基于果蝇算法的气田集输布局优化

王昊 魏立新 陈双庆

摘      要： 为降低地面集输系统气田成本和提高生产效率，在站场选址、站间管线连接方式等一系列环节进行人工智能布局优化，以达到线路最短或工程建设总投资最小的目的。本文将采用一种较新的智能算法果蝇算法对气田集输系统进行布局优化。根据果蝇个体通过嗅觉寻找食物的原理，以项目总投资最小为目标函数，根据地面集输系统的要求，找到约束条件，建立优化数学模型，通过MATLAB软件实现算法的运算，并对优化结果进行仿真，找出地面布局下气田管网的最优连接方式。经过果蝇算法的优化，气田地面集输管网可以显著降低工程投资成本。通过与传统的递阶优化方法的比较，说明了该算法在收敛速度和优化精度方面的优势。

关  键  词：集输系统;布局优化;果蝇算法;对比分析

中图分类号：TE862;TE89        文献标识码： A      文章编号： 1671-0460（2020）11-2507-05

Optimization of Gas Field Gathering and Transportation

Layout Based on Drosophila Algorithm

WANG Hao， WEI Li-xin， CHEN Shuang-qing

（School of Petroleum Engineering， Northeast Petroleum University， Heilongjiang Daqing 163318， China）

Abstract： In order to reduce the cost of the gas field in the ground gathering system， and improve production efficiency， the artificial intelligence layout optimization is always carried out to achieve the shortest route or the minimum investment of the project constructionin the selection of the station site， the connection between the station and the pipeline. In this paper， the layout of gas field gathering and transportation system was optimizedby a relatively novel intelligent algorithm， drosophila algorithm. Using the principle of fruit flies searching for food through olfactory， taking the minimum total investment of the project as the objective function， the constraints were found according to the requirements of the ground gathering system， and the optimized mathematical model was established. The algorithm was run by MATLAB software and the optimization results were simulated to find the optimal gas field pipe network connection in the layout. After the optimization of the drosophila algorithm， the engineering investment costof the gas field ground gathering pipeline network was significantly reduced. Through comparison and analysis with traditional grading optimization method， the drosophila algorithm showed the advantages in terms of convergence speed and optimization accuracy.

Key words： Gathering and transportation system; Layout optimization; Drosophila algorithm; Comparative analysis

目前，氣田集输管网布局优化通常采用层次优化法[1-2]，将集输系统的整体切割划分为若干部分，并依次进行优化。首先优化井组分布[3-6]，其次选择管线长度最短的集气站和集气末站位置作为目标函数。层次优化的缺点是每一级优化都可能是局部最优解，但不能保证是全局最优解[7]。

本文使用的果蝇算法[8]是台湾学者潘文超在2011年提出的，它是一种启发式全局优化的进化智能算法。以果蝇的觅食行为为基础，推导出全局最优解，具有调节参数少、操作简单、性能好等优点。

本文以径向管网与分支管网相结合的气田集输系统布置为例[9-14]。气田集输工艺是从气井中收集天然气，经集气管线输送，在集气站中脱硫脱碳后加工成成品气并储存的工艺[15-21]。

1  数学模型

1.1  目标函数

在气田集输管网的拓扑布局优化中，已有研究成果多以管网总长度最小或者管网总建设费用最小为目标函数。本文实例将以管网的总投资费用最小为目标函数，包括采气管道建设费用、集气管道建设费用、集气站建设费用3个部分。

F=F_1+F_2+F_3                （1）

F_1=∑_i^N?∑_j^M??_（i，j）  β_（?，i，j） C_（?，i，j）            （2）

F_2=∑_i^（M+G）?∑_j^（M+G）?θ_（i，j）  β_（θ，i，j） C_（θ.i.j）          （3）

F_3=∑_i^M?f（S_i ）                （4）

式中：F—管网建设总投资费用;

F_1—采气管道建设费用;

F_2—集气管道建设费用;

F_3—集气站管道建设费用;

??〖            ?〗_（i，j）—“井站”管网第i节点和第j节点之间连接二元变量，?_（i，j）=1时

表示第i节点和第j节点处于连接状态，?_（i，j）=0时表示第i节

点和第j节点处于未连接状态;

β_（?，i，j）—采气管道长度;

C_（?，i，j）—单位采气管道的建设费用，与管材、管径有关，可由最小

二乘法求得;

θ_（i，j）—“站站”管网第i节点和第j节点之间连接二元变量，?_（i，j）=1时

表示第i节点和第j节点处于连接状态，?_（i，j）=0时表示第i节

点和第j节点处于未连接状态;

β_（θ，i，j）—集气管道长度;

C_（θ，i，j）—单位集气管道的建设费用，与管材，管径有关，可由最小

二乘法求得;

S_i—第i个集气站处理量;

i∈N，j∈M，N—生产井个数，M—集气站个数;

G—外输站个数。

1.2  约束条件

1.2.1 “井站”隶属关系唯一性約束

一口井只可以隶属于一个站

?_（i，j）=1              （5）

1.2.2  站处理能力的约束

站的建设需要消耗大量成本，在保证安全生产运输的前提下，应该尽可能提高站的利用率。同时，受到管材、管径以及流速的限制，为了保证安全，站的处理量要有上限值。

∑_i^N??_（i，j）  s_i=S_j            （6）

S_MIN "≤" S_j "≤" S_MAX           （7）

式中：s_i—第i口井的产气量;

S_MIN—站最小处理量;

S_MAX—站最大处理量。

1.2.3  集输半径约束

井与站或是站与站之间的管线距离不应该大于允许的集输半径。

?_（i，j） β_（?，i，j）≤R（i=1，2，…，N;j=1，2，…，M）  （8）

式中：R—集输半径。

1.2.4  取值范围约束

目标函数中的决策变量应在其取值范围内进行优化求解。

?_（i，j）={█（&1节点i与节点j相连@&0其他）┤        （9）

θ_（i，j）={█（&1节点i与节点j相连@&0其他）┤       （10）

2  算法求解

2.1  果蝇算法

果蝇算法（Fruit Fly Optimization Algorithm， FOA）属于群体演化式人工智能的一种新方法，由台湾学者潘文超于2011年提出。果蝇算法的原理是依据果蝇个体应用其良好的嗅觉器官捕捉分析空气中的各种气味，从而达到食物源的目的。在气田集输系统的布局优化中，对于气井个体进行类似于果蝇个体的编码从而转化为数学模型，利用果蝇群体捕获食物源气味的原理，进行气田区块气井的布局优化。果蝇算法相比于传统分级优化方法，它的优势在于可以避免因分级优化而出现局部最优解的现象;果蝇算法相比于其他的一些人工智能算法，它的优势在于主控参数的灵活性和易操作性，以及基因编码的简易性和较快的收敛速度。

2.2  主控参数

2.2.1  果蝇编码

对于给出的气田中气井的个数进行分组排序，根据分布经验一般一个集气站将会管辖6～7口气井，第一个果蝇个体的编码为：

C_1={w_1，w_2，…w_6;w_7，w_8，…w_13;……;w_49，w_50，…w_55 }

式中：w_i对应气井的位置编号;

w_1-w_（i-1）对应6～7口气井作为一个集气站所管辖的数量。

由此可以得出对比方案中的其他果蝇个体的编码。

C_2={w_1，w_2，…w_7;w_8，w_8，…w_14;……;w_50，w_51，…w_55 }

C_3={w_1，w_2，…w_6;w_7，w_8，…w_14;……;w_50，w_51，…w_55 }

2.2.2  味觉浓度判定值（T_i）

最初由于无法得知食物具体位置，因此需要先估计与原点的距离D_i，再计算味觉浓度判定值T_i，此值为距离的倒数。

Di =（xi2+yi2）0.5           （11）

T_i=1?D_i               （12）

2.2.3  味觉浓度（Smell_i）和味觉浓度判定函数

味觉浓度是判定一个果蝇个体（优化方案）的优劣，它需要将味觉浓度判定值T_i代入味觉浓度判定函数。本文应用的判定函数是通过分析气井布局优化而得出。

（13）

2.2.4  终止精度

终止精度也可以称为最大迭代次数，当算法迭代次数达到优化结果所允许的精度误差范围之内，或者迭代次数得到的优化结果趋于稳定不在大幅度波动时，停止迭代。

2.3  算法流程

1）随机初始果蝇群体的位置X_— "axis" 和Y_— "axis" ;设定最大迭代数Maxgen;给定果蝇群体的规模sizepop。本实例中，算法的种群规模为20，迭代次数为200次。

2）赋予果蝇个体利用嗅觉搜寻食物的随机方向与距离，生成初始种群：

{█（&X_i=X_axis+RandomValue@&Y_i=Y_axis+RandomValue）┤     （14）

式中，RandomValue为搜索方向和距离。

本实例中，搜索方向和距离如公式15所示：

{█（&X_i=X_axis+2·rand-1@&Y_i=Y_axis+2·rand-1）┤        （15）

3）最初由于无法得知食物具体位置，因此需要先估计与原点的距离D_i，再计算味道浓度判定值T_i，此值为距离的倒数。将味道浓度判定值T_i代入味道浓度判定函数（Fitness function），求出该果蝇个体位置的味道浓度（Smell_i）。

4）寻找出果蝇种群中味道浓度最小的一个（求最小值）。

[bestSmell，bestindex]=min?（Smell_i ） （16）

5）保留最佳味道浓度值的x，y坐标，此时果蝇群体利用视觉往该位置飞去。

{█（&X_axis=X（bestindex）@&Y_axis=Y（bestindex）@&Smellbest=bestSmell）┤        （17）

6）进入迭代寻优，重复执行步骤（14），并判断味道浓度是否优于前一代的味道浓度。若是则执行步骤5，当出现连续稳定的有效解或者达到最大迭代次数，算法停止，流程图如图1。

3  实例计算

某气田有气井24口，井组优化后需集气站4座，中心外输站1座，组成一个放射状和枝状组合的集输管网系统。首先应用传统的分级优化方法对管网进行优化设计，算法设计参数优化结果如图4所示，优化数据如表1所示。应用本文介绍的果蝇算法进行管网的优化设计，优化结果如图5所示，优化数据如表2所示。两种优化方法的对比结果如表3所示。

本实例中，算法的种群规模为20，迭代次数为200次。计算过程的数据变化如图2、图3所示。

由图3可知，在集气总站位置坐标为（245，415）的时候，集输系统建设总投资费用（味觉浓度）达到最小值，122689.35万元。

从表1、表2、表3的数据可以看出，采用传统的分层优化方法进行优化时，虽然可以得到每一步的最优解，但当管网整体组合时，局部管的长度会增加，从而增加管网;当采用果蝇算法进行优化时，将气井、集气站、集气末站作为一个整体进行处理，其目标是使管网的投资成本最小化，避免整个模型因最小管道长度而陷入局部最优解的误区。结果表明，果蝇算法计算的管网建设成本比传统的分层优化方法低12.2%，优化效果显著。

4  结 论

1）以管网总投资最小为目标函数，建立了优化模型，采用果蝇算法对数学模型进行求解，最终求出在管网总建设投资最小情况下的集气站、集气总站的站址选择以及各管段的长度。

2）采用果蝇算法这种新型启发式智能算法，根据气田情况，适当调整果蝇群体大小和迭代次数，以便于快速准确地计算数学模型，得到良好的优化结果。

3）用两种方法对气田集输管网进行优化設计比较，结果表明，本文采用的果蝇算法相对于传统分级优化方法来说，优化过程时间更短，优化效果更显著，更节约气田集输管网的建设投资费用。

参考文献：

[1]刘光金.油气田地面集输管网的优化设计[J].油气田地面工程，2014，33（5）：7-8.

[2]潘红丽，杨鸿雁. 气田地面集输管网系统的优化设计[J]. 油气储运，2002，21（4）：14-18.

[3]李波，余红伟.管网布局规划技术综述[J].石油规划设计，2001，12（1）：16-18.

[4]黎彬，张烈辉，唐海燕，等.基于微粒群算法的井组划分方法[J].油气田地面工程，2008，27（2）：36-37.

[5]柳潔，孙洁，邓志安，等.几种集输管网井组划分方法的比较[J].石油工程技术监督，2011，27（1）：1-3.

[6]甄宝军，梁政，邓雄.一种天然气集输管网井组划分的新方法[J].管道技术与设备，2005（3）：7-8.

[7]李自力，孙云峰，张子波，等. 基于遗传算法的气田集输管网整体优化方法[J]. 天然气工业，2011，31（8）：86-89.

[8]潘文超.果蝇最佳化演算法[M].台湾：中国沧海书局，2011.

[9]商冠琪.枝状管网布局优化中的3类问题[J].化工机械，2014，41（3）：342-344.

[10]郑清高.油气集输管网几何布局研究[J].石油学报，1995，15（1）：141-143.

[11]董武成.地面集输管网优化探讨[J].科学管理，2016（2）：254.

[12]何绪蕾.关于油田地面集输管网优化设计研究[J].能源与节能，2015（2）：6-7.

[13]罗叶新，张宗杰，王喜，等.油田地面技术系统布局优化模型[J].油气储运，2014，33（9）：1004-1009.

[14]刘恩斌，彭善碧，李长俊，等.基于遗传算法的天然气集输管网参数优化设计[J].管道技术与设备，2004（4）：1-3.

[15]刘扬.具有确定网络拓扑关系的集输管网系统布局优化设计[J].石油工程建设，1990（3）：7-9.

[16]魏立新，刘扬.油气集输系统障碍拓扑布局优化设计方法[J].石油学报，2006，27（6）：120-124.

[17]孟荣章，李书文，汤林.大型气田集输管网布局优化[J].石油规划设计，1998（2）：16-18.

[18]陈坤明，简朝明，刘松泉，等.单亲遗传和深度优先搜索算法的集输管网优化[J].油气田地面工程，2012，31（8）：34-35.

[19]周军，李晓平，邓涛，等.集输系统优化设计研究的体系结构与发展方向[J].油气储运，2014，33（7）：707-713.

[20]韩建增，汪玉春.集油管网优化设计研究[J].西南石油学院学报，1999，21（3）;52-55.

[21]魏立新，姚春雪，马汝彦，等.稀油集输系统能耗分析与节能改造[J].当代化工，2019，48（6）：1305-1310.