科研動(dòng)態(tài)
基于多層編碼遺傳算法的非集輸井群生產(chǎn)拉運(yùn)調(diào)度協(xié)同優(yōu)化
中文題目：基于多層編碼遺傳算法的非集輸井群生產(chǎn)拉運(yùn)調(diào)度協(xié)同優(yōu)化
論文題目：Transportation and production collaborative scheduling optimization with multi-layer coding genetic algorithm for non-pipelined wells
錄用期刊/會(huì)議：Heliyon(中科院大類(lèi)3區(qū))
原文DOI：[10.1016/j.heliyon.2024.e41307]
原文鏈接：https://doi.org/10.1016/j.heliyon.2024.e41307
錄用/見(jiàn)刊時(shí)間：2024-12-26
作者列表：
1）李秋實(shí) 中國(guó)石油長(zhǎng)慶油田公司 高級(jí)工程師
2）李玉澤 中國(guó)石油大學(xué)（北京）石油工程學(xué)院 油氣田開(kāi)發(fā)工程專(zhuān)業(yè) 碩 19
3）孫海桐 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 控制科學(xué)與工程專(zhuān)業(yè) 碩 24
4）宋 偉 中國(guó)石油青海油田公司 高級(jí)工程師
5）李宏宏 北京昆侖數(shù)智科技有限公司
6）高小永 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 研究生導(dǎo)師
7）檀朝東 中國(guó)石油大學(xué)（北京）人工智能學(xué)院 研究生導(dǎo)師
8）劉瑤筠 天津石油職業(yè)技術(shù)學(xué)院
9）劉紅兵 天津石油職業(yè)技術(shù)學(xué)院
文章簡(jiǎn)介:
本文研究了低滲透油田邊際井的生產(chǎn)與運(yùn)輸協(xié)同調(diào)度優(yōu)化問(wèn)題。針對(duì)非集輸井的原油運(yùn)輸，提出了一種基于多層編碼的遺傳算法，以解決大規(guī)模問(wèn)題中精確算法求解困難的挑戰(zhàn)。為油田快速制定合理的調(diào)度計(jì)劃，降低運(yùn)輸成本提供了重要參考。
摘要:
針對(duì)低滲透油田邊際井的生產(chǎn)與運(yùn)輸協(xié)同調(diào)度問(wèn)題展開(kāi)研究。邊際井具有儲(chǔ)量小、分布分散、產(chǎn)量低等特點(diǎn)，采用單井罐儲(chǔ)油和油罐車(chē)運(yùn)輸?shù)姆绞?。?dāng)前的調(diào)度主要依賴(lài)人工經(jīng)驗(yàn)，效率低下且難以應(yīng)對(duì)大規(guī)模問(wèn)題。本文提出了一種基于多層編碼的遺傳算法，通過(guò)擴(kuò)展搜索域并結(jié)合模型約束，快速求解不同規(guī)模問(wèn)題。實(shí)驗(yàn)結(jié)果表明，該算法在大規(guī)模問(wèn)題（如200口井）中表現(xiàn)出色，能夠在短時(shí)間內(nèi)給出可行的調(diào)度方案，總行駛距離為11280公里，顯著優(yōu)于精確算法。
背景與動(dòng)機(jī):
低滲透油田的邊際井由于產(chǎn)量低、分布分散，建設(shè)大規(guī)模管道成本過(guò)高，因此采用非管道運(yùn)輸方式。當(dāng)前的調(diào)度依賴(lài)人工經(jīng)驗(yàn)，難以應(yīng)對(duì)井?dāng)?shù)和運(yùn)輸車(chē)數(shù)量增加的情況，導(dǎo)致生產(chǎn)效率低下、安全隱患增加。為解決這一問(wèn)題，本文提出了一種基于遺傳算法的優(yōu)化方法，旨在快速生成合理的調(diào)度方案，降低運(yùn)輸成本并提高生產(chǎn)效率。
設(shè)計(jì)與實(shí)現(xiàn):
設(shè)計(jì)了一種基于多層編碼的遺傳算法。第一層編碼表示油罐車(chē)的行駛路徑，第二層編碼表示原油的裝卸量和累計(jì)時(shí)間。算法通過(guò)翻轉(zhuǎn)、交換和移動(dòng)操作擴(kuò)展搜索域，結(jié)合模型的約束條件，快速生成候選解。此外，算法引入了懲罰函數(shù)以處理約束違反的情況，確保生成的調(diào)度方案滿(mǎn)足實(shí)際生產(chǎn)需求。
主要內(nèi)容:
1.MILP模型分析
目前已經(jīng)構(gòu)建了基于離散時(shí)間的生產(chǎn)拉運(yùn)調(diào)度優(yōu)化模型，該模型以最小化所有油罐車(chē)的總行駛距離為目標(biāo)函數(shù)，約束條件包括調(diào)度約束和生產(chǎn)約束（詳見(jiàn)原文），然而對(duì)于大規(guī)模問(wèn)題，該模型求解往往無(wú)法在合理的時(shí)間范圍內(nèi)得出可行解，這極大地影響了模型的實(shí)用性和應(yīng)用范圍。
2.多層編碼染色體設(shè)計(jì)
針對(duì)已有的非集輸井群生產(chǎn)拉運(yùn)調(diào)度MILP模型，設(shè)計(jì)了一種新的染色體編碼方法。將卡車(chē)的任務(wù)變量定義為，即某輛卡車(chē)從一個(gè)非流水線(xiàn)井到下一個(gè)非集輸井或在非流水線(xiàn)井原地等待被視為一項(xiàng)任務(wù)。每條染色體在解碼后由幾個(gè)決策變量組成，染色體中的每個(gè)決策變量代表油罐車(chē)的當(dāng)前位置，第一個(gè)變量代表第一個(gè)變量，以此類(lèi)推。這些決策變量構(gòu)成了表示候選解的映射。染色體編碼方法如圖1所示：
圖1 車(chē)輛路徑編碼
3.適應(yīng)度函數(shù)和懲罰函數(shù)構(gòu)建
將車(chē)輛行駛的最短時(shí)間作為適應(yīng)度函數(shù)，表示為f(x)，將其映射到代碼中，作為每個(gè)chrom中決策變量之間距離的總和。懲罰函數(shù)由兩部分組成，如公式（1）所示，第一部分是在調(diào)度過(guò)程中，當(dāng)單拉罐的罐容量超過(guò)最大罐容量時(shí)，在適應(yīng)度函數(shù)中添加懲罰時(shí)間；第二部分是在調(diào)度過(guò)程中，當(dāng)卸載點(diǎn)超過(guò)最大儲(chǔ)罐容量時(shí)，在適應(yīng)度函數(shù)中添加懲罰時(shí)間。這里和被設(shè)置為相當(dāng)大的數(shù)字，這是為了更容易判斷后續(xù)操作的結(jié)果是否違反了約束并受到懲罰。計(jì)算過(guò)程如圖2所示。
圖2 適應(yīng)度函數(shù)計(jì)算偽代碼
4.最優(yōu)方案求解對(duì)比
使用中國(guó)XX油田作為該模型的生產(chǎn)調(diào)度場(chǎng)景。調(diào)用求解器（精確算法），并使用本文設(shè)計(jì)的遺傳算法求解模型。設(shè)置了不同梯度尺度的案例進(jìn)行模擬計(jì)算和對(duì)比。案例規(guī)模和參數(shù)設(shè)置如表1所示。
表1 案例規(guī)模設(shè)置
實(shí)驗(yàn)結(jié)果及分析:
針對(duì)不同規(guī)模的非集輸井生產(chǎn)與運(yùn)輸調(diào)度問(wèn)題進(jìn)行精確算法求解?？梢钥闯觯∫?guī)模問(wèn)題（案例1至3）在較短調(diào)度周期內(nèi)可找到可行解，但隨著周期增長(zhǎng)或規(guī)模擴(kuò)大（案例4），精確算法求解時(shí)間顯著增加，甚至無(wú)法在合理時(shí)間內(nèi)獲得解。
表2 精確算法求解結(jié)果
使用本文設(shè)計(jì)的遺傳算法進(jìn)行求解，得到結(jié)果如表3所示。可以看出，該遺傳算法可以在短時(shí)間內(nèi)給出可行的解決方案。它有效地解決了精確算法在求解小規(guī)模長(zhǎng)周期調(diào)度問(wèn)題時(shí)計(jì)算時(shí)間過(guò)長(zhǎng)以及在求解大規(guī)模長(zhǎng)周期調(diào)度問(wèn)題時(shí)難以找到最優(yōu)解的局限性。
表3 遺傳算法求解結(jié)果
以案例4為展示，圖3展示了計(jì)算過(guò)程中的適應(yīng)度曲線(xiàn)，可以看出最優(yōu)解為11280公里，圖4顯示了整個(gè)調(diào)度過(guò)程中每個(gè)單井罐的油量變化，各顏色代表不同的油井，橫軸為時(shí)間，縱軸為油量。設(shè)定單井罐的最大容量為20立方米，從圖4可以看出，調(diào)度過(guò)程中所有單井罐均未超出容量，滿(mǎn)足模型約束。
圖3 適應(yīng)度進(jìn)化曲線(xiàn)
圖4 油量隨時(shí)間變化圖
綜上對(duì)比得出，遺傳算法在所有案例中均能快速給出可行解，尤其在大規(guī)模問(wèn)題中表現(xiàn)出色。在200口井的案例中，遺傳算法僅用1062.3秒就得到了總行駛距離為11280公里的調(diào)度方案，顯著優(yōu)于精確算法。
結(jié)論:
本文提出的多層編碼遺傳算法能夠快速求解非集輸井的生產(chǎn)與運(yùn)輸協(xié)同調(diào)度問(wèn)題，尤其在大規(guī)模問(wèn)題中表現(xiàn)出色。該算法為油田快速制定合理的調(diào)度方案提供了有效工具，有助于降低運(yùn)輸成本并提高生產(chǎn)效率。未來(lái)的研究可以考慮將精確算法與啟發(fā)式算法結(jié)合，或引入多種啟發(fā)式算法以進(jìn)一步提高求解效率。
通訊作者簡(jiǎn)介:
檀朝東，博士，教授，正高級(jí)工程師，博士生導(dǎo)師，人工智能學(xué)院教師。主要從事檢測(cè)技術(shù)與自動(dòng)化裝置、數(shù)據(jù)驅(qū)動(dòng)理論與方法等教學(xué)和科研，致力于低碳智能油氣田、油氣生產(chǎn)物聯(lián)網(wǎng)大數(shù)據(jù)和油氣舉升設(shè)備故障診斷的關(guān)鍵核心技術(shù)研究及應(yīng)用。