基于数值模拟的油藏生产动态优化算法

对于大规模油藏开发优化,常规优化算法存在收敛速度慢、寻优效率低、难以与现场结合等问题。针对这些问题,建立了油水井动态调控优化模型,并结合模拟退火遗传算法和拉丁超立方采样算法寻找模型全局最优解,同时,利用同步扰动随机逼近算法提高了模型局部求解收敛速度,研发编制了油水井动态调控优化软件,并应用于大庆油田H区块。对比油田常规油水井生产制度,油水井动态调控优化模型的最优方案使H区块累计产油量在5年内增加了5.68×10⁴ m³,较好地解决了油水井生产动态控制优化问题,也为大规模油田高效开发提供了一种新的方法。     

基于粒子群优化算法的化工稳态流程模拟参数优化

化工流程模拟已广泛应用于石油化工行业,是工艺优化与辅助设计的主要手段。化工过程中工艺参数具有多样性和复杂性,传统优化方法普遍针对少量的关键参数进行灵敏度分析并优化,较难达到全局最优。因此,本文提出了基于粒子群优化算法的化工工艺流程模拟操作参数优化方法。以天然气脱碳工艺过程为研究对象,基于Aspen HYSYS的接口实现了流程模拟与优化算法之间的耦合,结合工艺机理知识,实现了基于粒子群优化算法的天然气脱碳稳态流程模拟操作参数的最优化。在产品满足工艺要求的条件下,以最高脱碳率和最小装置运行成本为目标函数,以对工艺有较大影响且可控的操作参数为决策变量,对某5.8×10⁶ m³/d天然气净化装置进行操作参数的优化。优化结果表明,采用更少的吸收塔和再生塔塔板数即可满足酸性气体的脱除需求;在保证每层塔板处于良好的操作状态的条件下,降低再生塔回流比,塔内的气液相负荷降低,使得再沸器负荷降低;降低贫胺液入吸收塔温度,有利于增大CO₂与醇胺液反应的正向进行程度,同时吸收推动力的增大会降低设备的腐蚀程度;提高吸收塔压力,塔内传质推动力增加,...     

基于深度学习的代理模型在实际气藏三维模拟中的应用

应用基于深度学习的代理模型进行油气藏模拟是油气藏仿真研究的一个新方向。针对高精度全阶油气藏模拟速度慢的问题,采用一种基于深度学习的嵌入式控制框架（E2C,Embed to Control）模型,通过“编码器+线性转化模型+解码器”的架构构建深度学习网络,将原始时刻的压力场、饱和度场数据与井控约束条件相结合来演化出新时刻的场数据。以南海东部番禺35-1气田为例,测试E2C模型与传统数值模拟器模拟结果的差别。测试结果显示E2C模型误差较小,其中饱和度场的相对误差小于5%,压力场的平均相对误差为8%;在相同的CPU条件下,E2C模型运行100次算例时间为16 s,比传统数值模拟器（运行时间为6 000 s）快375倍。实际应用结果表明E2C模型在保证模拟精度的条件下可以大幅度提升模拟速度。     

随机油价下油田产量构成优化模型的混合遗传算法求解

建立随机油价下油田产量构成优化模型，在此基础上将Powell方法作为一个与选择、交叉和变异平行的算子嵌入到标准遗传算法中，并利用模拟退火精确罚函数法处理约束条件，构成了遗传算法、Powell方法与模拟退火算法相结合的Powell遗传退火精确罚函数算法。结合实例分析，将算法应用到随机油价下油田产量构成优化模型中并得到了最优解。     

基于Kriging代理模型的复杂精馏系统操作参数优化

优化常减压装置的操作参数可有效提升炼化企业的经济效益，但基于其严格机理模型进行迭代寻优将十分耗时。为降低计算成本，提出了一种基于Kriging代理模型的常压精馏系统操作参数智能优化方法。该方法采用Kriging元建模技术构造精馏过程中关键操作参数与主要输出变量间的关系模型，并以此关系模型代理复杂精馏系统的MESH方程组（包括物料守恒方程M、气液平衡方程E、归一方程S、焓守恒方程H），在设计空间中采用粒子群优化（PSO）算法进行操作参数的全局智能搜索。所提方法不仅能够保证寻找到的操作参数全局最优，而且可以大幅度地减少求解的时间，具有十分明显的工程实用性。基于Aspen HYSYS的仿真试验表明了本文所提方法的有效性和优越性。     

基于Kriging代理模型的复杂精馏系统操作参数优化

优化常减压装置的操作参数可有效提升炼化企业的经济效益,但基于其严格机理模型进行迭代寻优将十分耗时。为降低计算成本,提出了一种基于Kriging代理模型的常压精馏系统操作参数智能优化方法。该方法采用Kriging元建模技术构造精馏过程中关键操作参数与主要输出变量间的关系模型,并以此关系模型代理复杂精馏系统的MESH方程组（包括物料守恒方程M、气液平衡方程E、归一方程S、焓守恒方程H）,在设计空间中采用粒子群优化（PSO）算法进行操作参数的全局智能搜索。所提方法不仅能够保证寻找到的操作参数全局最优,而且可以大幅度地减少求解的时间,具有十分明显的工程实用性。基于Aspen HYSYS的仿真试验表明了本文所提方法的有效性和优越性。     

基于混合遗传算法的油田注水系统运行方案优化模型

分析了油田注水系统效率低、能耗较高的主要原因。以注水能耗最小为目标函数,以系统水力平衡、注水量和注水压力为约束条件,建立了油田注水系统运行方案优化数学模型。该模型是带有离散变量和连续变量的混合优化设计模型。根据模型的结构特点,提出了混合遗传算法的求解策略,给出了染色体选择、交叉和变异方式,编制了相应的计算机软件。运用该方法对某油田高压注水系统运行方案进行了优化计算,取得了良好的经济效益。     

基于代理模型与遗传算法的海上油田聚合物驱注入参数优化控制方法

针对传统优化方法效率低、精度差的问题,将响应面方法引入到化学驱注入参数优化设计中,提出了基于二次响应面代理模型与遗传算法的海上油田聚合物驱注入参数优化控制方法,即运用Box-Behnken试验设计方法,以油藏数值模拟为计算手段,采用二次响应面方法建立了拟合净现值增幅与注入参数之间非线性关系的代理模型,并以此作为适应度函数,由遗传算法在变量空间范围内进行全局寻优,获得注入参数最优组合。渤海SZ36-1油田A7井组聚合物驱注入参数优化结果表明,基于代理模型和遗传算法的优化策略可以有效减少数值模拟的次数和计算量,同时能够获得较高的求解精度。     

基于XGBoost和改进灰狼优化算法的催化裂化汽油精制装置的辛烷值损失模型分析

为了降低催化裂化汽油精制装置的辛烷值损失,基于机器学习技术和改进灰狼优化算法建立了汽油辛烷值损失的预测和优化模型。首先通过Pearson相关系数法、最大互信息系数法(MIC)和基于随机森林的特征选择方法分别对影响汽油辛烷值的367个特征进行训练获得各特征的重要度评分,对3种方法的结果按权重法进行融合获得最终的特征重要度排序,根据特征重要度占比之和超过 95%的指标,选出25个特征作为建模主要变量;然后基于XGBoost算法建立汽油辛烷值损失预测模型,对比其他机器学习模型,验证了XGBoost在测试集上的预测性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R²)分别为1.3197、0.3581和0.9981;最后采用汽油辛烷值损失值与主要变量的映射函数作为目标函数,建立关于汽油辛烷值损失值最小的单目标优化模型,为了提高模型的求解速率和准确度,基于sigmoid函数的收敛因子调整策略和个体更新的差分变异策略,提出了一种改进的差分灰狼优化算法。结果表明,优化后的样本辛烷值损失值均减小到0.4左右,同时86.15%的样本辛烷值损失降幅在60%~80%之间,说明建立的优化模型和所提出的改进差分灰狼优化算法是合理的。通过数据挖掘技术建立的降低汽油辛烷值损失模型可以尽量减少汽油精制过程中的辛烷值损失,为石化企业和运营商提供决策分析。     

基于机器学习方法的海洋天然气水合物水平井降压开采模拟—优化耦合模型

由天然气水合物(以下简称水合物)开采引起的含水合物沉积层力学变形问题不能被忽视,因其直接威胁到海域水合物的安全开采。为了找到甲烷累计产气量最优值与地层稳定性的关系,基于机器学习方法形成模拟—优化耦合技术,构建起水合物降压开采传热—流动—力学数值模拟模型、可以替代数值模拟模型的机器学习模型和以甲烷累计产气量最优为目标的混合整数非线性规划优化模型;在此基础上,选取南海北部神狐海域厚层Ⅱ类水合物藏W11站位为研究对象,获得了海底面沉降量约束下的水合物储层甲烷累计产气量及相对应的最优开采方案参数。研究结果表明:①模拟—优化耦合技术的关键是机器学习方法的运用,基于径向基函数人工神经网络方法而建立的替代模型计算精度较高,可以替代模拟模型来确定输入输出变量的关系,从而摆脱既定方案的限制,找到全局最优解;②模拟—优化耦合技术可以解决受含水合物沉积层力学响应特征影响的水合物开采方案优选问题,根据试采工程安全要求改变海底面沉降量最大允许值,可以计算得到相应的甲烷累计产气量,以及降压幅度、开采时间、井位布置、水平井段长度等最优开采方案参数;③随着最大允许沉降量增大,甲烷累计产气量增大,二者满足正相关关系;④...     

基于模式约束的油层单元智能自动对比方法——以渤海湾盆地史南油田史深100区块加积式地层对比为例

针对基于数据驱动的地层自动对比方法难以适应侧向沉积相变快及地层厚度差异大的油层单元自动对比这一问题,建立基于模式约束的油层单元智能自动对比方法。该方法提出在油层单元自动对比中引入知识驱动,采用地层发育模式约束油层单元自动对比过程,并将地层模式约束思想引入构建的相似性度量机及改进的条件约束动态时间规整算法,实现了对标志层及各油层单元界面的自动对比。渤海湾盆地史南油田史深100区块的应用表明：与人工对比结果相比,该方法标志层识别吻合率高于95.00%,油层单元识别平均吻合率达90.02%;与已有自动对比方法相比,油层单元识别平均吻合率提升约17个百分点,有效提高了油层单元自动对比精度。