Исходный URL: http://www.ogbus.ru/authors/Kutukov/Kutukov_6.pdf

ПРИЛОЖЕНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ В УПРАВЛЕНИИ

ТЕХНОЛОГИЧЕСКИМИ РЕЖИМАМИ НЕФТЕПРОДУКТОПРОВОДОВ

С.Е.Кутуков

(Уфимский государственный нефтяной технический университет)

Применение современных технологий SCADA, телемеханики и АСУ в магистральном транспорте нефти и нефтепродуктов подготовило почву и поставило на повестку дня разработку систем функциональной диагностики технологических режимов нефте-и продуктопроводов, которые призваны повысить оперативность принятия решений, расширить аналитические возможностей служб, эксплуатирующих разветвленные сети, отслеживать тенденции развития процессов в трубопроводах; в ясных для пользователя понятиях интерпретировать собранные системой SCADA параметры технологического процесса перекачки; в удобной для анализа и дальнейшего принятия решения форме представлять результаты диагностирования и за счёт применения превентивных мер, устраняющих причины осложнений технологических режимов, экономить до трети энергозатрат на линейной части.

Под термином «функциональная диагностика» подразумевается система оперативной диагностики осложнений режимов эксплуатации магистрального нефтепровода исключительно по технологическим параметрам перекачки, регистрируемых штатными средствами телемеханики без специальных тестовых воздействий. Классификация и анализ причин снижения пропускной способности и эффективности, технологической и экологической безопасности функционирования участка магистрального нефтепродуктопровода, объединенных общим термином «осложнения» технологических режимов выходит за рамки настоящей статьи, а всё их многообразие сведено к пяти категориям: газовые и водные скопления, утечки, смолопарафиновые отложения и неподвижные объекты в полости трубопровода.

С одной стороны, практически все осложнения технологических режимов магистральных нефтепроводов приводят к снижению пропускной способности (увеличению гидравлических сопротивлений). С другой стороны, количество регистрируемых параметров в традиционных системах телемеханики и АСУ весьма ограничено: давление (P), температура (T) и расход (Q). К ним можно ещё добавить время ( t ). Регистрация всех параметров сопряжена с некоторой погрешностью, собственной ошибкой обладают и решения обратных задач в алгоритмах диагностирования, что накладывает определённую неточность, или в математических терминах – «нечёткость». Поэтому для получения количественных оценок осложнений технологических режимов МНП целесообразно использовать методологию “Мягких вычислений”, позволяющую корректно обрабатывать нечёткую, частью противоречивую, весьма ограниченную информацию об изменении технологических параметров перекачки, как во времени, так и по длине участка трубопровода. Следовательно, достоверно определить вклад каждого вида осложнений при одновременном их возникновении весьма непросто, так как признаки их проявления схожи, а информация весьма ограничена как по количеству, так и по качеству.

Математическим аппаратом, оперирующим нечеткими понятиями является «Мягкие вычисления» (Soft Computing) [1], основоположником которых является Лутфи Заде – профессор Берклиевского университета, США. Данный термин, введенный в употребление в 1990 г., означает интеграцию идей нечеткой логики, нейронных сетей, генетических алгоритмов и вероятностных рассуждений с целью построения интеллектуальных систем обработки информации, оперирующих с неточными и нечеткими данными, неопределенностью и частичной истинностью фактов и обеспечивающих при этом нечувствительность к ошибкам, низкую стоимость решения и его лучшее согласие с реалиями окружающего мира.

История применения генетических алгоритмов начинается с работ Р.Холстиена [2], Де Джонга [265], Дж. Холланда [3] и Д. Гольдберга [4] 1970­75 гг., в которых впервые были продемонстрированы возможности метода для решения задач многопараметрической оптимизации. Но только в последние 5-7 лет появились работы Savic D.A., Walters G.A., (Великобритания) [5], Vitkovsky J.P., Simpson A.R., Murthy L.J. (Австралия) [6,7], Tang K.-W., Zhang F. (Канада) [8], предложившие использовать генетические алгоритмы в проектировании и оптимизации водопроводных сетей решением обратных задач трубной гидравлики (определении коэффициента гидравлических сопротивлений или шероховатости труб).

Главным достоинством рассматриваемого подхода заключается в возможности находить субоптимальные (пригодные) решения на всём множестве возможных решений без излишних вычислительных затрат «комбинаторного взрыва» возможных вариантов с ростом размерности задачи [9]. Количество же независимых переменных (генов @ G i ) достигает 200-500 при идентификации 5-7 осложнений на эксплуатационном участке нефтепровода протяженностью 400-500 км.

Как показывают исследования, выполненные разными авторами, эффективность применения генетических алгоритмов значительно возрастает в случае их комбинированного использования с другими методами теории искусственного интеллекта. К числу наиболее перспективных направлений в этой области относятся исследования в области "нечёткой логики". Для диагностики технологических режимов нефтепроводов наиболее перспективным является приложение методологии генетических алгоритмов в сочетании с нечёткими множествами для генерации целевой функции.

Генетические алгоритмы образуют широкий класс методов глобальной многопараметрической оптимизации, базирующихся на моделировании механизмов естественной эволюции и популяционной генетики. Терминология, принятая в данной области математики заимствована из генетики. В соответствии с наиболее общим определением, генетические алгоритмы -это методы случайного глобального поиска, копирующие механизмы естественной биологической эволюции. Генетические алгоритмы оперируют с популяцией оценок потенциальных решений (индивидуумов), используя принцип "выживает наиболее приспособленный". На каждом шаге алгоритма, образуется новое множество приближений, создаваемое посредством процесса отбора индивидуумов согласно их уровню пригодности. Операндом генетического алгоритма является ген @ G – закодированная оценка того или иного осложнения технологического режима, объединенный в «хромосому» (chromosome, string) - n-мерный вектор &S. Область значений всех генов @ G унифицирована - [0…7], что обеспечивает возможность применения операторов ГА между ними. Размерность кода зависит от требуемой точности оценки диагностируемых параметров. Значение кода @ G определяет количественную оценку осложнения, которая может быть пропорциональной или прогрессивной (логарифмической). Пропорциональное кодирование целесообразно применять для водных и газовоздушных скоплений. Прогрессивное -более предпочтительно для фаззификации утечек, смоло-парафиновых отложений, скоплений грата, деформаций труб и пр.

Операция кодирования осложнения, т.е. представление чёткой количественной оценки в нечёткую интерпретацию, называется фаззификацией (fuzzyfication). Обратная операция – определение количественной оценки того или иного осложнения по коду гена – дефаззификацией.

Основными генетическими операторами являются [10]:

- репродукция (reproduction)

- кроссинговер (crossing over);

- мутация (mutation);

- селекция (selection).

Статьи