ПРИМЕНЕНИЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ ВЛИЯНИЯ ПРОТИВОТУРБУЛЕНТНОЙ ПРИСАДКИ НА ГИДРАВЛИЧЕСКУЮ ЭФФЕКТИВНОСТЬ НЕФТЕПРОВОДОВ Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

АВТОМАТИЗАЦИЯ

УДК 004.032.26:[532.542.4+620.162+622.692.4]

В.Ф. Зараев1; Д.А. Черенцов1,2, e-mail: [email protected]; А.Ю. Мареева1; А.В. Стрекалов1; С.П. Пирогов2

1 ООО «Тюменский нефтяной научный центр» (Тюмень, Россия)

2 Федеральное государственное бюджетное образовательное учреждение высшего образования «Тюменский индустриальный университет» (Тюмень, Россия).

Применение машинного обучения для прогнозирования влияния противотурбулентной присадки на гидравлическую эффективность нефтепроводов

При поддержании плановых показателей добычи нефти в ООО «РН-Уватнефтегаз» происходит перераспределение загрузки объектов инфраструктуры, причем на объектах, ранее эксплуатировавшихся в режиме номинальной загрузки, может отмечаться превышение предельной пропускной способности. В частности, такое превышение наблюдается на участке межпромыслового нефтепровода, транспортирующего товарную нефть от центральной перекачивающей станции Тямкинского месторождения до установки подготовки нефти Кальчинского месторождения (Тюменская обл.).

В целях обеспечения бесперебойной работы трубопровода был рассмотрен ряд мероприятий, направленных на увеличение пропускной способности нефтепровода. Результаты технико-экономической оценки показали, что наиболее привлекательным является вариант с применением противотурбулентных присадок. В статье рассмотрена возможность применения методов Data Mining, в частности искусственных нейронных сетей, для прогнозирования гидравлической эффективности нефтепроводов при применении противотурбулентных присадок.

Отражен процесс обучения искусственной нейронной сети, причем в качестве исходных данных были использованы режимные листы работы напорных нефтепроводов за 2019 г. Определены входные и выходные параметры для искусственной нейронной сети на основе анализа режимных листов, в качестве архитектуры выбран двухслойный перцептрон с одним скрытым слоем. В качестве алгоритма обучения использовался алгоритм Левенберга - Мар-квардта.

Оценка достоверности прогнозирования показала, что имитационное моделирование на основе искусственных нейронных сетей может применяться в качестве адекватного метода оценки эффективности марки и концентрации противотурбулентных присадок для обеспечения требуемой гидравлической эффективности нефтепроводов.

Ключевые слова: противотурбулентная присадка, пропускная способность трубопровода, моделирование, искусственная нейронная сеть, машинное обучение, технико-экономическая оценка, алгоритм Левенберга - Марквардта.

V.F. Zarayev1; D.A. Cherentsov12, e-mail: [email protected]; A.Yu. Mareyeva1; A.V. Strekalov1; S.P. Pirogov2

1 Tyumen Petroleum Research Center LLC (Tyumen, Russia).

2 Federal State Budget Educational Institution of Higher Education "Industrial University of Tyumen" (Tyumen, Russia).

Applying Machine Learning to Predict the Effect of an Anti-Turbulence Additive on the Hydraulic Efficiency of Oil Pipelines

While maintaining oil production targets RN-Uvatneftegaz LLC redistributes the load on infrastructure facilities, and facilities previously operated in nominal load mode may experience exceeding the capacity limit. In particular, such excess is observed in the section of the interfield pipeline transporting commercial oil from the central pumping station at the Tyamkinskoye field to the oil treatment unit at the Kalchinskoye field (Tyumen Region).

In order to ensure uninterrupted operation of the pipeline, a number of measures have been considered to increase the pipeline's capacity. The results of technical and economic assessment have shown that the most attractive variant is the use of anti-turbulent additives.

14

№ 3-4 апрель 2021 ТЕРРИТОРИЯ НЕФТЕГАЗ

AUTOMATION

The paper considers the possibility of applying Data Mining methods, in particular artificial neural networks to predict the hydraulic efficiency of oil pipelines when using anti-turbulent additives.

The process of training of artificial neural network is described, and as the initial data the mode sheets of oil pressure pipelines operation for 2019 were used. The input and output parameters for artificial neural network based on the analysis of mode sheets were determined, the two-layer perceptron with one hidden layer was chosen as the architecture. Levenberg - Marquardt algorithm was used as the training algorithm.

Evaluation of prediction reliability showed that simulation based on artificial neural networks can be used as an adequate method for estimation of brand and concentration efficiency of anti-turbulent additives to ensure the required hydraulic efficiency of oil pipelines.

Keywords: anti-turbulence additive, pipeline capacity, modelling, artificial neural network, machine learning, techno-economic evaluation, Levenberg - Marquardt algorithm.

Приоритетным направлением деятельности ПАО «НК «Роснефть» является нефтедобыча, а одним из ключевых активов - Уватский проект. ООО «РН-Уватнефтегаз» осуществляет разведку и добычу углеводородов на 37 нефтяных и одном нефтегазо-конденсатном месторождении на юге Тюменской области. Промышленная добыча была начата в 1992 г. на Кальчин-ском месторождении. В активную фазу развития нефтяная провинция перешла к 2007 г., когда была получена первая нефть на самых крупных и удаленных от пункта сдачи нефти месторождениях проекта - Усть-Тегусском и Урненском. На сегодняшний день добыча на данных месторождениях постепенно переходит в позднюю фазу, наблюдается снижение объемов извлекаемой нефти, что требует проведения мероприятий для поддержания требуемого уровня

добычи и выполнения плановых показателей.

В настоящее время плановые показатели добычи рассматриваемой группы месторождений обеспечиваются за счет проведения таких мероприятий, как увеличение фонда добывающих скважин, в т. ч. ввод в эксплуатацию новых месторождений, проведение геолого-технических мероприятий, применение методов увеличения нефтеотдачи пластов.

Применение данных технологий зачастую приводит к перераспределению загрузки объектов инфраструктуры, расположенных в различных районах. Так, при сохранении общего объема добычи у объектов с высокой загрузкой происходит ее уменьшение и, напротив, на объектах, ранее эксплуатировавшихся в режиме номинальной загрузки, наблюдается превышение пропускной

способности. Причем стоит отметить, что превышение пропускной способности ряда объектов инфраструктуры выше предельных значений может служить причиной ограничений по добыче нефти.

Одним из таких объектов является межпромысловый нефтепровод, транспортирующий подготовленную до товарного качества нефть от рассматриваемой группы месторождений. Анализ актуального прогноза добычи свидетельствует о том, что в ходе эксплуатации участка межпромыслового нефтепровода от центральной перекачивающей станции (ЦПС) Тямкинского месторождения до установки подготовки нефти (УПН) Кальчинского месторождения может наблюдаться превышение его предельной пропускной способности. Профиль-дизайн перспективной загрузки трубопровода представлен на рис. 1.

Таблица 1. Экономическая оценка вариантов увеличения пропускной способности нефтепровода Table 1. Economic assessment of options to increase oil pipeline capacity

Экономические показатели, млн руб. Economic indicators, million roubles Варианты увеличения пропускной способности Options to increase capacity

1 - строительство трубопровода-лупинга всего трубопровода 1 - construction of looping pipeline of the entire pipeline 2 - строительство участка трубопровода-лупинга определенной длины, но большего диаметра, чем в варианте 1 2 - construction of a section of looping pipeline of a certain length, but larger diameter than in option 1 3 - строительство дополнительной промежуточной насосной станции на трассе трубопровода 3 - construction of an additional intermediate pumping station along the pipeline route 4 - применение противотурбулентных присадок 4 - use of antiturbulence additives

CAPEX 3882 3246 3419 10

OPEX 954 681 12673 1684

NPC 1665 1389 1749 334

Ссылка для цитирования (for citation):

Зараев В.Ф., Черенцов Д.А., Мареева А.Ю., Стрекалов А.В., Пирогов С.П. Применение машинного обучения для прогнозирования влияния противотурбулентной присадки на гидравлическую эффективность нефтепроводов // Территория «НЕФТЕГАЗ». 2021. № 3-4. С. 14-22. Zarayev V.F., Cherentsov D.A., Mareyeva A.Yu., Strekalov A.V., Pirogov S.P. Applying Machine Learning to Predict the Effect of an Anti-Turbulence Additive on the Hydraulic Efficiency of Oil Pipelines. Territorija "NEFTEGAS" [Oil and Gas Territory]. 2021;(3-4):14-22. (In Russ.)

TERRITORIJA NEFTEGAS - OIL AND GAS TERRITORY No. 3-4 April 2021

15

АВТОМАТИЗАЦИЯ

140,0 120,0 I ^ 100,0

о с

80,0 60,0

m О.

eS= 40,0

го

20,0 0,0

2021 2022 2023 2024 2025 2026 2027 2028 2029 2030 2031 2032 2033 2034 2035

Годы Years

Плановая загрузка - Предельная пропускная способность трубопровода

Scheduled load Maximum capacity of the pipeline

115 115 114

103 103 103 100

99 95 95 96 85

/1 60

■jc

Рис. 1. Профиль-дизайн загрузки напорного нефтепровода Fig. 1. Profile-design of the pressure oil pipeline loading

ВЫБОР МЕТОДА УВЕЛИЧЕНИЯ ПРОПУСКНОЙ СПОСОБНОСТИ НЕФТЕПРОВОДА

В целях обеспечения бесперебойной работы трубопровода необходимо предусмотреть мероприятия по увеличению его пропускной способности. Применительно к рассматриваемому участку были рассмотрены следующие варианты:

1) строительство лупинга всего трубопровода;

2) строительство участка трубопро-вода-лупинга определенной длины и большего диаметра, чем в варианте 1;

3) строительство дополнительной промежуточной насосной станции по трассе трубопровода;

4) применение противотурбулентных присадок (ПТП).

Выбор рекомендуемого варианта увеличения пропускной способности трубопровода осуществлялся по результатам технико-экономической оценки, в рамках которой сравнивались, в частности, такие экономические показатели, как капитальные вложения (САРЕХ), операционные затраты (ОРЕХ), чистая приведенная стоимость, т. е. денежные затраты, дисконтированные по утвер-

жденной ставке дисконтирования ^РС) (табл. 1).

Технологические характеристики для вариантов 1-3 определялись по результатам гидравлических расчетов в корпоративном и отраслевом программном обеспечении («РН-КИН», PIPESIM). Оптимальная концентрация ПТП для варианта 4 принималась по результатам опытно-промышленных испытаний (ОПИ), проведенных ООО «РН-Уватнефтегаз». Результаты технико-экономической оценки вариантов показали, что наиболее привлекательным является вариант с применением ПТП, как обладающий наименьшим NPC. На Уватском проекте ранее уже проводились промысловые исследования влияния ПТП на увеличение пропускной способности трубопроводов товарной нефти,результаты исследований отражены в [1]. Тогда удалось добиться относительного увеличения пропускной способности системы межпромысловых трубопроводов на 17-31 %, при этом относительное снижение перепада давления составило 7-9 %. Эффект снижения гидравлического сопротивления турбулентного потока при применении ПТП, впервые обнару-

женный английским химиком Б. Томсо-ном в 1948 г., обусловлен увеличением толщины вязкого пограничного подслоя у трубопровода и, как следствие, уменьшением турбулентных пульсаций у стенок трубопровода, за счет чего происходит общее снижение степени турбулентности потока. Применение ПТП имеет большую популярность в трубопроводном транспорте нефти [2, 3]. Применительно к исследуемому участку трубопровода стоит отметить такие преимущества применения ПТП, как:

1) минимизация рисков по планированию проектной мощности объектов на месторождениях с так называемыми неуверенными запасами;

2) возможность использования ПТП в пиковые годы добычи, что способствует минимизации капитальных вложений;

3) высокая скорость реализации варианта 4 по сравнению с вариантами 1-3;

4) отсутствие влияния на качество товарной (подготовленной) нефти ввиду малой концентрации ПТП.

Вопросу определения гидравлического сопротивления трубопроводов при применении ПТП посвящено большое количество работ, например [4-6]. Однако

16

№ 3-4 апрель 2021 ТЕРРИТОРИЯ НЕФТЕГАЗ

шншж

Ток возбуждения до 320 А ■ Ток возбуждения до 18 А

■ Напряжение возбуждения до 230 В

■ Габаритные размеры 609 x 630x1943

■ Масса 200 мг

■ Напряжение возбуждения до 80 В

■ Габаритные размеры 609 X 630X1943

■ Масса 200 кг

■ Ток возбуждения 400 А

■ Напряжение возбуждения до 300 В

■ Диапазон рабочих частот 45-65 ГЦ

■ Точность стабилизации | тока возбуждения ±1 %

ТРИТОН-7

■ Габаритные размеры: 333x300 x123мм

■ Вес прибора без соединительных проводов: 6,8 кг

и Ток возбуждения до 8 А и Напряжение возбуждения до 100 В и Диапазон рабочих частот

45-65 ГЦ

и Точность стабилизации | тока возбуждения ±1 %

Цифровые регуляторы возбуждения АН И КРОН® для синхронных электродвигателей и генераторов

Системы возбуждения АН И КРОН для синхронных электродвигателей:

■ Усовершенствованная система контроля изоляции ротора

■ Широкий спектр алгоритмов защит

■ Безотказная работа в диапазоне питающих напряжений от 40 до 20% от номинальных значений

■ Ведение журнала событий и осциллографирование работы двигателя

■ Наличие двух независимых, идентичных и взаимозаменяемых блоков регулирования

■ Функция имитации включения двигателя в предпусковой период

■ Работают с любыми типами синхронных двигателей

■ Работают с системами плавного пуска, частотного регулирования, АСУ ТП

Системы возбуждения АН И КРОН для синхронных генераторов:

■ Встроенная система точной синхронизации

■ Алгоритмы управления возбуждением как для самостоятельной работы, так и для работы в составе нескольких генераторов включенных параллельно. Переключение алгоритмов осуществляется во время работы, дистанционно.

■ Возможность работы от 220 В постоянного тока.

Также предлагаем вам:

■ источник переменного трехфазного тока и напряжения ТРИТОН-7;

■ услуги электролаборатории;

■ энергоаудит промышленных предприятий и общеобразовательных учреждений;

■ шеф-монтаж, монтаж, пусконаладку и ремонт оборудования;

■ проведение проектно-изыскател ьских работ;

■ модернизацию систем возбуждения;

■ поставку запчастей;

■ дистанционную поддержку и консультирование;

Вся продукция и услуги сертифицированы. Компания имеет разрешение на проведение работ на опасных и особо опасных объектах.

Включил

и забыл!

ООО НПО «Цифровые регуляторы», 630058, г. Новосибирск, Бердский тупик, 1, тел./факс (383) 306 30 50,306 30 04, [email protected] www.anikron.ru

АВТОМАТИЗАЦИЯ

100

•.р

"•с щ

о. 2

л Е

<и -в--в-m

Линейная Деревья Гауссовская

регрессия принятия модель

Linear решений Gaussian

regression Decision trees model

i Трудоемкость Точность ■ Интерпретируемость Labour input Accuracy Interpretability

Искусственная нейронная сеть Artificial neural network

Быстродействие Speed

Рис. 2. Сравнительный анализ характеристик инструментов машинного обучения Fig. 2. Comparative analysis of the characteristics of machine learning tools

Вход Синаптические веса Log in Synaptic weights

Функция активации Activation function

net

Ф

Сумматор Summator

Активация Activation

Порог Threshold

Рис. 3. Модель искусственного нейрона Fig. 3. Model of an artificial neuron

на практике использование предложенных зависимостей не всегда является возможным либо данные, полученные в результате их применения, характеризуются неудовлетворительной сходимостью расчетных и фактических величин. Таким образом, разработка метода оценки эффективности применения определенной марки и концентрации ПТП в реальных условиях с учетом промысловых данных остается актуальной задачей. Одной из причин неудовлетворительной сходимости расчетных и фактических значений перепадов давления является постепенное разрушение (деструкция) высокомолекулярных полимеров, из которых состоят ПТП, в процессе транспорта добываемого флюида. По мере разрушения ПТП эффективность ее действия снижается до исходного значения гидравлического сопротивления нефтепровода, без добавления ПТП, т. е. в нефтепроводах при добавлении ПТП ее воздействие будет непостоянным, а зависимость падения давления является нелинейной функцией n-переменных.Это дает возможность для прогнозирования гидравлической эффективности нефтепроводов при применении ПТП использовать методы интеллектуального анализа данных (англ. Data Mining).

ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ ПРОТИВОТУРБУЛЕНТНОЙ ПРИСАДКИ В Data Mining для решения задачи регрессии используется машинное обучении (МО), перспективность применения которого в различных областях подтверждена многочисленными исследованиями. В [7, 8] отражено, в частности, успешное использование МО для решения прикладных задач в нефтегазодобывающей промышленности. В [9] представлен сравнительный анализ (рис. 2) характеристик моделей МО для решения задачи регрессии. Каждая из моделей имеет свои преимущества и недостатки. Наибольшая точность искусственной нейронной сети (ИНС) для решения задачи регрессии функции n-переменных обусловлива-

ется тем, что вид целевой функции заранее неизвестен и применение линейной или нелинейной регрессии не даст нужной точности, тогда как в ходе обучения ИНС (аппроксимации функции) происходит поиск функции, наиболее точно описывающей целевую зависимость. При качественном обучении ИНС может выдавать прогнозы с достаточно низкой погрешностью, причем прогноз будет устойчив к искаженным данным. Кроме того, можно делать прогноз в отсутствие некоторых входных данных на основе обобщения.

Основной элемент ИНС - искусственный нейрон, аналогом которого является биологический нейрон - нервная клетка, способная принимать, преобразовывать и передавать различные сигналы, поступающие извне. Искусственный нейрон работает по следующему принципу: на вход поступает п-е количество х-сигналов, каждый из которых умножается на соответствующий ему вес w. Сумма преобразованных сигналов сравнивается с некоторым порогом 9. По результатам сравнения сигнал либо глушится, либо преобра-

18

№ 3-4 апрель 2021 ТЕРРИТОРИЯ НЕФТЕГАЗ

AUTOMATION

Таблица 2. Фрагмент режимного листа работы напорного нефтепровода Table 2. Fragment of the pressure oil pipeline operation sheet

Время измерения Measuring time Центральная перекачивающая станция Тямкинского месторождения Central pumping station of the Tyamkinskoye field Установка подготовки нефти Кальчинского месторождения Kalchinskoye oil treatment unit Загрузка трубопровода, % Pipeline loading, % Расход противотурбулентной присадки, г/т Consumption of antiturbulence additive, g/t

Давление на выходе, кгс/см2 Outlet pressure, kgf/cm2 Температура на выходе, °C Output temperature, °C Давление на входе, кгс/см2 Inlet pressure, kgf/cm2 Температура на входе, °C Inlet temperature, °C

01.01.2019 12:00 52,8 38,9 1,9 26,7 127,7 28,8

15.01.201 12:00 53,8 38,3 1,8 26,3 124,3 28,2

01.02.2019 12:00 50,8 37,6 1,7 26,1 125,5 25,1

15.02.2019 12:00 54,0 39,0 1,8 26,2 123,5 24,6

01.03.2019 12:00 47,5 37,9 1,7 26,0 139,4 21,5

15.03.2019 12:00 48,6 38,2 1,6 25,5 115,9 19,8

01.04.2019 12:00 39,2 36,4 1,4 24,4 108,3 19,7

15.04.2019 12:00 49,4 32,8 1,7 22,3 114,9 20,3

01.05.2019 12:00 48,7 35,1 1,7 22,7 126,8 18,7

15.05.2019 12:00 38,0 33,1 1,4 21,4 98,1 15,5

01.06.2019 12:00 44,1 35,5 1,5 22,1 100,9 32,9

03.06.2019 12:00 54,4 36,5 1,5 23,5 116,4 28,5

зуется с помощью функции активации Ф и подается на вход следующего нейрона.

Искусственные нейроны, объединенные в группы, образуют ИНС. В ходе обучения ИНС происходит поиск функции, наиболее точно описывающей целевую зависимость, что достигается путем последовательного изменения весовых коэффициентов w.

Процесс обучения ИНС для прогнозирования гидравлической эффективности нефтепроводов при применении ПТП разделен на следующие этапы.

Сбор исходной информации для обучения

В качестве исходных данных для прогнозирования гидравлической эффективности нефтепроводов при применении разных марок ПТП были

использованы режимные листы работы двух напорных нефтепроводов за 2019 г. (табл. 2).

Выбор архитектуры и параметров ИНС

В качестве входных параметров ИНС используются основные параметры, требуемые для гидравлического расчета:

• внутренний диаметр трубопровода D , мм;

вн

• расход нефти 0н, т/сут;

• плотность нефти, пересчитанная на температуру транспортировки, рн, кг/м3;

• вязкость нефти, пересчитанная на температуру транспортировки, о)н, Па.с;

• расход ПТП qптп, т/сут;

• плотность ПТП, пересчитанная на температуру транспортировки, р , кг/м3;

• вязкость ПТП, пересчитанная на температуру транспортировки, иптп, Па.с. Выходной величиной принят градиент давления:

j _аР_Р„-Р.

'а/ L '

(1)

где Рн, Рк - давление в начале и конце участка трубопровода соответственно, МПа; L - длина участка трубопровода, м. Прогнозирование градиента давления обусловлено тем, что можно определить, во-первых, перепад давления для любой длины участка трубопровода и, во-вторых, как давление в конце участка при известном начальном давлении, так и необходимое начальное давление для обеспечения целевого значения конечного давления. Архитектура ИНС представляет собой двухслойный перцептрон (рис. 4) с од-

TERRITORIJA NEFTEGAS - OIL AND GAS TERRITORY No. 3-4 April 2021

19

АВТОМАТИЗАЦИЯ

Таблица 3. Результаты оценки адекватности искусственной нейронной сети Table 3. Results of artificial neural network adequacy assessment

Дата Перепад давления, кгс/см2 Pressure drop, kgf/cm2 Погрешность 8, %

Date Факт Actual Прогноз искусственной нейронной сети Artificial neural network prediction Inaccuracy 8, %

15.01.2020 40,5 43,9 7,8

01.02.2020 44,4 47,9 7,3

01.03.2020 53,2 51,0 4,4

01.04.2020 40,1 39,2 2,4

01.05.2020 48,5 46,4 4,6

Рис. 4. Искусственная нейронная сеть для определения эффективности противотурбулентной присадки: D - внутренний диаметр трубопровода, мм; Q , дптп - расход нефти и противотурбулентной присадки соответственно, т/сут; рн, рптп -плотность нефти и противотурбулентной присадки соответственно, кг/м3; ин, иптп -вязкость нефти и противотурбулентной присадки соответственно, Па.с; I - градиент давления

Fig. 4. Artificial neural network for determining efficiency of anti-turbulent additive: D - inside diameter of pipeline, mm; QB, дптп -flow rate of oil and anti-turbulent additive, correspondingly, t/day; рн, рптп - density of oil and anti-turbulent additive correspondingly, kg/m3; ин, иптп - viscosity of oil and antiturbulent additive correspondingly, Pa.c; I -pressure gradient

ним скрытым слоем. Активационные функции на скрытом слое - сигмоида, на выходе - линейная функция. Количество нейронов на скрытом слое определяется из следствия теоремы Арнольда - Колмогорова - Хехт-Нильсена:

Рис. 5. Контроль переобучения искусственной нейронной сети Fig. 5. Artificial neural network retraining control

(2)

где Ny - размерность выходного сигнала; 0 - число элементов множества обучающихся примеров; Нж - необходимое число синаптических связей; N -

х

размерность входного сигнала. Количество нейронов на скрытом слое, обеспечивающих наибольшую точность, составило 120.

Задание алгоритма и параметров обучения

В качестве алгоритма обучения ИНС использовался алгоритм Левенберга -Марквардта. Контроль переобучения

ИНС проводился за счет остановки обучения по достижении точки, после которой начинался рост квадратичной ошибки для тестовой выборки. Стоит отметить, что для обучения ИНС можно использовать такие популярные программные средств, как Python, MATLAB, Statistica, Azure Machine Learning и пр.

Оценка достоверности обучения

В целях оценки достоверности ИНС были исследованы режимные листы за 2020 г. (данные не участвовали в обучении), в табл. 3 представлены результаты тестирования сети.

ПРОГРАММИРУЕМЫЕ ЛОГИЧЕСКИЕ КОНТРОЛЛЕРЫ ВЕ01Л_ ПХОО

для создания систем автоматизации технологических процессов любой сложности,, включая системы ПАЗ

I Линейка ПЛК ИЕОШ внесена в реестр промышленной продукции, ■ I произведенной на территории РФ

Е I ! 1 !

• * F > *

я" • __ =;_

□ с 6 щ i"

D □ »■ «

с а с

t А -С^» ь С!

13

rfl ....................-

îlfï!W !î!!!!!i»

REGUL RI1

ggg

О(rllI lin

«горячее» «горячая» замена резервирование модулей

поддержка визуализации

-"V'-i-J

время цикла от 1 м/с

веб-интерфейс

на \ \

=1 +60°С

ф LD[ Гп1 ipïl fr=p

встроенные архивы

диапазон рабочих температур от -40 до +60°С

высокоточные единое ПО Epsilon LD единая

измерительные с поддержкой языков высокоскоростная каналы стандарта внутренняя шина

IEC 61131-3 и CFC для всех контроллеров

REGULRX00

Демонстрация оборудования на выставке "НЕФТЕГАЗ-2021", 26-29 апреля 2021г; Москва, ЦБК "Экспоцентр", стенд 23В15, павильон 2, зал 3.

www.prosoftsystems.ru

АВТОМАТИЗАЦИЯ AUTOMATION

Исследование показало,что применение ИНС дает адекватные прогнозы по сравнению с аналитическими зависимостями, где отклонения достигают 40 %. Следовательно, можно сделать вывод, что имитационное моделирование на основе ИНС может применяться в качестве метода оценки необходимого объема и марки ПТП для обеспечения требуемой гидравлической эффективности нефтепроводов. Необходимо, впрочем, отметить, что данный метод нуждается в доработке, поскольку на основе обучающей выборки данных всего с двух участков трубопроводов при отсутствии глубокого анализа результатов нельзя с большой уверенностью полагаться на прогнозы ИНС для новых трубопроводов.

В дальнейшем с помощью ИНС планируется провести детальный анализ влияния различных параметров и условий на гидравлическую эффективность нефтепроводов при применении ПТП.

ВЫВОДЫ

1. Проведено сравнение вариантов увеличения пропускной способности трубопровода, в т. ч. с применением ПТП. Применение ПТП показало большую экономическую эффективность по сравнению с другими вариантами.

2. Применение ПТП позволяет:

• минимизировать риски планирования проектной мощности объектов на месторождениях с неуверенными запасами;

• использовать ПТП в пиковые годы добычи, минимизируя капитальные вложения;

• добиться повышения гидравлической эффективности нефтепровода за более короткий срок по сравнению со строительством лупингов и НПС;

• не оказывать влияния на качество товарной (подготовленной) нефти при добавлении ПТП ввиду малой концентрации присадки.

3. Предложен подход к использованию ИНС для подбора дозировки ПТП в целях достижения требуемой пропускной способности трубопровода.

4. Установлено, что имитационное моделирование на основе ИНС может применяться в качестве метода оценки оптимальной концентрации ПТП для обеспечения требуемой гидравлической эффективности нефтепроводов.

References:

1. Tarasov M.Yu., Yuzhakov I.S., Klassen V.V. Field Tests of Anti-Turbulence Additive Agents for Increasing Flow Capacity of Heavy Oils Pipelines. Neftyanoe khozyaystvo [Oil Industry]. 2011;(10):117-119. (In Russ.)

2. Revel-Muroz P.A., Fridland Ya.M., Kutukov S.E. et al. Estimation of the Oil Pumping Technology Effectiveness with Drag Reduction Agents. Neftyanoye khozyaystvo [Oil Industry]. 2020;(1):90-95. (In Russ.)

3. Golunov N.N. Influence of Small Drag Reducing Agents on Hydraulic Efficiency and an Interface Volume by the Batching Technology. Territorija "NEFTEGAS" [Oil and Gas Territory]. 2018;(6):92-97. (In Russ.)

4. Gareev M.M., Al'muhametova D.A., Akhmetvaleeva G. F. Substantiation of Methods for Predicting the Efficiency of Pumping Oil and Petroleum Products using an Anti-Turbulent Additive through Pipelines of Different Diameters. Transport i khraneniye nefteproduktov i uglevodorodnogo syr'ya [Transport and Storage of Oil Products and Hydrocarbons]. 2018;(2):10-15. (In Russ.)

5. Chen Yang, Nechval A.M., Muratova V.I., Yang Peng. Numerical Simulation Method Predicting the Distribution of Velocity in the Process of Reducing Turbulent Resistance adding Drag Reducing Additives in the Tube. Transport i khraneniye nefteproduktov i uglevodorodnogo syr'ya [Transport and Storage of Oil Products and Hydrocarbons]. 2019;(2):9-13. (In Russ.)

6. Gilmiyarov E.A., Shakirov E.R. Calculation Formulae of Anti-Turbulent Additives Influence on the Hydrodynamic Parameters of the Pumped Liquid Analysis. Proceedings of the International Scientific-Practical Conference "Readings of A.I. Bulatov". 2019. Vol. 3. P. 147-150. (In Russ.)

7. Strekalov A.V., Khusainov A.T. Mathematical Modelling of Oil Production Processes based on Neural Networks. Tyumen: Tyumen State Oil and Gas University; 2013. (In Russ.)

8. Andronov Y.V., Strekalov A.V. Application of Neural Networks for Predicting the Efficiency of Formation Hydraulic Fracturing (FHF). Neftegazovoye delo [Oil and Gas Business]. 2014;12(2):64-68. (In Russ.)

9. Chubukova I.A. Data Mining: Tutorial. Moscow: Internet University of Information Technologies; BINOM: Laboratory of Knowledge; 2006. (In Russ.)

Литература:

1. Тарасов М.Ю., Южаков И.С., Классен В.В. Промысловые исследования антитурбулентных присадок для повышения пропускной способности нефтепроводов, транспортирующих тяжелые нефти // Нефтяное хозяйство. 2011. № 10. С. 117-119.

2. Ревель-Муроз П.А., Фридлянд Я.М., Кутуков С.Е. и др. Оценка эффективности технологии перекачки нефти с применением противотурбулентных присадок // Нефтяное хозяйство. 2020. № 1. С. 90-95.

3. Голунов Н.Н. Влияние малых противотурбулентных присадок на гидравлическую эффективность и смесеобразование при последовательной перекачке нефтепродуктов // Территория «НЕФТЕГАЗ». 2018. № 6. С. 92-97.

4. Гареев М.М, Альмухаметова Д.А, Ахметвалиева Г.Ф. Обоснование методов прогнозирования эффективности противотурбулентных присадок при перекачке нефти и нефтепродуктов по трубопроводам разного диаметра // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2018. № 2. C. 10-15.

5. Чэнь Ян, Нечваль А.М., Муратова В.И., Ян Пэн. Прогноз гидравлической эффективности при перекачке жидкости с противотурбулентной присадкой с использованием методов численного моделирования // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2019. № 2. С. 9-13.

6. Гильмияров Е.А., Шакиров Е.Р. Анализ расчетных зависимостей влияния противотурбулентных присадок на гидродинамические параметры перекачиваемой жидкости // Материалы Международной научно-практической конференции «Булатовские чтения». 2019. Т. 3. C. 147-150.

7. Стрекалов А.В., Хусаинов А.Т. Математическое моделирование процессов нефтедобычи на основе нейронных сетей. Тюмень: ТюмГНУ, 2013. 164 с.

8. Андронов Ю.В., Стрекалов А.В. Применение нейронных сетей для прогнозирования эффективности гидравлического разрыва пласта (ГРП) // Нефтегазовое дело. 2014. Т. 12. № 2. С. 64-68.

9. Чубукова И.А. Data Mining: учебное пособие. М.: Интернет-университет информационных технологий; БИНОМ: Лаборатория знаний, 2006. 382 с.