Вход
  1. Главная
  2. Журналы
  3. «Газовая промышленность»
  4. Газовая промышленность 10.2021
Газовая Промышленность 10.2021

Научная статья

УДК 519.673:622.691.4
(UDK 519.673:622.691.4)

Авторизуйтесь

ГАЗОРАСПРЕДЕЛЕНИЕ И ГАЗОСНАБЖЕНИЕ (GAS DISTRIBUTION AND GAS SUPPLY)

МЕТОДЫ, АЛГОРИТМЫ И ИНСТРУМЕНТЫ МОДЕЛИРОВАНИЯ И ОПТИМИЗАЦИИ РЕЖИМОВ РАБОТЫ ЕДИНОЙ СИСТЕМЫ ГАЗОСНАБЖЕНИЯ РОССИИ НА ОСНОВЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. ЧАСТЬ 2

(METHODS, ALGORITHMS, AND TOOLS FOR MODELING AND OPTIMIZING THE OPERATION MODES OF THE UNIFIED GAS SUPPLY SYSTEM OF RUSSIA BASED ON AN ARTIFICIAL INTELLIGENCE TECHNOLOGY. PART 2)

В работе обсуждаются расчетные задачи оптимизации технологических режимов газотранспортной системы Единой системы газоснабжения России, которые приходится решать при управлении ее функционированием и развитием. В первой части статьи была предложена новая нелинейная оптимизационная модель газотранспортной системы Единой системы газоснабжения, опирающаяся на нейросетевые модели фрагментов системы (ее участков)1.
Во второй части представлены результаты апробации разработанных моделей, полученные с применением существующих отечественных комплексов газодинамического моделирования режимов транспорта газа, нового оригинального нейрогидравлического симулятора газотранспортной системы, описанного в работе, а также современных программных пакетов глубокого машинного обучения и оптимизационных пакетов нелинейного программирования.
Сделан вывод, что дальнейшее развитие гибридного моделирования, сочетающего классические методы газовой динамики и методы машинного обучения, позволит создать новые цифровые инструменты для решения ряда актуальных задач газовой отрасли.

1 Статья «Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 1» была опубликована в журнале «Газовая промышленность» № 9 (821) за 2021 г.

The study discusses process-mode-design optimization problems of the gas transportation system of the Unified Gas Supply System of Russia within its operation and development management. The first part of the article suggested a new nonlinear optimization model of the gas transportation system of the Unified Gas Supply System of Russia. The model is drawn on the neural network models of the system fragments (its sections)2.
The second part presents the in-field test results for the developed models obtained using the existing domestic gas-dynamic simulation packages for gas transportation modes, the new original neural hydraulic simulator of the gas transportation system described in the study, and the advanced deep-learning nonlinear optimization software packages. The conclusion is made that further development of the hybrid modeling that combines classic gas-dynamic and machine learning methods would allow creating new digital tools to resolve a range of relevant problems of the gas industry.

2 The article “Methods, algorithms, and tools for modeling and optimizing the operation modes of the Unified Gas Supply System of Russia based on an artificial intelligence technology. Part 1” was published in Gas Industry journal issue No. 9 (821) in 2021.

ГАЗОТРАНСПОРТНАЯ СИСТЕМА, ЕДИНАЯ СИСТЕМА ГАЗОСНАБЖЕНИЯ, МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, ОПТИМИЗАЦИЯ, ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ, МАШИННОЕ ОБУЧЕНИЕ, НЕЙРОННАЯ СЕТЬ

GAS TRANSPORTATION SYSTEM, UNIFIED GAS SUPPLY SYSTEM, MATHEMATICAL MODELING, OPTIMIZATION, ARTIFICIAL INTELLIGENCE, MACHINE LEARNING, NEURAL NETWORK

Н.А. Кисленко, к.т.н., ПАО «Газпром» (Санкт-Петербург, Россия), ООО «НИИгазэкономика» (Москва, Россия)

А.В. Белинский, к.т.н., ООО «НИИгазэкономика»

А.С. Казак, д.т.н., ООО «НИИгазэкономика»

N.A. Kislenko, PhD in Engineering, Gazprom PJSC (Saint Petersburg, Russia), NIIGazekonomika LLC (Moscow, Russia)

A.V. Belinskiy, PhD in Engineering, NIIgazekonomika LLC

A.S. Kazak, DSc in Engineering, NIIgazekonomika LLC

Kingma D.P., Ba J. Adam: A method for stochastic optimization // Proceedings of the 3rd International Conference for Learning Representations / Y. Bengio, Y. LeCun (eds.). San Diego, CA, USA: ICLR, 2015 [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/1412.6980 (дата обращения: 26.09.2021).

СТО Газпром 2-3.5-051–2006. Нормы технологического проектирования магистральных газопроводов [Электронный ресурс]. Режим доступа: ограниченный.

Белинский А.В. Deep Reinforcement Learning в управлении крупными инженерными системами // Альманах «Искусственный интеллект». Обучение с подкреплением. Аналитический сборник № 7 / под ред. С. Шумского. М.: Центр Национальной технологической инициативы на базе МФТИ по направлению «Искусственный интеллект», 2020. С. 66–74.

Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). М.: Нефть и газ, 2005.

Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 1 // Газовая промышленность. 2021. № 9 (821). С. 88–96.

Abadi M., Barham P., Chen J., et al. TensorFlow: A system for large-scale machine learning // Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI’ 16). Savannah, GA, USA: USENIX Association, 2016. P. 265–283.

Wächter A., Biegler L.T. On the implementation of an interior-point filter line-search algorithm for large-scale nonlinear programming // Mathematical Programming. 2006. Vol. 106. No. 1. P. 25–57. DOI: 10.1007/s10107-004-0559-y.

Усков Е.И. Численное сравнение оптимизационных алгоритмов // Теоретические и прикладные задачи нелинейного анализа: сб. статей / отв. ред. В.А. Березнев. М.: Вычислительный центр им. А.А. Дородницына РАН, 2012. С. 118–131.

Johnson S.G. The NLopt nonlinear-optimization package [Электронный ресурс]. Режим доступа: http://github.com/stevengj/nlopt (дата обращения: 26.09.2021).

Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, MA, USA: MIT Press, 2016.

СТО Газпром 093–2011. Компьютерные программно-вычислительные комплексы моделирования и оптимизации режимов систем добычи и трубопроводного транспорта газа. Методики оценки. Методы испытаний [Электронный ресурс]. Режим доступа: ограниченный.

Кисленко Н.А., Белинский А.В., Казак А.С., Белинская О.И. Краткосрочное стохастическое прогнозирование динамики потоков и запасов газа в Единой системе газоснабжения России на основе рекуррентных нейронных сетей // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2021. № 9 (578). С. 27–35. DOI: 10.33285/0132-2222-2021-9(578)-27-35.

Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. Vol. 9. No. 8. P. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.

Belinsky A., Afanasev V. Optimal control of energy pipeline systems based on deep reinforcement learning // “Smart Technologies” for Society, State and Economy. ISC 2020. Lecture Notes in Networks and Systems. Vol. 155 / E.G. Popkova, B.S. Sergi (eds.). Cham, Switzerland: Springer, 2021. P. 1348–1355. DOI: 10.1007/978-3-030-59126-7_148.

Kingma DP, Ba JL. Adam: A method for stochastic optimization. In: Bengio Y, LeCun Y. (eds.) Proceedings of the 3rd International Conference for Learning Representations, 7–9 May 2015, San Diego, CA, USA. San Diego, CA, USA: ICLR; 2015. Available from: https://arxiv.org/abs/1412.6980 [Accessed: 26 September 2021].

OAO Gazprom (open joint-stock company). STO Gazprom 2-3.5-051–2006 (company standard). Process design code for main gas pipelines. [Access restricted].

Belinskiy AV. Deep reinforcement learning in managing large engineering systems. In: Shumskiy S. (ed.) Artificial Intelligence almanac. Reinforcement Learning. Analytical report No. 7. Moscow: Center of Artificial Intelligence NTI MIPT [Centr Nacional'noj tekhnologicheskoj iniciativy na baze MFTI po napravleniyu “Iskusstvennyj intellekt”]; 2020. p. 66–74. (In Russian)

Sardanashvili SA. Computing Methods and Algorithms (Gas Pipeline Transportation). Moscow: Oil & Gas [Neft' i gaz]; 2005. (In Russian)

Kislenko NA, Belinskiy AV, Kazak AS. Methods, algorithms, and tools for modeling and optimizing the operation modes of the Unified Gas Supply System of Russia based on an artificial intelligence technology. Part 1. Gas Industry [Gazovaya promyshlennost']. 2021; 821(9): 88–49. (In Russian)

Abadi M, Barham P, Chen J, Chen Zh, Davis A, Dean J, et al. TensorFlow: A system for large-scale machine learning. In: USENIX Association Proceedings of the 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI’ 16), 2–4 November 2016, Savannah, GA, USA. Savannah, GA, USA: USENIX Association; 2016. p. 265–283.

Wächter A, Biegler LT. On the implementation of an interior-point filter line-search algorithm for large-scale nonlinear programming. Mathematical Programming. 2006; 106(1): 25–57.

Uskov EI. Numerical comparison of optimization algorithms. In: Bereznev VA. (ed.) Theoretical and applied problems of nonlinear analysis. Moscow: Dorodnicyn Computing Centre of the Russian Academy of Sciences [Vychislitel'nyy tsentr im. A.A. Dorodnitsyna RAN]; 2012. p. 118–131. (In Russian)

Johnson SG. The NLopt nonlinear-optimization package. Available from: http://github.com/stevengj/nlopt [Accessed: 26 September 2021].

Goodfellow I, Bengio Y, Courville A. Deep Learning. Cambridge, MA, USA: MIT Press; 2016.

Gazprom. STO Gazprom 093–2011. Computer software packages for modeling and optimizing gas production and pipeline transportation system modes. Evaluation procedures. Test methods. [Access restricted].

Kislenko NA, Belinsky AV, Kazak AS, Belinskaya OI. Short-term stochastic forecasting of the dynamics of gas flows and reserves in the Unified Gas Supply System of Russia based on recurrent neural networks. Automation, Telemetry, and Communication in the Oil Industry [Avtomatizaciya, telemekhanizaciya i svyaz' v neftyanoj promyshlennosti]. 2021; 578(9): 27–35. (In Russian)

Hochreiter S, Schmidhuber J. Long short-term memory. Neural Computation. 1997; 9(8): 1735–1780.

Belinsky A., Afanasev V. Optimal control of energy pipeline systems based on deep reinforcement learning. In: Popkova EG, Sergi BS. (eds.) “Smart Technologies” for Society, State and Economy. ISC 2020. Lecture Notes in Networks and Systems. Vol. 155. Cham, Switzerland: Springer; 2021. p. 1348–1355.

Перевод выполнен Moscow Translation Agency

Назад к журналу
ТЕРРИТОРИЯНЕФТЕГАЗ

Внимание к деталям — от идеи
до воплощения! Только актуальная информация и свежие новости.

Журналы

Контент

О нас

Контакты