Применение моделей машинного обучения для интеллектуального управления эффективностью транспорта нефти

UDK: 681.518:622.692.4
DOI: 10.24887/0028-2448-2021-12-136-139
Ключевые слова: противотурбулентная присадка (ПТП), гидравлическая эффективность нефтепроводов, интеллектуальное управление, машинное обучение, градиентный бустинг, нейронные сети
Авт.: Д.А. Черенцов (Тюменский индустриальный университет), к.т.н., А.У. Якупов (Тюменский индустриальный университет), К.С. Воронин (Тюменский индустриальный университет), к.т.н., Ю.Д. Земенков (Тюменский индустриальный университет), д.т.н., Е.Л. Чижевская (Тюменский индустриальный университет), к.э.н.

Эффективное управление современной индустриальной компанией занимающейся транспортом нефти должно базироваться на научно обоснованных, максимально точных оценках состояния производственной системы в режиме реального времени. Использование противотурбулентных присадок (ПТП) в настоящее время является самым экономичным и эффективным способом увеличения пропускной способности нефтепроводов. Однако применение современных моделей, зависимостей и результатов исследований по определению потерь давления в нефтепроводах при применении ПТП на реальных объектах приводят к значительным отклонениям от фактических значений. Для решения данной задачи предложено использовать имитационное моделирование на основе моделей машинного обучения. Анализ исходных данных позволил определить features и target переменные для обучения моделей. В качестве моделей машинного обучения рассмотрены наиболее популярные модели для решения задачи многомерной регрессии (поиск функции n-переменных), такие как линейная регрессия, деревья решений, случайный лес, градиентный бустинг, искусственные нейронные сети и ансамбли моделей. Процесс обучения моделей происходил на языке Python с использованием популярных библиотек машинного обучения: sklearn, keras, pytorch, catboost и др. С помощью кросс-валидации определены гиперпараметры для каждой из рассматриваемых моделей, обеспечивающие наилучшие метрики качества. При сравнении результатов прогнозирования с фактическими данными, которые не участвовали в процессе обучения, одна из моделей показала удовлетворительную погрешность, по сравнению с остальными моделями. Рассмотрена также возможность повышения точности моделей машинного обучения для новых данных путем дообучения существующих моделей. Имитационное моделирование на основе моделей машинного обучения может эффективно применяться в качестве метода оценки необходимого объема ПТП для обеспечения требуемой гидравлической эффективности нефтепроводов. Рекомендовано использовать искусственные нейронные сети (ИНС), так как вид целевой функции заранее неизвестен, а при обучении ИНС происходит процесс поиска функции, наиболее корректно описывающей целевую зависимость. Применение имитационного моделирования как инструмента интеллектуального управления позволяет успешно оценить влияние ПТП на гидравлическую эффективность нефтепроводов, позволяя существенно снизить эксплуатационные затраты на перекачку.

Список литературы

1. Гареев М.М., Альмухаметова Д.А., Ахметвалиева Г.Ф. Обоснование методов прогнозирования эффективности перекачки нефти и нефтепродуктов с использованием противотурбулентных присадок по трубопроводам разного диаметра // Транспорт и хранение нефтепродуктов и углеводородного сырья. – 2018. – № 2. – С. 10–15.

2. Голунов Н.Н. Влияние малых противотурбулентных присадок на гидравлическую эффективность и смесеобразование при последовательной перекачке нефтепродуктов // Территория Нефтегаз. – 2018. – № 6. – С. 92–97.

3. Голунов Н.Н., Лурье М.В. Построение феноменологической теории турбулентности в жидкости с малыми противотурбулентными присадками // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. – 2020. – Т. 10. – № 2. – С. 148–156. – DOI: 10.28999/2541-9595-2020-10-2-148-156.

4. Жолобов В.В., Синельников С.В., Игнатенкова А.И. Перспективы применения противотурбулентной присадки для снижения энергозатрат тепловых станций при «горячей» перекачке // Наука и технологии трубопроводного транспорта нефти и нефтепродуктов. – 2019. – Т. 9. – № 3. – С. 256–265. – DOI: 10.28999/2541-9595-2019-9-3-256-265.

5. Коршак А.А. Универсальность обобщенной формулы Л.С. Лейбензона // Нефтяное хозяйство. – 2019. – № 5. – С. 105–108. – DOI: 10.24887/0028-2448-2019-5-105-108.

6. Нечваль А.М., Муратова В.И., Чэнь Ян. Анализ различных факторов, влияющих на эффективность снижения гидравлического сопротивления при добавлении противотурбулентных присадок // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. – 2019. – № 2 (118). – С. 142–152. – DOI: 10.17122/ntj-oil-2019-2-142-152.

7. Николаев А.К., Зарипова Н.А., Матвеева Ю.Г. Исследование эффективности использования суспензионной противотурбулентной присадки M-Flowrate на напорном нефтепроводе // Территория Нефтегаз. – 2019. – № 1–2. – С. 102–110.

8. Определение оптимальной концентрации противотурбулентной присадки с помощью дифференцированного исчисления математического анализа / Т.А. Моисеенко, В.И. Муратова, А.М. Нечваль, Р.Р. Фарухшина // Транспорт и хранение нефтепродуктов и углеводородного сырья. – 2020. – № 3. – С. 35–39. – DOI: 10.24411/0131-4270-2020-10307.

9. Оценка эффективности технологии перекачки нефти с применением противотурбулентных присадок / П.А. Ревель-Муроз, Я.М. Фридлянд, С.Е. Кутуков [и др.] // Нефтяное хозяйство. – 2020. – № 1. – С. 90–95. – DOI: 10.24887/0028-2448-2020-1-90-95.

10. Применение машинного обучения для прогнозирования влияния противотурбулентной присадки на гидравлическую эффективность нефтепроводов / Д.А. Черенцов, В.Ф. Зараев, А.Ю. Мареева [и др.] // Территория Нефтегаз. – 2021. – № 3–4. – С. 14–22.

11. Прогноз гидравлической эффективности при перекачке жидкости с противотурбулентной присадкой с использованием методов численного моделирования / Ян Чэнь, А.М. Нечваль, В.И. Муратова, Пэн Ян // Транспорт и хранение нефтепродуктов и углеводородного сырья. – 2019. – № 2. – С. 9–13. – https://doi.org/10.24411/0131-4270-2019-10202

12. Сравнительный анализ эффективности противотурбулентных присадок в лабораторных условиях / В.И. Муратова, А.Р. Валеев, Ян. Чэнь [и др.] // Транспорт и хранение нефтепродуктов и углеводородного сырья. – 2020. – № 4. – С. 18–23. – DOI: 10.24411/0131-4270-2020-10403

13. CatBoost is a high-performance open source library for gradient boosting on decision trees. https://catboost.ai/

14. https://habr.com/ru/company/ods/blog/322626/

15. https://habr.com/ru/company/ods/blog/424781/


Внимание!
Купить полный текст статьи (формат - PDF) могут только авторизованные посетители сайта.