花授粉算法对水下生产系统多目标优化模型求解的运行流程图；
图6是本发明实施例提供的并行环境变化判断流程图；
图7是本发明实施例提供的原型系统的架构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
如图1所示，本发明实施例提供的水下生产系统生产方案优化方法包括以下步骤：
S101，确定产量-寿命优化目标和水下生产系统优化模型；
S102，监测运行数据并判断监测环境是否发生变化；若未发生变化，则返回运行数据监测步骤；若发生变化，则利用改进的多目标花授粉算法进行优化；
S103，利用融入人员偏好的TOPSIS算法实现最优方案决策；执行方案并判断是否停止监测；若否，则返回运行数据监测步骤；若是，则结束运行。
本发明实施例提供的水下生产系统生产方案优化系统包括：
数据采集模块，用于监测压力和流量数据，再由传感器经下位机传输到上位机中进行存储管理；
生产方案生成模块，用于根据监控的参数变化选择生产方案再更新，调取当前压力和流量的运行数据，将数据送至改进后的MOMFPA算法进行求解；
辅助决策模块，用于将获得的生产方案集在界面进行显示，同时原型系统根据操作人员的偏好对最优方案进行决策，并推荐其他备用方案；
执行控制模块，用于当选中生产方案后，通过上位机发送指令对生产方案进行调整。
本发明实施例提供的水下生产系统生产方案优化系统还包括：压力变送器、流量变送器以及电动阀门；其中，利用压力变送器和流量变送器获取生产运行信息，利用改进的多目标变异花授粉算法获取优化方案集，利用融入偏好的TOPSIS算法实现最优方案决策；利用电动阀门实现方案执行。
作为优选实施例，如图2所示，本发明实施例提供的水下生产系统生产方案优化方法，具体包括以下步骤：
1、水下油气生产系统多目标优化模型构建；要实现水下生产系统生产方案的多目标优化，首先需要构建水下生产系统优化模型。在水下系统生产过程的建模中，根据设备的运行需求分析可确定最大化产量和最小化节流阀冲蚀速率的优化目标；而根据生产过程中所涉及的设备和操作规定，涉及到以下约束：管网压力平衡约束、油井流动动态约束、水下节流阀流动约束、管汇约束、分离器约束和其他约束。
1.1、优化目标；（1）最大化产量。在水下油气开采过程中，油气产量或净利润最大化是主要目标，在本发明中选择最大化产量为优化目标，其目标函数可表示为：
Figure SMS_78
；
其中，
Figure SMS_79
表示为水下油气生产系统石油产量的和，
Figure SMS_80
表示为第
Figure SMS_81
口油井的石油流量。
（2）最小化节流阀冲蚀速率。在水下油气生产系统的运行寿命主要受到砂砾冲蚀、液滴侵蚀、腐蚀和气蚀等因素影响，其中由砂砾冲蚀造成的影响最大。同时，水下节流阀下节流阀是整个油气生产系统中最易受到冲蚀的部件，其原因为节流阀在运行时，阀体内部因压降会产生高速流，会加速其冲蚀退化，这也在统计的失效数据中得到证实。水下节流阀在整个系统中扮演重要的角色，它的主要功能是调节油井到管汇流量，同时也是切断井流的一个保障设备，一旦发生故障，就会影响系统的生产和下游设备的安全。因此，本发明选择水下节流阀的砂砾冲蚀速率作为影响整个生产系统寿命的关键因素。
而水下节流阀的侵蚀退化速率与流体成分、制作材料、砂砾撞击角等有关，同时阀体的几何结构是影响侵蚀速率的重要因素。在本发明中，分析对象为笼套式节流阀，使用DNV_GL所推荐的笼套式节流阀的冲蚀退化模型作为廊道处最大冲蚀速率的表达，该侵蚀模型表达式为：
Figure SMS_82
；
其中，
Figure SMS_84
表示节流阀廊道处最大侵蚀速率，单位为
Figure SMS_87
；
Figure SMS_90
为砂砾撞击速度，单位为
Figure SMS_86
；
Figure SMS_89
为阀芯的密度，单位为
Figure SMS_92
；
Figure SMS_94
分别表示材料侵蚀常数、粒子直径修正系数、模型因子和单位换算系数，均为无量纲常数，数值可在手册中查取；
Figure SMS_83
为节流阀阀芯的材料性能；
Figure SMS_88
为砂砾的质量流量，单位为
Figure SMS_91
；
Figure SMS_93
为阀门廊道的流通面积，单位为
Figure SMS_85
，其计算公式为：
Figure SMS_95
；
其中，
Figure SMS_96
表示为阀门廊道的有效高度，
Figure SMS_97
表示为笼套式节流阀阀芯和阀体之间用于多相流油气的流动的间隙。
另外，
Figure SMS_98
用于表示节流阀阀芯的材料性能，其值可通过下式进行计算：
Figure SMS_99
；
其中，
Figure SMS_100
为粒子撞击角度，
Figure SMS_101
，单位为rad；R表示为节流阀廊道的半径；H为阀门廊道的有效高度。
因此，可将整个水下油气生产系统的水下节流阀的侵蚀速率之和作为影响系统运行寿命的关键因素，该优化目标可用最小化系统节流阀砂砾冲蚀速率表示，如下式所示：
Figure SMS_102
；
其中，
Figure SMS_103
表示为节流阀冲蚀速率之和，mm/year，
Figure SMS_104
表示为第i口井的节流阀的冲蚀速率，I为水下生产系统中油井的总数。
1.2、约束条件；（1）管网压降约束。油气多相流在管网流动时会因摩擦、重力等因素，在管线进出口处产生压力差，在本发明构建的BP神经网络生产系统管网压降预测模型的基础上，油气管网内的流动压降约束可表示为：
Figure SMS_105
；
其中，
Figure SMS_106
表示为长度为
Figure SMS_107
，直径为
Figure SMS_108
，倾斜角度为
Figure SMS_109
的管道出口处的压力值，
Figure SMS_110
表示为所构建的BP神经网络压降代理模型，
Figure SMS_111
分别表示管道入口处的油相流量，以及代表多相流参数的气油比和含水率。
（2）油井流入动态约束。水下油气生产系统网络中储层油气向油井流动的过程可通过流入动态关系IPR（the Inflow Performance Relationship，IPR）表示，它描述的是油井产量和井底流动压力之间的关系，反映出储层向油井的供油能力。当所构建的水下油井安装有井下压力传感器时，能够直接通过IPR关系，根据井下压力计算出油井的产量；而当油井由于成本等因素未安装井下压力传感器，可根据井动态曲线WPC（Well PerformanceCurve，WPC）来计算井口处压力与油气产量之间的关系，井动态曲线WPC可根据不同时间段内测井的数据进行构建。
目前，在井底安装压力传感器的智能井比较普遍，本发明也以该类井作为研究对象。常见的IPR曲线有两种：线性IPR和Vogel二次IPR。前者描述的精度较高，表达式简单，在油气生产领域被广泛的应用，即：
Figure SMS_112
；
Figure SMS_113
；
Figure SMS_114
；
其中，
Figure SMS_116
分别表示为第
Figure SMS_118
口井的原油流量、气流量和水流量，其单位均为
Figure SMS_121
；
Figure SMS_117
分别表示为第
Figure SMS_120
口井的油藏储层压力和井底的流动压力，单位为MPa，通常井底储层的压力会随着生产的进行逐渐减低；
Figure SMS_123
表示第
Figure SMS_125
口井每生产单位体积的原油所带出的气体（主要为天然气）体积的比值（标准状况下），又称为生产油气比，
Figure SMS_115
；而
Figure SMS_119
为每生产单位体积的原油中，所带出水的比值，又称含水率，
Figure SMS_122
；
Figure SMS_124
为生产指数，其值可通过测井的数据获得。
（3）水下节流阀流通能力约束。来自井底的井流在到达井口后，会经过水下节流阀来对流量压力等进行调控以确保来自不同井口的不同压力的井流到达同一个管汇时压力能够相等，实现油气生产系统内管网的平衡。水下节流阀的流通能力（开度与多相流的流量之间关系）可通过两种方式进行表示：第一种是流通能力理论模型，它是基于动力学原理推导而来，多相井流通过节流阀的流体流量与阀门开度之间的关系是一个复杂的非线性关系；第二种通过节流压差
Figure SMS_126
表征，通过可以表示阀门流动特性的非线性Cv曲线与节流压差相结合，进而根据压差
Figure SMS_127
得到阀门开度值。前者描述流量-开度关系的过程复杂，在实际生产中较少使用，而后者较为简单直接，可直接使用水下节流阀进出口的节流压差
Figure SMS_128
来表征阀门开度。因此在本次模型构建中，将采用第二种方法。油气多相流在水下节流阀中的流动过程与阀门开度的关系可表示为：
Figure SMS_129
；
其中，
Figure SMS_130
为水下节流阀的节流压差，
Figure SMS_131
分别表示水下节流阀的进口压力和出口压力。在获得节流压差后，节流压差和Cv值之间的关系通过下式表述：
Figure SMS_132
；
其中，
Figure SMS_133
为体积流量，
Figure SMS_134
为流体密度。在得出Cv值后，可根据节流阀阀门的Cv-阀门开度曲线（可由测试得出），对阀门的开度值进行查取。
（4）管汇约束。来自不同井的油气多相流会在管汇内混合，以减化油气管线的铺设，而不同油井的油气多相流在经过管道输送后，到达同一个管汇集合，其进入管汇入口处的压力必须相等，以保证不同油井间的油气输送无干扰，实现水下油气管网的平衡。因此，该压力约束可表示为：
Figure SMS_135
；
其中，
Figure SMS_136
表示为第i口油井的油气多相流经过节流阀和管道输送后到达管汇入口处的压力；
Figure SMS_137
表示为管汇内不同组分的油气多相流进行混合时的压力值。
另外，管汇是一个多相流混合的场所，不同组分的油气多相流混合在管汇内部汇合，因此流入的组分总和因等于流出的组成总和相同，其约束可表示为：
Figure SMS_138
；
其中，
Figure SMS_139
表示第i口井的L相在进入管汇处的流量，
Figure SMS_140
；
Figure SMS_141
表示来自i口井的多相流的L相在管汇混合后流出的流量。
（5）分离器约束。在日常的优化方案制定中，多相流分离器通常被看作是整个油气网络的末端，其典型的功能就是将油气多相流分离为单相流以便于运输。因此进入分离器的油气多相流流量必须与分离器的处理能力相匹配，即油气多相流的各相产量（油、气、水）均需小于或等于分离器的处理能力，该约束可表示为：
Figure SMS_142
；
其中，
Figure SMS_143
表示总共i口井的L相的总的流量，
Figure SMS_144
表示为分离器所设计的L相理论处理能力，
Figure SMS_145
。
同时，在分离器的入口处的压力通常为一个恒定值，该约束可表示为：
Figure SMS_146
；
其中，
Figure SMS_147
表示为分离器的入口压力，
Figure SMS_148
为常数。
（6）其他约束。在水下油气生产的生产方案制定中，还需要准守如下操作规则：油井的过低的压力会损伤近井油层，降低采收率；油井的压力过高，则会减少储层流向井内的流量，使井流不满足在管道内稳定流动的条件，因此操作约束可以表示为：
Figure SMS_149
；
其中，
Figure SMS_150
分别表示第i口井的井底流动压力
Figure SMS_151
所允许的最低压力和最高压力。
基于公式推导和理论推演，可以得到优化目标为最大产量和最小水下节流阀冲蚀率的水下生产系统优化模型公式：
Figure SMS_152
；
Figure SMS_153
；
Figure SMS_154
；
Figure SMS_155
；
Figure SMS_156
；
Figure SMS_157
；
Figure SMS_158
；
Figure SMS_159
；
Figure SMS_160
；
Figure SMS_161
；
Figure SMS_162
；
Figure SMS_163
；
本发明实施例提供的水下生产系统多目标优化模型目标-约束关系图如图4所示，基于优化目标和约束条件构建的多目标生产优化模型对象。
2、面向水下生产系统生产的变异花授粉算法；与传统算法相比，多目标花授粉算法在全局寻优能力等方面具有一定优势，考虑到水下油气生产系统多目标优化模型具有的一定的复杂性，本发明提出使用多目标花授粉算法来解决该问题，多目标花授粉算法流程如图3所示。
多目标花授粉算法的主要是通过模仿花在繁殖过程中的自花授粉和生物性授粉的两类行为实现的，在算法运行中，假设一个植物只含有一个花朵，一个花朵只产生一个花粉配子。每一朵花代表一个待选择的生产方案，每一花粉作为配子以寻找下一个花朵。通过自花授粉和生物性授粉的两类行为的模仿，在一定区域范围内寻找处适应度值最小的花朵群体，即寻找到优化方案集合。
通用的多目标花授粉算法运行流程为：（1）算法的初始化，即初始化生产方案；（2）目标函数处理，确定优化目标为最大产量和最小水下节流阀冲蚀率；（3）全局优化和局部优化的改进，传统的花授粉算法在水下生产系统的生产方案中仍存在一定的缺陷。当使用花授粉算法，使用上述的搜索策略能够完成生产方案的筛选，但存在一定的问题，主要体现在花授粉算法的全局寻优的机制中：当随机数rand值小于转换概率时，算法将执行之前所述的全局生物优化操作，虽然以最优个体作为指向进行下一代位置的变动，会使得全局寻优具有一定的方向性，可能会加快算法的收敛。但由于依赖最优个体的指向，往往会收敛速度过快而导致陷入局部最优，无法实现真正意义上的全局最优。也有可能过多的在局部最优的位置反复搜索，降低搜索的效率。因此，在针对全局过程中过度依赖最优个体的指向，可在最优个体处引入变异操作，以降低个体的目标性，进一步提高个体的随机性，扩大花授粉算法对生产方案的全局搜索能力。
多目标花授粉算法通过仿生授粉行为实现方案的局部寻优和全局寻优，对于水下生产系统生产方案的优化，本发明从局部优化和全局优化两个方向展开，并对两个优化机制进行改进。
（1）局部优化机制。局部优化机制是模仿自花授粉行为，因此其影响区域仅在周边小范围。通过模仿该授粉机制，可实现生产优化方案的局部寻优过程，避免陷入局部最优，则其算法可表示为：
Figure SMS_164
；
其中，
Figure SMS_165
分别表示第i个花朵授粉前后的位置，
Figure SMS_166
分别表示第g代中随机选择不同生产方案，
Figure SMS_167
表示步长系数，服从（0，1）均匀分布。
（2）全局优化机制。与上述的局部自花授粉相反，花会利用生物授粉将花粉传播到较远的地方。通过模仿此机制，可实现花粉传播算法对优化方案的全局搜索，实现大跨度、长距离内优化方案的选择，而该机制的实现主要依靠莱芜（Levy）飞行实现，则其算法可表示为：
Figure SMS_168
；
其中，
Figure SMS_169
分别表示第i个体授粉前后的位置，
Figure SMS_170
表示第t代中最优个体的位置，
Figure SMS_171
为控制步长的比例因子，
Figure SMS_172
表示莱维飞行中生物授粉的飞行步长，符合Levy分布，其表达式为：
Figure SMS_173
；
其中，
Figure SMS_174
表示标准的伽马分布，
Figure SMS_175
表示最小步长；
Figure SMS_176
为控制步长的比例因子，通常取值1.5；V服从标准正态分布的随机数，U是服从高斯分布的随机数，且高斯分布的均值为0。在水下生产系统优化模型中，花朵授粉模式是局部自花授粉还是全局生物授粉由转换概率控制，根据多次测试得知，转换概率值为0.9能取得较好结果。
为了使算法更接近真实的水下生产系统操作环境，本发明改进了全局优化和局部优化。
（1）全局优化改进。在传统的全局优化中，当随机数小于转移概率时，全局优化依赖于最优个体的指向，这导致了过快的收敛并陷入局部最优。或者通过在重复位置重复搜索来降低收敛速度。因此，本发明在最优个体处引入了变异操作，以减少个体的目标，进一步提高个体的随机性，并扩展了海底生产方案的花朵授粉算法的全局搜索能力。
具体的实施方法为在个体
Figure SMS_177
位置处引入突变，以达到减小指向性的目的，其表达式为：
Figure SMS_178
；
Figure SMS_179
；
Figure SMS_180
；
其中，
Figure SMS_181
可采用黄金分割比例，其值大小为0.618；该方法是在个体位置引入具有突变，以降低方向性。
（2）局部优化改进。传统的局部优化方法容易陷入局部最优，因此本发明在局部优化中引入了柯西（Cauchy）变异算子，以增加海底生产优化种群的多样性。Cauchy分布的概率密度函数所示：
Figure SMS_182
；
Figure SMS_183
；
该一维概率密度函数峰值位于曲线中部，从中间到两边缓慢降低，且无限接近x轴但不相交。此概率密度函数的分步产生的随机数与原点相距较远，因此变异后的花粉个体可以较快摆脱局部极值，防止陷入局部最优。此外，Cauchy分布的峰值较低，该特点能够缩短变异后的花粉个体在邻域周围搜索的时间，进而提高收敛速度。故其当前最优解的表达式为：
Figure SMS_184
；
综上，本发明实施例利用该变异花授粉算法，对水下生产系统产量-冲蚀速率模型求解的完整步骤如下：
步骤1：在变量上下限内随机初始化生产方案，数量为N，同时设置最大迭代次数G，转换概率p，以及迭代次数t=1；
步骤2：计算的每个生产方案适应度值，根据所计算的适应度值进行非支配排序，选出当前最优方案；
步骤3：将随机数rand（rand∈[0，1]）与转换概率p进行比较，当rand<p，则该优化方案触发改进后的全局优化机制，反之则触发局部优化机制，最终生成数量为N的新生产方案；
步骤4：将新旧方案进行合并，得到数量为2N的生产方案；
步骤5：计算数量为2N的生产方案中每个生产方案的适应度值和拥挤度，并进行排序，选出排序前N的生产方案，更新当前最优方案个体，同时迭代次数t=t+1；
步骤6：判断是否到达最大迭代次数G，若未达到则重复步骤3至步骤6，直到达到最大迭代次数G，算法停止。
图5展示了本发明实施例提供的利用改进后的多目标变异花授粉算法对水下生产系统多目标优化模型求解的运行流程图。
在对全局优化和局部优化改进之后，得到了多目标变异花授粉算法（MOMFPA）。为了验证该算法的优异性，本发明将MOMFPA与闪电优化算法、遗传优化算法和传统的花授粉算法进行了对比实验，由三种测试函数的函数图像可以看出，测试函数的最优值都为0。以最佳适应度为评价指标。因此，本发明提出的MOMFPA具有较快的收敛速度和较高的寻优精度。
3、生产动态探测机制；在油气生产过程中，水下生产系统始终处于一个动态的环境下，其中包括储层压力的下降、含水率和汽油比的周期性波动等。而本发明所提出的水下油气动态生产方案优化实质上是指在设备在运行期间，能够及时探测到外部环境的改变，同时在合理决策后调整生产方案，以保证水下油气生产系统在运行周期内均保持最优状态，以实现最大的油气产量和最小的水下节流阀冲蚀速率。
实现上述目标的基础是设置一个合理的动态探测机制，能够针对环境的改变做出相应的响应。而外部环境变化情况一般可分为两类，一类是已经明确变化规律或具有固定周期的变化，这类变化因规律已知，所以可针对性的构建相应动态探测机制，但该情况较为理想，在实际生产中存在的很少；而另一类则为具有无固定规律的环境变化，例如水下油井储层压力下降过程受到很多因素的干扰，包括储层的深度、出砂状况，地质环境应力集中等状况，很难通过构建数学模型等方式来精确表征其变化规律。针对后一类情况，则需要专门设计一种动态探测机制以实现外部环境的实时跟踪。而动态探测机制构建需满足以下要求：（1）灵敏度设置合理。设置合理的探测度既能够较为准确的识别出外部的环境变化，又不会因细微的环境变动而做出过度反应，造成波动；（2）适应性强。针对外部环境不同参数的变化，均能准确探测，可移植性能优异。
本发明实施例提供的动态探测机制是利用综合指标函数实现的，即构建一个综合性指标，通过判断当前环境下该指标的变化状况来决定是否更新迭代，其更新过程的通用表达式为：
Figure SMS_185
；
Figure SMS_186
；
其中，
Figure SMS_187
表示动态探测机制中所构建的综合指标，
Figure SMS_188
为历史环境参数，
Figure SMS_189
为当前环境参数，
Figure SMS_190
为判断动态探测机制是否激活的阈值。在选择环境参数时，可优先选择单一且变化明显的环境参数综合指标的构建；若依旧无法很好的实现动态生产环境的跟随，可在综合指标构建中引入多个环境参数；或者可并行运用多个单一环境参数综合指标，共同实现动态探测机制。
以水下生产系统运行过程方案优化中动态探测机制的实现为例，可优先选择储层的压力作为单一环境参数，若无法完整反应处变化，则可加入含水率、气油比等，以并行变化的方式来综合判断，其过程如图6所示。
在本发明的实施例中，将采用储层压力这单一环境参数作为生产动态探测机制的判断指标。而在实际运行过程中，可根据实际运行需要，按照更新过程的通用表达式的形式，自行拟定综合指标。
4、基于真实生产案例的优化方案验证；为验证生产方案优化算法的有效性，本发明根据真实生产案例进行验证。根据验证结果表明，通过引进变异策略的多目标花授粉算法，能够减少了花粉指向性的授粉，在全局搜索能力上表现优异，能够避免早熟现象的发生，及时跳出局部最优，能够为接下来的油气生产方案的筛选提供出更大的选择空间。以采用三个生产周期内最大产量方案为例，当操作人员以优先产量为追求进行生产时，采用改进后的变异花授粉算法较未改进的花授粉算法，其在三个生产周期内，分别提升2.16%、2.27%和1.66%。从比例数据上看，虽提升较少，但由于原油产量的基数大且价值较高，以第3周期的提升为例，每天能够带来超过5万美金（按每标准桶100美金计算）的效益提升，经济效益提升较为明显。通过实际生产案例对所提方法的进行验证，结果表明该方法可实现油气动态生产过程中考虑产量和节流阀冲蚀速率为目标的最优生产方案制定。
5、水下生产系统优化系统；在上述分析的基础上，本发明实施例开发了水下油气生产优化方案原型系统，阐述系统开发过程中的关键技术及系统框架。
在原型系统开发前，需对所需要实现的功能进行梳理，其中包括：
（1）数据的采集。所开发的系统能够监测需要的压力、流量等数据，再由传感器经下位机传输到上位机中存储管理。
（2）生产方案的生成。软件可根据监控的参数变化，选择生产方案的再更新，调取当前压力、流量等运行数据，将数据送至改进后的MOMFPA算法进行求解。
（3）辅助决策。获得的生产方案集在界面进行显示的同时，原型系统需根据操作人员的偏好，对最优方案进行决策，同时推荐其他备用方案。
（4）执行控制。当选中生产方案后，可通过上位机发送指令，对生产方案进行调整。
综上，本发明实施例提供的原型系统的架构如图7所示。
6、系统功能测试；（1）数据采集。首先在原型系统界面设置好与控制板和个传感器之间的通讯，实现各个压力和流量数据的获取和保存。
（2）参数条件设置。针对不同的求解规模，需要对算法的运行参数进行调整，主要包括规模数量、转换概率、迭代次数、动态探测阈值、目标权重调整等。操作人员可通过本页面的设置实现个性化需求的键入。
（3）生产优化。在设置好参数后需根据键入的数据进行优化，其页面有部分组成，Pareto分析区，TOPSIS方案决策区，其功能是通过调用本发明的改进算法MOMFPA和决策算法TOPSIS实现的。
（4）优化方案执行。当操作人员选中推荐最优方案后，可直接点击方案对应的序号，页面将直接跳转到执行页面，同时阀门开度值也将自动键入。若操作人员没选中当前方案，可手动点击优化方案执行页面，手动键入阀门的开度值对生产进行调整。
通过阀门的开度值计算Cv值，由阀门Cv曲线查询开度值；实验时，在T1、T2、T3时间段内分别手动调整个阀门压力值，且默认选用最优方案进行调整。
Figure SMS_191
为阀门廊道的流通面积，单位为
Figure SMS_192
，其计算公式为：
Figure SMS_193
；
其中，H表示为阀门廊道的有效高度，D表示为笼套式节流阀阀芯和阀体之间用于多相流油气的流动的间隙。
本发明在之前工作的基础上，通过梳理原型系统的需求，提出了该原型系统的基础框架，并在MATLAB GUI平台下，开发了水下油气生产优化原型系统。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
实施例相关效果的证据：为了验证生产优化方案的有效性，本发明实施例建立了由三口流动井、立管和分离器组成的水下生产系统。本发明主要关注生产方案的优化，不涉及多相流分离器的处理过程。分离器的气体处理能力为
Figure SMS_194
，水处理能力为
Figure SMS_195
。
为了验证MOMFPA的有效性，本发明增加了控制实验。采用传统的花授粉算法和MOMFPA分别求解了上述水下生产系统的多目标模型。两种算法的总体大小都设置为500，迭代次数为300，转换概率设置为0.8，并且它们独立运行20次。同时，算法评估指标选择为超体积数和空间度，动态检测机制中的压力变化阈值设置为0.1MPa。
结果表明，MOMFPA可以减少花粉定点授粉，在全局搜索能力和突破局部最优方面表现出色。同时，该算法可以避免过早成熟现象的发生，快速跳出局部最优，为下一步油气开采方案的筛选提供更多的选择空间。还特别分析了三个生产周期的最大产量。当操作员将最大产量作为优化生产目标时，MOMFPA的性能与MOFPA算法相同，最大产量分别提高了2.16%、2.27%和1.66%，这为制造商带来了巨大的经济效益。此外，MOMFPA在T1至T3生产周期内寻求的最大产量正逐渐减少，分别减少72.51
Figure SMS_196
和78.35
Figure SMS_197
，这是由于主储层压力逐渐降低和石油生产能力相对减弱所致。
MOMFPA算法度量的信息分布更加密集，均匀分布在平均值周围。同时，在三个生产周期中，最大值和最小值之间的差距较小。虽然MOFPA算法度量的分布相对分散，但最大值和最小值之间的距离更大，并且存在更多的异常值。总之，改进的MOMFPA在平均超体积数和平均空间指数方面优于未改进的MOFPA，算法在收敛性和多样性方面表现更好，解集分布更集中。
表1显示了引入BP-PDCM后海底油气生产系统多目标优化模型的比较结果，所有解决方案均由MOMFPA解决。结果表明，在T1、T2和T3循环中，BP神经网络模型比传统的压降计算模型花费更少的时间来求解。主要原因是算法需要多次调用压降计算程序，而BP神经网络只需要快速迭代来计算结果，这导致传统压降计算方法的总时间消耗。通过引入BP-PDCM，计算时间可以减少至少25%，这显著提高了模型解决方案的效率，并为尽快开发最佳生产解决方案奠定了有利基础。
表1不同替代模型求解时间对比
Figure SMS_198
。
在使用MOMFPA获得非支配生产方案后，可以使用TOPSIS算法来执行最优方案的决策。以T1生产周期为例，产量目标和侵蚀率目标的偏好权重分别为[0.8 0.2]。TOPSIS用于决策，表2显示了该偏好下得分最高的五种生产场景。其中，第一得分的情景侵蚀率增加了0.02
Figure SMS_199
，但产量比情景五增加了67.15
Figure SMS_200
，充分反映了优先产量的偏好设置，这表明该决策可以根据不同时期的偏好选择最合适的解决方案。
表2 T1周期内得分前五的生产方案
Figure SMS_201
。
以上所述，仅为本发明较优的具体的实施方式，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，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种水下生产系统生产方案优化方法，其特征在于，该方法确定产量与寿命优化目标和水下生产系统优化模型，监测运行数据，并判断监测环境是否发生变化；若监测环境未发生变化，则返回运行数据监测步骤；若监测环境发生变化，则利用改进的多目标花授粉算法MOMFPA进行优化；利用融入人员偏好的TOPSIS算法实现最优方案决策；执行方案并判断是否停止监测；若停止监测，则返回运行数据监测步骤；若继续监测，则结束运行；具体包括以下步骤：
步骤一，构建水下生产系统多目标优化模型；
步骤二，利用改进后的多目标变异花授粉算法对水下生产系统多目标优化模型进行求解；
步骤三，确定生产动态探测机制，实现外部环境的实时跟踪。
2.根据权利要求1所述的水下生产系统生产方案优化方法，其特征在于，在步骤一中，构建水下生产系统多目标优化模型包括：
根据设备的运行需求分析确定最大化产量和最小化节流阀冲蚀速率的优化目标；根据生产过程中所涉及的管网压力平衡约束、油井流动动态约束、水下节流阀流动约束、管汇约束、分离器约束，基于优化目标和约束条件进行构建；
基于公式推导和理论推演，得到以下优化目标为最大产量和最小水下节流阀冲蚀率的水下生产系统优化模型公式：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
表示水下油气生产系统最大石油产量的和，
Figure QLYQS_3
表示第
Figure QLYQS_4
口油井的石油流量，
Figure QLYQS_5
表示节流阀最小冲蚀速率之和，
Figure QLYQS_6
表示第
Figure QLYQS_7
口井的节流阀的冲蚀速率；
Figure QLYQS_8
；
Figure QLYQS_9
；
Figure QLYQS_10
；
Figure QLYQS_11
；
其中，
Figure QLYQS_14
分别表示第
Figure QLYQS_15
口井的气流量和水流量，
Figure QLYQS_18
分别表示第
Figure QLYQS_13
口井的油藏储层压力和井底的流动压力，
Figure QLYQS_17
表示第
Figure QLYQS_20
口井每生产单位体积的原油所带出的气体体积的比值，
Figure QLYQS_22
表示每生产单位体积的原油中所带出水的比值，
Figure QLYQS_12
；
Figure QLYQS_16
表示生产指数，
Figure QLYQS_19
表示水下节流阀的节流压差，
Figure QLYQS_21
分别表示水下节流阀的进口压力和出口压力；
Figure QLYQS_23
；
Figure QLYQS_24
；
Figure QLYQS_25
；
其中，
Figure QLYQS_34
表示第
Figure QLYQS_28
口井的
Figure QLYQS_30
相在进入管汇处的流量，
Figure QLYQS_35
；
Figure QLYQS_39
表示来自
Figure QLYQS_38
口井的多相流的
Figure QLYQS_41
相在管汇混合后流出的流量，
Figure QLYQS_32
表示第
Figure QLYQS_36
口油井的油气多相流经过节流阀和管道输送后到达管汇入口处的压力，
Figure QLYQS_26
表示管汇内不同组分的油气多相流进行混合时的压力值，
Figure QLYQS_31
表示构建的BP神经网络压降代理模型，
Figure QLYQS_29
表示管道入口处的油相流量，
Figure QLYQS_33
分别表示多相流参数的气油比和含水率，
Figure QLYQS_37
表示长度，
Figure QLYQS_40
表示管道直径，
Figure QLYQS_27
表示倾斜角度；
Figure QLYQS_42
；
Figure QLYQS_43
；
Figure QLYQS_44
；
其中，
Figure QLYQS_46
表示总共
Figure QLYQS_49
口井的
Figure QLYQS_52
相的总的流量，
Figure QLYQS_47
表示分离器所设计的
Figure QLYQS_50
相理论处理能力，
Figure QLYQS_53
；
Figure QLYQS_55
表示分离器的入口压力，
Figure QLYQS_45
为常数，
Figure QLYQS_48
分别表示第
Figure QLYQS_51
口井的井底流动压力
Figure QLYQS_54
所允许的最低压力和最高压力。
3.根据权利要求1所述的水下生产系统生产方案优化方法，其特征在于，在步骤二中，利用改进后的多目标变异花授粉算法对水下生产系统多目标优化模型进行求解包括：
（1）在变量上下限内随机初始化生产方案，数量为N，同时设置最大迭代次数G、转换概率p以及迭代次数
Figure QLYQS_56
；
（2）计算每个生产方案适应度值，根据所计算的适应度值进行非支配排序，选出当前最优方案；
（3）将随机数rand与转换概率p进行比较，当
Figure QLYQS_57
，则优化方案触发改进后的全局优化机制，反之则触发局部优化机制，最终生成数量为N的新生产方案；其中，
Figure QLYQS_58
；
（4）将方案进行合并，得到数量为2N的生产方案；
（5）计算数量为2N的生产方案中每个方案的适应度值和拥挤度，并进行排序；选出排序前N的生产方案，更新当前最优方案个体，并迭代次数
Figure QLYQS_59
；
（6）判断是否到达最大迭代次数G，若未达到则重复步骤（3）至步骤（6），直到达到最大迭代次数G，则算法停止。
4.根据权利要求3所述的水下生产系统生产方案优化方法，其特征在于，全局优化机制为在个体
Figure QLYQS_60
位置处引入突变，表达式为：
Figure QLYQS_61
；
Figure QLYQS_62
；
Figure QLYQS_63
；
其中，
Figure QLYQS_64
为原始个体，
Figure QLYQS_65
为优化后的个体，
Figure QLYQS_66
值大小为0.618，d为突变概率；
局部优化改进方法为引入Cauchy变异算子，Cauchy分布的概率密度函数
Figure QLYQS_67
为：
Figure QLYQS_68
；
Figure QLYQS_69
；
得到最优解的表达式为：
Figure QLYQS_70
；
其中，x表示优化个体，
Figure QLYQS_71
表示服从柯西分布的随机向量。
5.根据权利要求1所述的水下生产系统生产方案优化方法，其特征在于，在步骤三中，动态探测机制通过构建综合性指标函数实现，通过判断当前环境下指标的变化状况决定是否更新迭代，更新过程的通用表达式为：
Figure QLYQS_72
；
其中，
Figure QLYQS_73
表示动态探测机制中所构建的综合指标，
Figure QLYQS_74
为历史环境参数，
Figure QLYQS_75
为当前环境参数。
6.根据权利要求5所述的水下生产系统生产方案优化方法，其特征在于，在选择环境参数时，优先选择单一且变化明显的环境参数综合指标的构建；若依旧无法实现动态生产环境的跟随，则在综合指标构建中引入多个环境参数；或并行运用多个单一环境参数综合指标，共同实现动态探测机制。
7.一种水下生产系统生产方案优化系统，应用如权利要求1-6任意一项所述水下生产系统生产方案优化方法，其特征在于，该系统包括：
数据采集模块，用于监测压力和流量数据，再由传感器经下位机传输到上位机中存储管理；
生产方案生成模块，用于根据监控的参数变化选择生产方案再更新，调取当前压力和流量的运行数据，将数据送至改进后的MOMFPA算法进行求解；
辅助决策模块，用于将获得的生产方案集在界面进行显示，同时原型系统根据操作人员的偏好对最优方案进行决策，并推荐其他备用方案；
执行控制模块，用于当选中生产方案后，通过上位机发送指令对生产方案进行调整。
8.根据权利要求7所述的水下生产系统生产方案优化系统，其特征在于，该系统还包括：压力变送器、流量变送器以及电动阀门；其中，利用压力变送器和流量变送器获取生产运行信息，利用改进的多目标变异花授粉算法获取优化方案集，利用融入偏好的TOPSIS算法实现最优方案决策；利用电动阀门实现方案执行。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，使得处理器执行如权利要求1-6任意一项所述水下生产系统生产方案优化方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端安装在电子装置上，提供用户输入接口以实施如权利要求7所述的水下生产系统生产方案优化系统。
CN202310361362.2A 2023-04-07 2023-04-07 一种水下生产系统生产方案优化方法、系统、设备及终端 Active CN116090672B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310361362.2A CN116090672B (zh) 2023-04-07 2023-04-07 一种水下生产系统生产方案优化方法、系统、设备及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310361362.2A CN116090672B (zh) 2023-04-07 2023-04-07 一种水下生产系统生产方案优化方法、系统、设备及终端

Publications (2)

Publication Number Publication Date
CN116090672A true CN116090672A (zh) 2023-05-09
CN116090672B CN116090672B (zh) 2023-06-30

Family

ID=86208648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310361362.2A Active CN116090672B (zh) 2023-04-07 2023-04-07 一种水下生产系统生产方案优化方法、系统、设备及终端

Country Status (1)

Country Link
CN (1) CN116090672B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118536433A (zh) * 2024-07-24 2024-08-23 中国石油大学(华东) 海洋石油水下生产系统智能运维与生产优化方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807265A (zh) * 2008-09-30 2010-08-18 洛克威尔自动控制技术股份有限公司 机器选择、集成和使用的动态多目标优化的系统和方法
US20190080270A1 (en) * 2017-09-11 2019-03-14 Hefei University Of Technology Production scheduling method and system based on improved artificial bee colony algorithm and storage medium
CN111178485A (zh) * 2019-09-05 2020-05-19 南宁师范大学 基于双种群协同的多目标进化算法
CN112082891A (zh) * 2019-06-14 2020-12-15 中国石油化工股份有限公司 一种三高油气井节流阀抗冲蚀性能试验方法
CN112907057A (zh) * 2021-02-06 2021-06-04 北京理工大学 基于改进mopso算法的生产调度优化方法及系统
CN115470704A (zh) * 2022-09-16 2022-12-13 烟台大学 一种动态多目标优化方法、装置、设备和计算机可读介质
CN115841230A (zh) * 2022-12-13 2023-03-24 安徽工业大学 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807265A (zh) * 2008-09-30 2010-08-18 洛克威尔自动控制技术股份有限公司 机器选择、集成和使用的动态多目标优化的系统和方法
US20190080270A1 (en) * 2017-09-11 2019-03-14 Hefei University Of Technology Production scheduling method and system based on improved artificial bee colony algorithm and storage medium
CN112082891A (zh) * 2019-06-14 2020-12-15 中国石油化工股份有限公司 一种三高油气井节流阀抗冲蚀性能试验方法
CN111178485A (zh) * 2019-09-05 2020-05-19 南宁师范大学 基于双种群协同的多目标进化算法
CN112907057A (zh) * 2021-02-06 2021-06-04 北京理工大学 基于改进mopso算法的生产调度优化方法及系统
CN115470704A (zh) * 2022-09-16 2022-12-13 烟台大学 一种动态多目标优化方法、装置、设备和计算机可读介质
CN115841230A (zh) * 2022-12-13 2023-03-24 安徽工业大学 一种基于改进nsga-ⅱ算法的应急资源统筹调配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"水下节流阀砂粒冲蚀数值模拟研究", 《海洋工程》 *
YUAN LI ET AL.: "Dynamic contaminated particles concentration-based degradation model of linear electro-hydrostatic actuator", 《IEEE》 *
王泓晖: "基于数值模拟的水下节流阀早期冲蚀故障特征分析", 《机电工程》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118536433A (zh) * 2024-07-24 2024-08-23 中国石油大学(华东) 海洋石油水下生产系统智能运维与生产优化方法及系统

Also Published As

Publication number Publication date
CN116090672B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
US10100619B2 (en) Systems and methods for subsurface oil recovery optimization
US20070100475A1 (en) Method and apparatus for applying reduced nonlinear models to optimization of an operation
RU2614338C1 (ru) Способ оперативного управления заводнением пластов
EP2313607B1 (en) Method and apparatus for configuring oil and/or gas producing system
CN116090672B (zh) 一种水下生产系统生产方案优化方法、系统、设备及终端
Haghighat Sefat et al. Reservoir uncertainty tolerant, proactive control of intelligent wells
CN101379498A (zh) 使用物理和代理仿真器的用于快速更新油气田生产模型的方法、系统和计算机可读介质
CN101379271A (zh) 使用代理仿真器的用于实时油气田生产优化的方法、系统和计算机可读介质
RU2607326C1 (ru) Способ оптимизации технологического режима работы газовых и газоконденсатных скважин
Silva et al. Oilfield development system optimization under reservoir production uncertainty
US20070078637A1 (en) Method of analyzing oil and gas production project
JP2019523515A (ja) 多数の水資源の管理ツール
US10415354B2 (en) Systems and methods for assessing production and/or injection system startup
US20230167717A1 (en) A method of modelling a production well
Angga et al. Joint well-placement and well-control optimization for energy-efficient water flooding of oil fields
Farahi et al. Model-based production optimization under geological and economic uncertainties using multi-objective particle swarm method
de Souza Victorino et al. Influence of well and gathering systems parameters on integrated petroleum reservoir and production system simulations
CA3026694C (en) Advanced control of steam injection network
Cotrim et al. Production optimization considering interaction between reservoirs and constrained surface facilities
CN112464552A (zh) 一种适用于地下水封储油库渗流场时序预测方法及系统
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
Xiao et al. A Robust Surveillance and Optimization Workflow for Offshore Gas Lifted Wells
Zhuang et al. Co-Optimization of CO2-EOR Strategies Considering the Spatio-Temporal Sequence Prediction of CO2 Flooding and Sequestration
US20240037413A1 (en) Computer-implemented method and computer-readable medium for drainage mesh optimization in oil and/or gas producing fields
Liu et al. Adaptive Real-Time Prediction for Oil Production Rate Considering Model Parameter Uncertainties

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