CN116245236A - 一种海洋油田水下生产系统多目标生产方案优化方法 - Google Patents

一种海洋油田水下生产系统多目标生产方案优化方法 Download PDF

Info

Publication number
CN116245236A
CN116245236A CN202310151094.1A CN202310151094A CN116245236A CN 116245236 A CN116245236 A CN 116245236A CN 202310151094 A CN202310151094 A CN 202310151094A CN 116245236 A CN116245236 A CN 116245236A
Authority
CN
China
Prior art keywords
production
scheme
oil
optimization
underwater
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.)
Pending
Application number
CN202310151094.1A
Other languages
English (en)
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 CN202310151094.1A priority Critical patent/CN116245236A/zh
Publication of CN116245236A publication Critical patent/CN116245236A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)

Abstract

本发明公开了一种海洋油田水下生产系统多目标生产方案优化方法，包括如下步骤：确定水下生产系统优化模型；采用多目标变异花授粉算法，在变量上下限内随机初始化生产方案，计算每个初始化生产方案的适应度值，根据所计算的适应度值进行升序排列，选出当前最优方案；将随机数Rand与动态转换概率p进行比较，选择全局或局部优化机制，生成数量为N的新生产方案；将新旧生产方案进行合并，并计算适应度值，输出最优方案；如果未达到最优适应度，则进入海马优化算法；利用海马的移动行为、捕食行为、繁殖行为，确定最优生产方案。本发明所公开的方法可兼顾油气产量和设备运行寿命，精准地找到最优的生产方案，提高经济效益。

Description

一种海洋油田水下生产系统多目标生产方案优化方法
技术领域
本发明涉及海洋石油化工技术领域，特别涉及一种海洋油田水下生产系统多目标生产方案优化方法。
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。与传统的海洋油气开发装备相比(人工岛，固定式采油平台等)，水下生产系统造价低、可重复利用，同时可根据油田开采的需要，布设于不同的水深的海底，几乎不受海洋环境变化的影响。但在实际过程中，以下几个因素制约了以水下生产系统为主的海洋石油开发模式：
(1)水下生产系统能够实施的方案多，最优生产方案选择的难度较大。
(2)水下生产系统前期投入大、维修干预成本高，制定生产方案时趋向于保守。
(3)整个油气生产系统在生产过程中处于动态变化的过程，进一步加大了方案制定的难度。
显然，上述问题已经成为制约水下生产系统面向动态生产环境优化方案制定的关键技术难题，也是当前国内外水下生产系统生产优化技术研究的热点内容。对水下生产系统实施生产方案优化是保证油气开采效率和设备运行寿命的有效手段，也是水下生产系统当前研究的重点技术之一。
当前研究工作主要注重于如何最大化提升油气生产中产量提升，忽略了因产量提升而造成水下生产系统关键设备(譬如水下节流阀)寿命的影响，同时大多数的研究工作关注的是一个短周期的生产计划，在优化过程中忽略生产环境的变化。而水下生产系统因其工作环境的特殊性，造成其维修成本高，停机成本大，非计划的停机维护代价非常大，并且生产环境是会随着生产的进行而产生动态变化。因此，在制定考虑生产方案时，从动态生产角度考虑产量和运行寿命是非常有必要的。因此，多目标优化更加符合实际的需求。
在水下油气生产领域，多目标优化也有所应用。花授粉算法是近年提出的一种模型自然界中花授粉行为的仿生学算法，它被应用于解决现实生活领域中各种优化问题。在水下生产系统多目标优化中，花授粉优化算法具有以下缺陷：
(1)参数设置对算法性能影响较大：花授粉算法中有多个参数需要设置，包括花朵数量、花朵的初始适应度、花粉数量、交叉率等等，这些参数的设置直接影响算法的性能，需要进行精细的调试。
(2)可能会出现早熟收敛：由于花授粉算法在选择父代和生成后代时使用了类似于锦标赛选择的方式，可能导致一些较好的解在竞争中被淘汰，从而影响算法的搜索能力。同时，由于交叉操作可能会导致父代的信息丢失，因此算法也容易出现早熟收敛的问题。
(3)非常依赖于目标函数的特征：花授粉算法的性能非常依赖于目标函数的特征，如果目标函数的局部最优解过多或者存在很多峰值，那么算法的搜索能力就会受到很大的限制，难以找到全局最优解。
发明内容
为解决上述技术问题，本发明提供了一种海洋油田水下生产系统多目标生产方案优化方法，以达到可兼顾油气产量和设备运行寿命，精准地找到最优的生产方案，提高经济效益的目的。
为达到上述目的，本发明的技术方案如下：
一种海洋油田水下生产系统多目标生产方案优化方法，包括如下步骤：
步骤1：根据水下生产系统实际生产装置、优化目标和约束条件确定水下生产系统优化模型；
步骤2：采用多目标变异花授粉算法，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，以及当前迭代次数t＝1；
步骤3：计算每个初始化生产方案的适应度值，根据所计算的适应度值进行升序排列，选出当前最优方案；
步骤4：根据动态转换概率公式确定当前转换概率p；
步骤5：将随机数Rand与动态转换概率p进行比较，Rand∈[0,1]，当Rand<p，则该优化方案触发改进后的全局优化机制，反之则触发改进后的局部优化机制，最终生成数量为N的新生产方案；
步骤6：将新旧生产方案进行合并，得到数量为2N的生产方案；
步骤7：计算数量为2N的生产方案中每个生产方案的适应度值，并进行排序，判断当前是否达到最优适应度，如果达到，则算法终止，输出最优方案；如果未达到，则进入海马优化算法；
步骤8：在海马优化算法中，首先对当前的生产方案进行初始化，确定生产方案种群；
步骤9：利用海马的移动行为，对生产方案进行扩充更新，对于每个生产方案，随机选择另一个生产方案作为“伴侣”，通过一定的移动策略，使两个生产方案在解空间中靠近或者远离，然后对移动后的两个生产方案进行选择，将适应度值更优秀的作为下一次迭代的基础；
步骤10：利用海马的捕食行为再次对生产方案进行更新和优化，在生产方案种群中，选择一些适应度较差的作为“猎物”，并从“猎物”附近的一定范围内搜索更优秀的解作为“掠食者”，进行种群更新；
步骤11：利用海马的繁殖行为，选出新的后代，即确定新的最优生产方案，计算适应度并排序，确定最优生产方案；
步骤12：判断当前是否到达最大迭代次数，若没有达到则重复步骤5到步骤12，若达到则算法终止，输出最优生产方案。
上述方案中，步骤1中，水下生产系统实际生产装置包括油气管网、井筒、水下节流阀、管汇、分离器；所述优化目标包括最小化节流阀冲蚀速率和最大化油气产量；所述约束条件包括管网压降约束、油井流入动态约束、水下节流阀流动约束、管汇约束、分离器约束以及操作约束；
确定的水下生产系统优化模型如下：
Figure BDA0004090859210000031
Figure BDA0004090859210000032
其中，f1表示节流阀冲蚀速率，单位为mm/year；Up为砂砾撞击速度，单位为m/s；ρt为阀芯的密度，单位为kg/m3；mp为砂砾的质量流量，单位为kg/s；K、G、C1、Cunit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；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；k表示第k口油井，K'为一个水下生产系统中油井的总数；f2表示总的油气产量，qk,oil表示为第k口油井的石油流量；F(α)用于表示节流阀阀芯的材料性能，其值计算如下：
F(α)＝0.6·[sin(α)+7.2·(sin(α)-sin2(α))]·0.6·[1-exp(-20·α)]
其中，
Figure BDA0004090859210000033
为粒子撞击角度，单位rad；R表示为节流阀廊道的半径；
约束条件包括：
(1)管网压降约束：
pout＝f(pin,qoil,GOR,WOR,x,d,θ)
其中，pout表示为长度为x，直径为d，倾斜角度为θ的管道出口处的压力值，f表示为所构建的BP神经网络压降代理模型，pin、qoil、GOR和WOR分别表示管道入口处的压力、油相流量，以及代表多相流参数的油气比和含水率；
(2)油井流入动态约束：
qk,oil＝PIk·(pk,r-pk,wf)
qk,gas＝GORk·qk,oil
qk,wat＝WORk·qk,oil
其中，qk,oil、qk,gas和qk,wat分别表示为第k口井的原油流量、气流量和水流量，其单位均为Sm3/day；pk,r和pk,wf分别表示为第k口井的油藏储层压力和井底的流动压力，单位为MPa；GORk表示第k口井每生产单位体积原油所带出气体体积的比值；WORk为每生产单位体积的原油中，所带出水的比值，WORk∈[0,100)；PI为生产指数，其值通过测井的数据获得；
(3)水下节流阀流动约束：
Figure BDA0004090859210000041
其中，qv为体积流量，ρ为流体密度；Δp为水下节流阀的节流压差，其计算公式如下：
Δp＝pin-pout
pin和pout分别表示水下节流阀的进口压力和出口压力；
(4)管汇约束：
Figure BDA0004090859210000042
其中，
Figure BDA0004090859210000043
表示第k口井的L相在进入管汇处的流量，L∈{oil、gas、water}；
Figure BDA0004090859210000044
表示来自K'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：
Figure BDA0004090859210000045
Psep＝const
其中，
Figure BDA0004090859210000046
表示总共K口井的L相的总的流量，CL表示为分离器所设计的L相理论处理能力，L∈{oil,gas,water}；Psep表示为分离器的入口压力，const为常数；
(5)操作约束：
Figure BDA0004090859210000051
其中，
Figure BDA0004090859210000052
分别表示第k口井的井底流动压力pk,wf所允许的最低压力和最高压力。
上述方案中，步骤2中，在多目标变异花授粉算法中，在优化变量的上下限内随机生成M个花朵，每个花朵代表一个优化方案，每个花朵上能够携带n维度的花朵的生物信息，来表示n个优化变量组成的生产方案，而对于第i个花朵个体的第j个位置上所携带的生物信息为：
Figure BDA0004090859210000053
其中，xi,j(t)代表花朵种群中第t代的花朵中第i个花朵个体的第j个位置所携带的生物信息，
Figure BDA0004090859210000054
和
Figure BDA0004090859210000055
分别表示第j个位置的生物信息的上限和下限，rand(0,1)则表示在区间(0,1)内生成随机数，来确保初始化过程中代表生产方案的花朵个体在解集空间分布的均匀性；
初始化中花朵数量的取值范围：
10·n≤N≤50·n
其中，n为优化模型中的优化变量，同时初始化生产方案种群数量N不小于100。
上述方案中，步骤3的具体方法如下：
首先，采用线性标定法对目标函数进行处理，处理过程为：
Figure BDA0004090859210000056
其中，f1表示节流阀冲蚀速率，f1′为标定后的节流阀冲蚀速率，f2表示总的油气产量，f2′为标定后的总的油气产量，a1取值为-1，a2取值为100，b1和b2取值为0；
其次，将约束条件通过罚函数的形式添加到处理后的目标函数中，罚函数处理后的目标函数称为适应度函数，即：
Fu(x,σ)＝fu(x)+σ·P(x),u∈[1,2],u∈N+
其中，Fu(x,σ)为增加罚函数后的适应度函数，x表示罚函数自变量初始点，σ为惩罚因子，P(x)为函数，gu(x),hu(x)表示罚函数的约束条件，其表达式为：
Figure BDA0004090859210000057
上述方案中，步骤4中，动态转换概率公式如下：
Figure BDA0004090859210000061
其中，转换概率p∈[0.2,0.9]，t为当前迭代次数，G为最大迭代次数，pmax和pmin分别表示最大概率和最小概率。
上述方案中，步骤5中，全局优化机制如下：
花授粉算法中全局生物性授粉行为在算法表示为：
Figure BDA0004090859210000062
其中，
Figure BDA0004090859210000063
和
Figure BDA0004090859210000064
分别表示第i个花朵个体授粉前后的位置，
Figure BDA0004090859210000065
表示第t代中最优个体的位置，γ为控制步长的比例因子，L(λ)表示生物授粉的飞行步长，符合Levy分布，其表达式为：
Figure BDA0004090859210000066
Figure BDA0004090859210000067
Figure BDA0004090859210000068
其中，Γ(λ)表示标准的伽马分布，s0表示最小步长，并且当s为较大值时该分布有效，s>0；λ为控制步长的比例因子；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；
全局优化机制的改进如下：
在个体
Figure BDA0004090859210000069
位置处引入一定概率的突变，以达到减小指向性的目的，其表达式为：
Figure BDA00040908592100000610
其中，
Figure BDA00040908592100000611
表示第t代的最优个体，
Figure BDA00040908592100000612
表示引入突变后的第t代的最优个体，
Figure BDA00040908592100000613
可采用黄金分割比例，其值大小为0.618；
局部优化机制如下：
花朵的自花授粉的行为在算法中可表示为：
Figure BDA00040908592100000614
其中，
Figure BDA00040908592100000615
和
Figure BDA00040908592100000616
分别表示第i个花朵授粉前后的位置，
Figure BDA00040908592100000617
和
Figure BDA00040908592100000618
分别表示第g代中随机选择的两个不同的生产方案，另外ε表示局部自花授粉的一个步长系数，服从(0,1)均匀分布；
局部优化机制的改进如下：
引入Cauchy变异算子增加优化种群的多样性，Cauchy分布的概率密度函数表示如下：
Figure BDA0004090859210000071
其中，l表示个体所在点；
当前最优解的表达式为：
xbest1＝xbest0(1+Cauchy(0,1))
其中，xbest0表示初始最优个体，xbest1表示引入Cauchy变异后的最优个体，Cauchy(0,1)表示柯西分布。
上述方案中，步骤9中，海马的移动行为表示如下：
海马的螺旋移动行为由下式来表示，当前第m个海马个体从位置Xm(t)沿着螺旋运动向更加弱势的个体所在位置Xweak移动，海马的移动过程同样以莱维飞行表示：
Figure BDA0004090859210000072
其中，x＝ρ×cos(θ)，y＝ρ×sin(θ)，z＝ρ×θ分别表示螺旋运动下(x,y,z)的三维分量，ρ＝μ×eθv表示由对数螺旋常熟定义的螺旋杆的长度，L(λ)表示莱维飞行分布函数；m表示第m个海马个体；
海马随波浪的布朗运动由下式来表示：
Figure BDA0004090859210000073
其中，c为常数，定为0.05，βt为布朗运动的随机游走系数，本质上是一个服从正态分布的随机值，rand表示[0,1]之间的随机数，新的海马个体表示为
Figure BDA0004090859210000074
上述方案中，步骤10中，海马的捕食行为表示如下：
Figure BDA0004090859210000075
其中，
Figure BDA0004090859210000076
表示海马在迭代t次之后移动到的新位置，
Figure BDA0004090859210000077
表示迭代(t+1)次所在位置，Xweak表示弱势个体所在位置，rand表示[0,1]之间的随机数，r2是[0,1]之间的随机数；α随迭代线性减小，以调整海马捕食时的移动步长，其式如下
Figure BDA0004090859210000081
其中，t表示迭代次数，G表示最大次数。
上述方案中，步骤11中，利用海马优化算法的繁殖行为，在生产方案种群中随机选择一些水下生产系统方案个体作为“父亲”，同时随机选择一些水下生产系统方案个体作为“母亲”，将它们进行交叉和变异，生成新的水下生产系统方案个体，并将新个体加入到种群中；选出新的后代，即确定新的最优生产方案，计算适应度并排序，确定最优生产方案；
海马分配角色由下式表示：
Figure BDA0004090859210000082
Figure BDA0004090859210000083
其中，
Figure BDA0004090859210000084
表示所有
Figure BDA0004090859210000085
按照适应度升序排列，male和female分别表示雄性父代群体和雌性母代群体，雄性和雌性随机交配产生新的后代，在这里假设每对海马只繁殖一个后代，则第g代的表达式如下：
Figure BDA0004090859210000086
其中，r3是[0,1]之间的随机数，g是[1,pop/2]范围内的正整数，
Figure BDA0004090859210000087
分别表示从雄性和雌性中随机选择的个体。
通过上述技术方案，本发明提供的一种海洋油田水下生产系统多目标生产方案优化方法具有如下有益效果：
1、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。
2、本发明采用多目标变异花授粉算法和海马优化混合算法结合后，可以充分利用海马优化算法在局部收敛上的优异性能，弥补花授粉优化算法的缺陷，使得在三个生产周期内原油产量分别提升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。
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。
图1为本发明实施例所公开的一种海洋油田水下生产系统多目标生产方案优化方法流程示意图。
图2为水下生产系统涉及的设备及约束。
图3为笼套式节流阀冲蚀模型示意图；
图4为本发明实施例建立的海底水下生产系统示意图；
图5为使用MOMFPA-SHO优化后最大产量方案示意图；
图6为优化算法评价指标-超体积数的对比示意图；
图7为优化算法评价指标-空间度的对比示意图。
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。
本发明提供了一种海洋油田水下生产系统多目标生产方案优化方法，如图1所示，包括如下步骤：
步骤1：根据水下生产系统实际生产装置、优化目标和约束条件确定水下生产系统优化模型。
在水下系统生产流动网络的建模中，根据设备的运行需求分析可确定最大化油气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：管网压降约束、油井流入动态约束、水下节流阀流动约束、管汇约束、分离器约束和其他约束(操作约束)，其涉及到达设备及其构成的约束和优化目标如图2所示。
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。在本实施例中，研究对象为笼套式节流阀，使用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。笼套式节流阀冲蚀模型中D、R参数在模型中的位置如图3所示。
确定的水下生产系统优化模型如下：
Figure BDA0004090859210000091
Figure BDA0004090859210000092
其中，f1表示节流阀冲蚀速率，单位为mm/year；Up为砂砾撞击速度，单位为m/s；ρt为阀芯的密度，单位为kg/m3；mp为砂砾的质量流量，单位为kg/s；K、G、C1、Cunit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；，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；k表示第k口油井，K'为一个水下生产系统中油井的总数；f2表示总的油气产量，qk,oil表示为第k口油井的石油流量；F(α)用于表示节流阀阀芯的材料性能，其值计算如下：
F(α)＝0.6·[sin(α)+7.2·(sin(α)-sin2(α))]·0.6·[1-exp(-20·α)]
其中，
Figure BDA0004090859210000101
为粒子撞击角度，单位rad；R表示为节流阀廊道的半径。
约束条件包括：
(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，油气管网内的流动压降约束可表示为：
pout＝f(pin,qoil,GOR,WOR,x,d,θ)
其中，pout表示为长度为x，直径为d，倾斜角度为θ的管道出口处的压力值，f表示为所构建的BP神经网络压降代理模型，pin、qoil、GOR和WOR分别表示管道入口处的压力、油相流量，以及代表多相流参数的油气比和含水率；
(2)油井流入动态约束：水下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：
qk,oil＝PIk·(pk,r-pk,wf)
qk,gas＝GORk·qk,oil
qk,wat＝WORk·qk,oil
其中，qk,oil、qk,gas和qk,wat分别表示为第k口井的原油流量、气流量和水流量，其单位均为Sm3/day；pk,r和pk,wf分别表示为第k口井的油藏储层压力和井底的流动压力，单位为MPa；GORk表示第k口井每生产单位体积原油所带出气体(主要为天然气)体积的比值(标准状况下)，又称为生产油气比；WORk为每生产单位体积的原油中，所带出水的比值，又称含水率，WORk∈[0,100)；PI为生产指数，其值通过测井的数据获得；
(3)水下节流阀流动约束：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Δp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Δp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Δp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：
Δp＝pin-pout
其中，Δp为水下节流阀的节流压差，pin和pout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值之间的关系可通过下式表述：
Figure BDA0004090859210000111
其中，qv为体积流量，ρ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：
pk,mix＝pmix
其中，pk,mix表示为第k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；pmix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 BDA0004090859210000121
其中，
Figure BDA0004090859210000122
表示第k口井的L相在进入管汇处的流量，L∈{oil、gas、water}；
Figure BDA0004090859210000123
表示来自K'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 BDA0004090859210000124
其中，
Figure BDA0004090859210000125
表示总共K口井的L相的总的流量，CL表示为分离器所设计的L相理论处理能力，L∈{oil,gas,water}。
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：
Psep＝const
其中，Psep表示为分离器的入口压力，const为常数。
(5)操作约束：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 BDA0004090859210000126
其中，
Figure BDA0004090859210000127
分别表示第k口井的井底流动压力pk,wf所允许的最低压力和最高压力。
步骤2：采用多目标变异花授粉算法，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，以及当前迭代次数t＝1。
在多目标变异花授粉算法中，在优化变量的上下限内随机生成M个花朵，每个花朵代表一个优化方案，每个花朵上能够携带n维度的花朵的生物信息，来表示n个优化变量组成的生产方案，而对于第i个花朵个体的第j维度上所携带的生物信息为：
Figure BDA0004090859210000128
其中，xi,j(t)代表花朵种群中第t代的花朵中第i个花朵个体的第j个位置所携带的生物信息，
Figure BDA0004090859210000131
和
Figure BDA0004090859210000132
分别表示第j个位置的生物信息的上限和下限，rand(0,1)则表示在区间(0,1)内生成随机数，来确保初始化过程中代表生产方案的花朵个体在解集空间分布的均匀性；
同时，在初始化中，花朵的初始化的种群数量N影响着后续的算法的寻优能力，过多的个体虽然会增加花朵群体在解集空间的覆盖程度，但会极大增加算法的计算量甚至可造成结果无法收敛；而过少的花朵数量会造成算法寻优的速度变慢，易陷入局部最优。初始化花朵群体的规模数量无特定的要求，可按照下列经验公式确定初始化中花朵数量的取值范围：
10·n≤N≤50·n
其中，n为优化模型中的优化变量，同时初始化生产方案种群数量N不小于100。
步骤3：计算每个初始化生产方案的适应度值，根据所计算的适应度值进行升序排列，选出当前最优方案。
具体方法如下：
首先，采用线性标定法对目标函数进行处理，处理过程为：
Figure BDA0004090859210000133
其中，f1表示节流阀冲蚀速率，f1′为标定后的节流阀冲蚀速率，f2表示总的油气产量，f2′为标定后的总的油气产量，a1取值为-1，a2取值为100，b1和b2取值为0；
其次，将约束条件通过罚函数的形式添加到处理后的目标函数中，罚函数处理后的目标函数称为适应度函数，即：
Fu(x,σ)＝fu(x)+σ·P(x),u∈[1,2],u∈N+
其中，Fu(x,σ)为增加罚函数后的适应度函数，x表示罚函数自变量初始点，σ为惩罚因子，P(x)为函数，gu(x),hu(x)表示罚函数的约束条件，其表达式为：
Figure BDA0004090859210000134
步骤4：根据动态转换概率公式确定当前转换概率p；
在传统的花授粉算法中，优化机制采用局部优化还是全局优化，需要根据转换概率而定，而转换概率一般是固定值。但具体为多少需要根据实际应用场景而定，转换概率过高，则侧重于全局搜索，整体优化算法的收敛速度减慢，影响算法的计算效率；转换概率过小，则侧重于局部搜索，整体优化算法容易陷入布局最优，无法得到最优的结果。因此本发明采用动态转换概率，动态转换概率公式如下：
Figure BDA0004090859210000141
其中，转换概率p∈[0.2,0.9]，t为当前迭代次数，G为最大迭代次数，pmax和pmin分别表示最大概率和最小概率。
步骤5：将随机数Rand与动态转换概率p进行比较，Rand∈[0,1]，当Rand<p，则该优化方案触发改进后的全局优化机制，反之则触发改进后的局部优化机制，最终生成数量为N的新生产方案。
(1)局部优化机制：
在花授粉算法中，局部优化机制是模仿花朵在生物界中的自花传粉的行为，由于花的自我授粉的行为所影响的范围区域仅在周边小范围区域，即当前花的位置产生小范围的干扰。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。而花朵的自花授粉的行为在算法中可表示为：
Figure BDA0004090859210000142
其中，
Figure BDA0004090859210000143
和
Figure BDA0004090859210000144
分别表示第i个花朵授粉前后的位置，
Figure BDA00040908592100001412
和
Figure BDA00040908592100001413
分别表示第g代中随机选择的两个不同的生产方案，另外ε表示局部自花授粉的一个步长系数，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(鸟类、蜜蜂等)则能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。花授粉算法中全局生物性授粉行为在算法可表示为：
Figure BDA0004090859210000145
其中，
Figure BDA0004090859210000146
和
Figure BDA0004090859210000147
分别表示第i个花朵个体授粉前后的位置，
Figure BDA0004090859210000148
表示第t代中最优个体的位置，γ为控制步长的比例因子，L(λ)表示生物授粉的飞行步长，符合Levy分布，其表达式为：
Figure BDA0004090859210000149
Figure BDA00040908592100001410
Figure BDA00040908592100001411
其中，Γ(λ)表示标准的伽马分布，s0表示最小步长，并且当s(s>0)为较大值时该分布有效；λ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。在实际算法运行中，花朵的授粉是局部自花授粉还是全局生物授粉由转换概率p控制。
(3)全局优化改进。
在传统的全局优化中，当随机数小于转换概率时，全局优化会依赖于最优个体
Figure BDA0004090859210000151
的指向，导致收敛速度过快从而陷入局部最优，或重复位置反复搜索，降低收敛速度。因此本文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[67-69]。具体的实施方法为在个体
Figure BDA0004090859210000152
位置处引入一定概率的突变，以达到减小指向性的目的，其表达式为：
Figure BDA0004090859210000153
其中，
Figure BDA0004090859210000154
表示第t代的最优个体，
Figure BDA0004090859210000155
表示引入突变后的第t代的最优个体，
Figure BDA0004090859210000156
可采用黄金分割比例，其值大小为0.618。
(4)局部优化改进。
传统花授粉算法局部优化容易陷入局部最优，因此本文在局部优化中引入Cauchy变异算子增加优化种群的多样性。Cauchy分布的概率密度函数所示
Figure BDA0004090859210000157
其中，l表示个体所在点；
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：
xbest1＝xbest0(1+Cauchy(0,1))
其中，xbest0表示初始最优个体，xbest1表示引入Cauchy变异后的最优个体，Cauchy(0,1)表示柯西分布。
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)。
步骤6：将新旧生产方案进行合并，得到数量为2N的生产方案；
步骤7：计算数量为2N的生产方案中每个生产方案的适应度值，并进行排序，判断当前是否达到最优适应度，如果达到，则算法终止，输出最优方案；如果未达到，则进入海马优化算法(SHO)；
步骤8：在海马优化算法中，首先对当前的生产方案进行初始化，确定生产方案种群；
步骤9：利用海马的移动行为，对生产方案进行扩充更新，对于每个生产方案，随机选择另一个生产方案作为“伴侣”，通过一定的移动策略，使两个生产方案在解空间中靠近或者远离，然后对移动后的两个生产方案进行选择，将适应度值更优秀的作为下一次迭代的基础；
海马的移动行为表示如下：
海马的螺旋移动行为由下式来表示，当前第m个海马个体从位置Xm(t)沿着螺旋运动向更加弱势的个体所在位置Xweak移动，海马的移动过程同样以莱维飞行表示，莱维飞行可也表示海马移动的步长，这将有益于海马尽快的移动到更优异的个体旁，避免了海马优化算法的局部收敛。
Figure BDA0004090859210000161
其中，x＝ρ×cos(θ)，y＝ρ×sin(θ)，z＝ρ×θ分别表示螺旋运动下(x,y,z)的三维分量，这有利于更新搜索代理的位置，ρ＝μ×eθv表示由对数螺旋常熟定义的螺旋杆的长度，L(λ)表示莱维飞行分布函数；m表示第m个海马个体；
相对比海马的螺旋运动，海马还会随着波浪的涌动进行布朗运动，该运动模拟海马的另外一个移动步长，这样可以让海马在更大的空间内进行探索。海马随波浪的布朗运动由下式来表示：
Figure BDA0004090859210000162
其中，c为常数，定为0.05，βt为布朗运动的随机游走系数，本质上是一个服从正态分布的随机值，rand表示[0,1]之间的随机数，新的海马个体表示为
Figure BDA0004090859210000163
步骤10：利用海马的捕食行为再次对生产方案进行更新和优化，在生产方案种群中，选择一些适应度较差的作为“猎物”，并从“猎物”附近的一定范围内搜索更优秀的解作为“掠食者”，进行种群更新，确定适应度更高的生产方案。这样可以增加水下生产系统生产方案种群的多样性，避免种群过早陷入局部最优解，提高算法的全局搜索能力。
海马在水中一般会捕食浮游动物和小型甲壳类动物，捕食的结果只有两种，成功和失败。根据文献显示，海马捕食的成功率超过90％。由于弱势的个体表示了猎物的大致位置，因此捕食成功便代表优化算法的开发能力。如果r2＞0.1，则表示海马捕食成功，海马移动的速度超过猎物，表现更加优异，如果r2≤1，则表示海马捕食失败，海马的移动速度低于猎物。
海马的捕食行为表示如下：
Figure BDA0004090859210000171
其中，
Figure BDA0004090859210000172
表示海马在迭代t次之后移动到的新位置，
Figure BDA0004090859210000173
表示迭代(t+1)次所在位置，Xweak表示弱势个体所在位置，rand表示[0,1]之间的随机数，r2是[0,1]之间的随机数；α随迭代线性减小，以调整海马捕食时的移动步长，其式如下
Figure BDA0004090859210000174
其中，t表示迭代次数，G表示最大次数。
步骤11：利用海马的繁殖行为，选出新的后代，即确定新的最优生产方案，计算适应度并排序，确定最优生产方案；
利用海马优化算法的繁殖行为，在生产方案种群中随机选择一些水下生产系统方案个体作为“父亲”，同时随机选择一些水下生产系统方案个体作为“母亲”，将它们进行交叉和变异，生成新的水下生产系统方案个体，并将新个体加入到种群中；选出新的后代，即确定新的最优生产方案，计算适应度并排序，确定最优生产方案。
海马的繁殖行为：
海马的种群分为雄性和雌性个体，由于海马是唯一以雄性海马繁殖后代的生物，优化算法将最佳适应度的一半分给雄性个体，另一半分给雌性个体，这样有益于后代更好的继承遗传特征，则海马分配角色由下式表示：
Figure BDA0004090859210000175
Figure BDA0004090859210000176
其中，
Figure BDA0004090859210000177
表示所有
Figure BDA0004090859210000178
按照适应度升序排列，male和female分别表示雄性父代群体和雌性母代群体，雄性和雌性随机交配产生新的后代，在这里假设每对海马只繁殖一个后代，则第g代的表达式如下：
Figure BDA0004090859210000179
其中，r3是[0,1]之间的随机数，g是[1,pop/2]范围内的正整数，
Figure BDA00040908592100001710
分别表示从雄性和雌性中随机选择的个体。
步骤12：判断当前是否到达最大迭代次数G，若没有达到则重复步骤5到步骤12，若达到则算法终止，输出最优生产方案。
为了验证本发明的生产优化方案的有效性，如图4所示，建立了由三口流动井、立管和分离器组成的海底水下生产系统。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9.1×105Sm3/day，水处理能力为3600Sm3/day。
为了验证本发明的算法(MOMFPA-SHO)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-SHO分别求解了上述海底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。
最终选出的5种优化方案如表1所示：
表1最终选出的优化方案
生产方案优化方案序号 1 2 3 4 5
1#节流阀压差(Mpa) 13.8 15.22 15.72 13.42 14.85
2#节流阀压差(Mpa) 15.46 16.2 16.29 16.79 15.4
3#节流阀压差(Mpa) 12.18 11.59 11.31 11.67 12.24
管网长度(m) 1500 1500 1500 1500 1500
管网直径(m) 0.2 0.2 0.2 0.2 0.2
管网油气比 912 912 912 912 912
管网含水率 0.12 0.12 0.12 0.12 0.12
管网油相流量(m3/day) 119 113 107 116 109
管网倾斜角(rad) 0.52 0.52 0.52 0.52 0.52
管网入口压力(Mpa) 16.8 17.2 15.8 16.3 14.2
管网出口压力(Mpa) 14.1 13.9 12.1 13.8 10.8
1#油井生产指数PI(m3/day/MPa) 1.3 1.2 1.3 1.4 1.2
1#油井油气比 180 200 190 180 180
1#油井含水率 0.15 0.25 0.2 0.17 0.23
2#油井生产指数PI(m3/day/MPa) 1.2 1.3 1.4 1.5 1.2
2#油井油气比 185 190 190 180 180
2#油井含水率 0.2 0.15 0.18 0.16 0.17
3#油井生产指数PI(m3/day/MPa) 1.3 1.2 1.4 1.2 1.3
3#油井油气比 190 180 180 200 190
3#油井含水率 0.2 0.17 0.17 0.25 0.15
最大产量(m3/day) 4529.05 4445.14 4358.27 4326.45 4437.56
最小冲蚀速率(mm/year) 0.18 0.14 0.13 0.17 0.16
得分 0.7452 0.7318 0.7381 0.7074 0.7215
结果表明，本发明的MOMFPA-SHO算法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，由于与海马优化算法的混合，海马的移动和捕食行为不断对生产方案进行更新和优化，增加种群的多样性，避免过早陷入局部最优。而海马的繁殖行为通过不断地交叉和变异，增加种群的多样性，从而提高算法的全局搜索能力。同时，繁殖行为也有助于种群中优秀解的传递和保留，从而加快算法的收敛速度，提高算法的优化效果。这为下一步油气开采方案的筛选提供更多的选择空间。本发明还特别分析了三个生产周期的最大产量。如图5所示，当操作员将最大产量作为优化生产目标时，MOMFPA-SHO的性能与MOFPA算法相同，最大产量分别提高了2.34％、2.56％和2.15％，这为制造商带来了巨大的经济效益。此外，MOMFPA-SHO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71.12m3/day和75.16m3/day，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。图6和图7显示了分别在20次独立运行后两种算法的算法指标的方框线图。MOMFPA-SHO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-SHO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。
在使用MOMFPA-SHO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1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0.19mm/year，但产量比情景五增加了63.46m3/day，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，包括如下步骤：
步骤1：根据水下生产系统实际生产装置、优化目标和约束条件确定水下生产系统优化模型；
步骤2：采用多目标变异花授粉算法，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，以及当前迭代次数t＝1；
步骤3：计算每个初始化生产方案的适应度值，根据所计算的适应度值进行升序排列，选出当前最优方案；
步骤4：根据动态转换概率公式确定当前转换概率p；
步骤5：将随机数Rand与动态转换概率p进行比较，Rand∈[0,1]，当Rand<p，则该优化方案触发改进后的全局优化机制，反之则触发改进后的局部优化机制，最终生成数量为N的新生产方案；
步骤6：将新旧生产方案进行合并，得到数量为2N的生产方案；
步骤7：计算数量为2N的生产方案中每个生产方案的适应度值，并进行排序，判断当前是否达到最优适应度，如果达到，则算法终止，输出最优方案；如果未达到，则进入海马优化算法；
步骤8：在海马优化算法中，首先对当前的生产方案进行初始化，确定生产方案种群；
步骤9：利用海马的移动行为，对生产方案进行扩充更新，对于每个生产方案，随机选择另一个生产方案作为“伴侣”，通过一定的移动策略，使两个生产方案在解空间中靠近或者远离，然后对移动后的两个生产方案进行选择，将适应度值更优秀的作为下一次迭代的基础；
步骤10：利用海马的捕食行为再次对生产方案进行更新和优化，在生产方案种群中，选择一些适应度较差的作为“猎物”，并从“猎物”附近的一定范围内搜索更优秀的解作为“掠食者”，进行种群更新；
步骤11：利用海马的繁殖行为，选出新的后代，即确定新的最优生产方案，计算适应度并排序，确定最优生产方案；
步骤12：判断当前是否到达最大迭代次数，若没有达到则重复步骤5到步骤12，若达到则算法终止，输出最优生产方案。
2.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤1中，水下生产系统实际生产装置包括油气管网、井筒、水下节流阀、管汇、分离器；所述优化目标包括最小化节流阀冲蚀速率和最大化油气产量；所述约束条件包括管网
压降约束、油井流入动态约束、水下节流阀流动约束、管汇约束、分离器约束以及操作约束；
确定的水下生产系统优化模型如下：
Figure FDA0004090859200000021
Figure FDA0004090859200000022
其中，f1表示节流阀冲蚀速率，单位为mm/year；Up为砂砾撞击速度，单位为m/s；ρt为阀芯的密度，单位为kg/m3；mp为砂砾的质量流量，单位为kg/s；K、G、C1、Cunit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；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；k表示第k口油井，K'为一个水下生产系统中油井的总数；f2表示总的油气产量，qk,oil表示为第k口油井的石油流量；F(α)用于表示节流阀阀芯的材料性能，其值计算如下：
F(α)＝0.6·[sin(α)+7.2·(sin(α)-sin2(α))]·0.6·[1-exp(-20α)]
其中，
Figure FDA0004090859200000023
为粒子撞击角度，单位rad；R表示为节流阀廊道的半径；
约束条件包括：
(1)管网压降约束：
pout＝f(pin,qoil,GOR,WOR,x,d,θ)
其中，pout表示为长度为x，直径为d，倾斜角度为θ的管道出口处的压力值，f表示为所构建的BP神经网络压降代理模型，pin、qoil、GOR和WOR分别表示管道入口处的压力、油相流量，以及代表多相流参数的油气比和含水率；
(2)油井流入动态约束：
qk,oil＝PIk·(pk,r-pk,wf)
qk,gas＝GORk·qk,oil
qk,wat＝WORk·qk,oil
其中，qk,oil、qk,gas和qk,wat分别表示为第k口井的原油流量、气流量和水流量，其单位均为Sm3/day；pk,r和pk,wf分别表示为第k口井的油藏储层压力和井底的流动压力，单位为MPa；GORk表示第k口井每生产单位体积原油所带出气体体积的比值；WORk为每生产单位体积的原油中，所带出水的比值，WORk∈[0,100)；PI为生产指数，其值通过测井的数据获得；
(3)水下节流阀流动约束：
Figure FDA0004090859200000031
其中，qv为体积流量，ρ为流体密度；Δp为水下节流阀的节流压差，其计算公式如下：
Δp＝pin-pout
pin和pout分别表示水下节流阀的进口压力和出口压力；
(4)管汇约束：
Figure FDA0004090859200000032
其中，
Figure FDA0004090859200000033
表示第k口井的L相在进入管汇处的流量，L∈{oil、gas、water}；
Figure FDA0004090859200000034
表示来自K'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：
Figure FDA0004090859200000035
Psep＝const
其中，
Figure FDA0004090859200000036
表示总共K口井的L相的总的流量，CL表示为分离器所设计的L相理论处理能力，L∈{oil,gas,water}；Psep表示为分离器的入口压力，const为常数；
(5)操作约束：
Figure FDA0004090859200000037
其中，
Figure FDA0004090859200000038
分别表示第k口井的井底流动压力pk,wf所允许的最低压力和最高压力。
3.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤2中，在多目标变异花授粉算法中，在优化变量的上下限内随机生成M个花朵，每个花朵代表一个优化方案，每个花朵上能够携带n维度的花朵的生物信息，来表示n个优化变量组成的生产方案，而对于第i个花朵个体的第j个位置上所携带的生物信息为：
Figure FDA0004090859200000039
其中，xi,j(t)代表花朵种群中第t代的花朵中第i个花朵个体的第j个位置所携带的生物信息，
Figure FDA00040908592000000310
和
Figure FDA00040908592000000311
分别表示第j个位置的生物信息的上限和下限，rand(0,1)则表示在区间(0,1)内生成随机数，来确保初始化过程中代表生产方案的花朵个体在解集空间分布的均匀性；
初始化中花朵数量的取值范围：
10·n≤N≤50·n
其中，n为优化模型中的优化变量，同时初始化生产方案种群数量N不小于100。
4.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤3的具体方法如下：
首先，采用线性标定法对目标函数进行处理，处理过程为：
Figure FDA0004090859200000041
其中，f1表示节流阀冲蚀速率，f1′为标定后的节流阀冲蚀速率，f2表示总的油气产量，f2′为标定后的总的油气产量，a1取值为-1，a2取值为100，b1和b2取值为0；
其次，将约束条件通过罚函数的形式添加到处理后的目标函数中，罚函数处理后的目标函数称为适应度函数，即：
Fu(x,σ)＝fu(x)+σP(x),u∈[1,2],u∈N+
其中，Fu(x,σ)为增加罚函数后的适应度函数，x表示罚函数自变量初始点，σ为惩罚因子，P(x)为函数，gu(x),hu(x)表示罚函数的约束条件，其表达式为：
Figure FDA0004090859200000042
5.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤4中，动态转换概率公式如下：
Figure FDA0004090859200000043
其中，转换概率p∈[0.2,0.9]，t为当前迭代次数，G为最大迭代次数，pmax和pmin分别表示最大概率和最小概率。
6.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤5中，全局优化机制如下：
花授粉算法中全局生物性授粉行为在算法表示为：
Figure FDA0004090859200000044
其中，
Figure FDA0004090859200000045
和
Figure FDA0004090859200000046
分别表示第i个花朵个体授粉前后的位置，
Figure FDA0004090859200000047
表示第t代中最优个体的位置，γ为控制步长的比例因子，L(λ)表示生物授粉的飞行步长，符合Levy分布，其表达式为：
Figure FDA0004090859200000051
Figure FDA0004090859200000052
U～N(0,σ2),V～N(0,1)
Figure FDA00040908592000000514
其中，Γ(λ)表示标准的伽马分布，s0表示最小步长，并且当s为较大值时该分布有效，s>0；λ为控制步长的比例因子；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；
全局优化机制的改进如下：
在个体
Figure FDA0004090859200000053
位置处引入一定概率的突变ξ，以达到减小指向性的目的，其表达式为：
Figure FDA0004090859200000054
其中，
Figure FDA0004090859200000055
表示第t代的最优个体，
Figure FDA0004090859200000056
表示引入突变后的第t代的最优个体，
Figure FDA0004090859200000057
可采用黄金分割比例，其值大小为0.618；
局部优化机制如下：
花朵的自花授粉的行为在算法中可表示为：
Figure FDA0004090859200000058
其中，
Figure FDA0004090859200000059
和
Figure FDA00040908592000000510
分别表示第i个花朵授粉前后的位置，
Figure FDA00040908592000000511
和
Figure FDA00040908592000000512
分别表示第g代中随机选择的两个不同的生产方案，另外ε表示局部自花授粉的一个步长系数，服从(0,1)均匀分布；
局部优化机制的改进如下：
引入Cauchy变异算子增加优化种群的多样性，Cauchy分布的概率密度函数表示如下：
Figure FDA00040908592000000513
其中，l表示个体所在点；
当前最优解的表达式为：
xbest1＝xbest0(1+Cauchy(0,1))
其中，xbest0表示初始最优个体，xbest1表示引入Cauchy变异后的最优个体，Cauchy(0,1)表示柯西分布。
7.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤9中，海马的移动行为表示如下：
海马的螺旋移动行为由下式来表示，当前第m个海马个体从位置Xm(t)沿着螺旋运动向更加弱势的个体所在位置Xweak移动，海马的移动过程同样以莱维飞行表示：
Figure FDA0004090859200000061
其中，x＝ρ×cos(θ)，y＝ρ×sin(θ)，z＝ρ×θ分别表示螺旋运动下(x,y,z)的三维分量，ρ＝μ×eθv表示由对数螺旋常熟定义的螺旋杆的长度，L(λ)表示莱维飞行分布函数；m表示第m个海马个体；
海马随波浪的布朗运动由下式来表示：
Figure FDA0004090859200000062
其中，c为常数，定为0.05，βt为布朗运动的随机游走系数，本质上是一个服从正态分布的随机值，rand表示[0,1]之间的随机数，新的海马个体表示为
Figure FDA0004090859200000063
8.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤10中，海马的捕食行为表示如下：
Figure FDA0004090859200000064
其中，
Figure FDA0004090859200000065
表示海马在迭代t次之后移动到的新位置，
Figure FDA0004090859200000066
表示迭代(t+1)次所在位置，Xweak表示弱势个体所在位置，rand表示[0,1]之间的随机数，r2是[0,1]之间的随机数；α随迭代线性减小，以调整海马捕食时的移动步长，其式如下
Figure FDA0004090859200000067
其中，t表示迭代次数，G表示最大次数。
9.根据权利要求1所述的一种海洋油田水下生产系统多目标生产方案优化方法，其特征在于，步骤11中，利用海马优化算法的繁殖行为，在生产方案种群中随机选择一些水下生产系统方案个体作为“父亲”，同时随机选择一些水下生产系统方案个体作为“母亲”，将它们进行交叉和变异，生成新的水下生产系统方案个体，并将新个体加入到种群中；选出新的后代，即确定新的最优生产方案，计算适应度并排序，确定最优生产方案；
海马分配角色由下式表示：
Figure FDA0004090859200000071
Figure FDA0004090859200000072
其中，
Figure FDA0004090859200000073
表示所有
Figure FDA0004090859200000074
按照适应度升序排列，male和female分别表示雄性父代群体和雌性母代群体，雄性和雌性随机交配产生新的后代，在这里假设每对海马只繁殖一个后代，则第g代的表达式如下：
Figure FDA0004090859200000075
其中，r3是[0,1]之间的随机数，g是[1,pop/2]范围内的正整数，
Figure FDA0004090859200000076
分别表示从雄性和雌性中随机选择的个体。
CN202310151094.1A 2023-02-22 2023-02-22 一种海洋油田水下生产系统多目标生产方案优化方法 Pending CN116245236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310151094.1A CN116245236A (zh) 2023-02-22 2023-02-22 一种海洋油田水下生产系统多目标生产方案优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310151094.1A CN116245236A (zh) 2023-02-22 2023-02-22 一种海洋油田水下生产系统多目标生产方案优化方法

Publications (1)

Publication Number Publication Date
CN116245236A true CN116245236A (zh) 2023-06-09

Family

ID=86630859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310151094.1A Pending CN116245236A (zh) 2023-02-22 2023-02-22 一种海洋油田水下生产系统多目标生产方案优化方法

Country Status (1)

Country Link
CN (1) CN116245236A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542006A (zh) * 2023-07-07 2023-08-04 中国人民解放军陆军装甲兵学院 一种车载电源系统拓扑结构设计方法
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116542006A (zh) * 2023-07-07 2023-08-04 中国人民解放军陆军装甲兵学院 一种车载电源系统拓扑结构设计方法
CN116542006B (zh) * 2023-07-07 2024-06-18 中国人民解放军陆军装甲兵学院 一种车载电源系统拓扑结构设计方法
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

Similar Documents

Publication Publication Date Title
CN116245236A (zh) 一种海洋油田水下生产系统多目标生产方案优化方法
Coello Coello et al. MOSES: A multiobjective optimization tool for engineering design
Giustolisi Using genetic programming to determine Chezy resistance coefficient in corrugated channels
CN105020705A (zh) 循环流化床锅炉燃烧性能实时优化控制方法及系统
KR102423937B1 (ko) 머신러닝을 이용한 오폐수용 투베인 펌프의 설계방법 및 이에 따라 설계된 오폐수용 투베인 펌프
Kalam et al. An ANN model to predict oil recovery from a 5-spot waterflood of a heterogeneous reservoir
CN114139458B (zh) 基于机器学习的钻井参数优化方法
CN1676619A (zh) 一种基于实例推理的高炉热风炉燃烧自动控制方法
CN102609566A (zh) 一种非api螺纹密封面优化设计方法
CN109885061B (zh) 一种基于改进nsga-ⅱ的动力定位多目标优化方法
CN114595608A (zh) 一种压裂施工参数和工作制度参数优化方法及系统
US20230279755A1 (en) Method, apparatus and system for enhanced oil and gas recovery with direct steam generation, multiphase close coupled heat exchanger system, super focused heat
CN106127295A (zh) 一种基于自适应布谷鸟与烟花混合算法的压力容器优化设计方法
CN106874560B (zh) 一种傍河水源地优化布井方法
Miao et al. Swarm intelligence based on modified PSO algorithm for the optimization of axial-flow pump impeller
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
Baioco et al. Optimal Design of Submarine Pipelines by a Genetic Algorithm with Embedded On‐Bottom Stability Criteria
CN114818487A (zh) 一种基于pso-bp神经网络的天然气湿气管道持液率预测模型方法
Chen et al. Optimization of production performance in a CO2 flooding reservoir under uncertainty
CN111815196B (zh) 基于ga-bp神经网络的页岩气开发区水资源承载力评价方法
CN111625925B (zh) 一种基于色谱分离的三元复合驱注采优化方法
Yang et al. Optimization of multivariate production-injection system for water-alternating-gas miscible flooding in Pubei oil field
Hong et al. Layout optimization for progressive development of stellated natural gas gathering network
Ehinmowo et al. An Improved Model for the Prediction of Liquid Loading in gas Wells using Firefly and Particle Swarm Optimization Algorithms
Li et al. Dynamic Optimization Method of Subsea Production Scheme Based on Mixed Mutation Flower Pollination Algorithm

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