Авторы:
В.Ф. Зараев; ООО «Тюменский нефтяной научный центр» (Тюмень, Россия)
Д.А. Черенцов, e-mail: dacherentsov@tnnc.rosneft.ru; ООО «Тюменский нефтяной научный центр» (Тюмень, Россия), Федеральное государственное бюджетное образовательное учреждение высшего образования «Тюменский индустриальный университет» (Тюмень, Россия).
А.Ю. Мареева; ООО «Тюменский нефтяной научный центр» (Тюмень, Россия)
А.В. Стрекалов; ООО «Тюменский нефтяной научный центр» (Тюмень, Россия)
С.П. Пирогов, Федеральное государственное бюджетное образовательное учреждение высшего образования «Тюменский индустриальный университет» (Тюмень, Россия).
Литература:
-
Тарасов М.Ю., Южаков И.С., Классен В.В. Промысловые исследования антитурбулентных присадок для повышения пропускной способности нефтепроводов, транспортирующих тяжелые нефти // Нефтяное хозяйство. 2011. № 10. С. 117–119.
-
Ревель-Муроз П.А., Фридлянд Я.М., Кутуков С.Е. и др. Оценка эффективности технологии перекачки нефти с применением противотурбулентных присадок // Нефтяное хозяйство. 2020. № 1. С. 90–95.
-
Голунов Н.Н. Влияние малых противотурбулентных присадок на гидравлическую эффективность и смесеобразование при последовательной перекачке нефтепродуктов // Территория «НЕФТЕГАЗ». 2018. № 6. С. 92–97.
-
Гареев М.М, Альмухаметова Д.А, Ахметвалиева Г.Ф. Обоснование методов прогнозирования эффективности противотурбулентных присадок при перекачке нефти и нефтепродуктов по трубопроводам разного диаметра // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2018. № 2. C. 10–15.
-
Чэнь Ян, Нечваль А.М., Муратова В.И., Ян Пэн. Прогноз гидравлической эффективности при перекачке жидкости с противотурбулентной присадкой с использованием методов численного моделирования // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2019. № 2. С. 9–13.
-
Гильмияров Е.А., Шакиров Е.Р. Анализ расчетных зависимостей влияния противотурбулентных присадок на гидродинамические параметры перекачиваемой жидкости // Материалы Международной научно-практической конференции «Булатовские чтения». 2019. Т. 3. C. 147–150.
-
Стрекалов А.В., Хусаинов А.Т. Математическое моделирование процессов нефтедобычи на основе нейронных сетей. Тюмень: ТюмГНУ, 2013. 164 с.
-
Андронов Ю.В., Стрекалов А.В. Применение нейронных сетей для прогнозирования эффективности гидравлического разрыва пласта (ГРП) // Нефтегазовое дело. 2014. Т. 12. № 2. С. 64–68.
-
Чубукова И.А. Data Mining: учебное пособие. М.: Интернет-университет информационных технологий; БИНОМ: Лаборатория знаний, 2006. 382 с.
HTML
Приоритетным направлением деятельности ПАО «НК «Роснефть» является нефтедобыча, а одним из ключевых активов – Уватский проект. ООО «РН-Уватнефтегаз» осуществляет разведку и добычу углеводородов
на 37 нефтяных и одном нефтегазоконденсатном месторождении на юге Тюменской области. Промышленная добыча была начата в 1992 г. на Кальчинском месторождении. В активную фазу развития нефтяная провинция перешла к 2007 г., когда была получена первая нефть на самых крупных и удаленных от пункта сдачи нефти месторождениях проекта – Усть-Тегусском и Урненском. На сегодняшний день добыча на данных месторождениях постепенно переходит в позднюю фазу, наблюдается снижение объемов извлекаемой нефти, что требует проведения мероприятий для поддержания требуемого уровня добычи и выполнения плановых показателей.
В настоящее время плановые показатели добычи рассматриваемой группы месторождений обеспечиваются за счет проведения таких мероприятий, как увеличение фонда добывающих скважин, в т. ч. ввод в эксплуатацию новых месторождений, проведение геолого-технических мероприятий, применение методов увеличения нефтеотдачи пластов.
Применение данных технологий зачастую приводит к перераспределению загрузки объектов инфраструктуры, расположенных в различных районах. Так, при сохранении общего объема добычи у объектов с высокой загрузкой происходит ее уменьшение и, напротив, на объектах, ранее эксплуатировавшихся в режиме номинальной загрузки, наблюдается превышение пропускной способности. Причем стоит отметить, что превышение пропускной способности ряда объектов инфраструктуры выше предельных значений может служить причиной ограничений по добыче нефти.
Одним из таких объектов является межпромысловый нефтепровод, транспортирующий подготовленную до товарного качества нефть от рассматриваемой группы месторождений. Анализ актуального прогноза добычи свидетельствует о том, что в ходе эксплуатации участка межпромыслового нефтепровода от центральной перекачивающей станции (ЦПС) Тямкинского месторождения до установки подготовки нефти (УПН) Кальчинского месторождения может наблюдаться превышение его предельной пропускной способности. Профиль-дизайн перспективной загрузки трубопровода представлен на рис. 1.
ВЫБОР МЕТОДА УВЕЛИЧЕНИЯ ПРОПУСКНОЙ СПОСОБНОСТИ НЕФТЕПРОВОДА
В целях обеспечения бесперебойной работы трубопровода необходимо предусмотреть мероприятия по увеличению его пропускной способности. Применительно к рассматриваемому участку были рассмотрены следующие варианты:
1) строительство лупинга всего трубопровода;
2) строительство участка трубопровода-лупинга определенной длины и большего диаметра, чем в варианте 1;
3) строительство дополнительной промежуточной насосной станции по трассе трубопровода;
4) применение противотурбулентных присадок (ПТП).
Выбор рекомендуемого варианта увеличения пропускной способности трубопровода осуществлялся по результатам технико-экономической оценки, в рамках которой сравнивались, в частности, такие экономические показатели, как капитальные вложения (CAPEX), операционные затраты (OPEX), чистая приведенная стоимость, т. е. денежные затраты, дисконтированные по утвержденной ставке дисконтирования (NPC) (табл. 1).
Технологические характеристики для вариантов 1–3 определялись по результатам гидравлических расчетов в корпоративном и отраслевом программном обеспечении («РН-КИН», PIPESIM). Оптимальная концентрация ПТП для варианта 4 принималась по результатам опытно-промышленных испытаний (ОПИ), проведенных ООО «РН-Уватнефтегаз». Результаты технико-экономической оценки вариантов показали, что наиболее привлекательным является вариант с применением ПТП, как обладающий наименьшим NPC.
На Уватском проекте ранее уже проводились промысловые исследования влияния ПТП на увеличение пропускной способности трубопроводов товарной нефти, результаты исследований отражены в [1]. Тогда удалось добиться относительного увеличения пропускной способности системы межпромысловых трубопроводов на 17–31 %, при этом относительное снижение перепада давления составило 7–9 %.
Эффект снижения гидравлического сопротивления турбулентного потока при применении ПТП, впервые обнаруженный английским химиком Б. Томсоном в 1948 г., обусловлен увеличением толщины вязкого пограничного подслоя у трубопровода и, как следствие, уменьшением турбулентных пульсаций у стенок трубопровода, за счет чего происходит общее снижение степени турбулентности потока.
Применение ПТП имеет большую популярность в трубопроводном транспорте нефти [2, 3]. Применительно к исследуемому участку трубопровода стоит отметить такие преимущества применения ПТП, как:
1) минимизация рисков по планированию проектной мощности объектов на месторождениях с так называемыми неуверенными запасами;
2) возможность использования ПТП в пиковые годы добычи, что способствует минимизации капитальных вложений;
3) высокая скорость реализации варианта 4 по сравнению с вариантами 1–3;
4) отсутствие влияния на качество товарной (подготовленной) нефти ввиду малой концентрации ПТП.
Вопросу определения гидравлического сопротивления трубопроводов при применении ПТП посвящено большое количество работ, например [4–6]. Однако на практике использование предложенных зависимостей не всегда является возможным либо данные, полученные в результате их применения, характеризуются неудовлетворительной сходимостью расчетных и фактических величин. Таким образом, разработка метода оценки эффективности применения определенной марки и концентрации ПТП в реальных условиях с учетом промысловых данных остается актуальной задачей.
Одной из причин неудовлетворительной сходимости расчетных и фактических значений перепадов давления является постепенное разрушение (деструкция) высокомолекулярных полимеров, из которых состоят ПТП, в процессе транспорта добываемого флюида. По мере разрушения ПТП эффективность ее действия снижается до исходного значения гидравлического сопротивления нефтепровода, без добавления ПТП, т. е. в нефтепроводах при добавлении ПТП ее воздействие будет непостоянным, а зависимость падения давления является нелинейной функцией n-переменных. Это дает возможность для прогнозирования гидравлической эффективности нефтепроводов при применении ПТП использовать методы интеллектуального анализа данных (англ. Data Mining).
ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭФФЕКТИВНОСТИ ПРИМЕНЕНИЯ ПРОТИВОТУРБУЛЕНТНОЙ ПРИСАДКИ
В Data Mining для решения задачи регрессии используется машинное обучении (МО), перспективность применения которого в различных областях подтверждена многочисленными исследованиями. В [7, 8] отражено, в частности, успешное использование МО для решения прикладных задач в нефтегазодобывающей промышленности.
В [9] представлен сравнительный анализ (рис. 2) характеристик моделей МО для решения задачи регрессии.
Каждая из моделей имеет свои преимущества и недостатки. Наибольшая точность искусственной нейронной сети (ИНС) для решения задачи регрессии функции n-переменных обусловливается тем, что вид целевой функции заранее неизвестен и применение линейной или нелинейной регрессии не даст нужной точности, тогда как в ходе обучения ИНС (аппроксимации функции) происходит поиск функции, наиболее точно описывающей целевую зависимость. При качественном обучении ИНС может выдавать прогнозы с достаточно низкой погрешностью, причем прогноз будет устойчив к искаженным данным. Кроме того, можно делать прогноз в отсутствие некоторых входных данных на основе обобщения.
Основной элемент ИНС – искусственный нейрон, аналогом которого является биологический нейрон – нервная клетка, способная принимать, преобразовывать и передавать различные сигналы, поступающие извне.
Искусственный нейрон работает по следующему принципу: на вход поступает n-е количество x-сигналов, каждый из которых умножается на соответствующий ему вес w. Сумма преобразованных сигналов сравнивается с некоторым порогом . По результатам сравнения сигнал либо глушится, либо преобразуется с помощью функции активации и подается на вход следующего нейрона.
Искусственные нейроны, объединенные в группы, образуют ИНС. В ходе обучения ИНС происходит поиск функции, наиболее точно описывающей целевую зависимость, что достигается путем последовательного изменения весовых коэффициентов w.
Процесс обучения ИНС для прогнозирования гидравлической эффективности нефтепроводов при применении ПТП разделен на следующие этапы.
Сбор исходной информации для обучения
В качестве исходных данных для прогнозирования гидравлической эффективности нефтепроводов при применении разных марок ПТП были использованы режимные листы работы двух напорных нефтепроводов за 2019 г. (табл. 2).
Выбор архитектуры
и параметров ИНС
В качестве входных параметров ИНС используются основные параметры, требуемые для гидравлического расчета:
• внутренний диаметр трубопровода Dвн, мм;
• расход нефти Qн, т / сут;
• плотность нефти, пересчитанная на температуру транспортировки, н, кг / м3;
• вязкость нефти, пересчитанная на температуру транспортировки, н, Па.с;
• расход ПТП qптп, т / сут;
• плотность ПТП, пересчитанная на температуру транспортировки, птп, кг / м3;
• вязкость ПТП, пересчитанная на температуру транспортировки, птп, Па.с.
Выходной величиной принят градиент давления:
, (1)
где Pн, Pк – давление в начале и конце участка трубопровода соответственно, МПа; L – длина участка трубопровода, м.
Прогнозирование градиента давления обусловлено тем, что можно определить, во‑первых, перепад давления для любой длины участка трубопровода и, во‑вторых, как давление в конце участка при известном начальном давлении, так и необходимое начальное давление для обеспечения целевого значения конечного давления.
Архитектура ИНС представляет собой двухслойный перцептрон (рис. 4) с одним скрытым слоем. Активационные функции на скрытом слое – сигмоида, на выходе – линейная функция.
Количество нейронов на скрытом слое определяется из следствия теоремы Арнольда – Колмогорова – Хехт-Нильсена:
, (2)
где Ny – размерность выходного сигнала; Q – число элементов множества обучающихся примеров; Nw – необходимое число синаптических связей; Nх – размерность входного сигнала.
Количество нейронов на скрытом слое, обеспечивающих наибольшую точность, составило 120.
Задание алгоритма и параметров обучения
В качестве алгоритма обучения ИНС использовался алгоритм Левенберга –
Марквардта. Контроль переобучения ИНС проводился за счет остановки обучения по достижении точки, после которой начинался рост квадратичной ошибки для тестовой выборки.
Стоит отметить, что для обучения ИНС можно использовать такие популярные программные средств, как Python, MATLAB, Statistica, Azure Machine Learning и пр.
Оценка достоверности обучения
В целях оценки достоверности ИНС были исследованы режимные листы за 2020 г. (данные не участвовали в обучении), в табл. 3 представлены результаты тестирования сети.
Исследование показало, что применение ИНС дает адекватные прогнозы по сравнению с аналитическими зависимостями, где отклонения достигают 40 %. Следовательно, можно сделать вывод, что имитационное моделирование на основе ИНС может применяться в качестве метода оценки необходимого объема и марки ПТП для обеспечения требуемой гидравлической эффективности нефтепроводов.
Необходимо, впрочем, отметить, что данный метод нуждается в доработке, поскольку на основе обучающей выборки данных всего с двух участков трубопроводов при отсутствии глубокого анализа результатов нельзя с большой уверенностью полагаться на прогнозы ИНС для новых трубопроводов.
В дальнейшем с помощью ИНС планируется провести детальный анализ влияния различных параметров и условий на гидравлическую эффективность нефтепроводов при применении ПТП.
ВЫВОДЫ
1. Проведено сравнение вариантов увеличения пропускной способности трубопровода, в т. ч. с применением ПТП. Применение ПТП показало бль-
шую экономическую эффективность по сравнению с другими вариантами.
2. Применение ПТП позволяет:
• минимизировать риски планирования проектной мощности объектов на месторождениях с неуверенными запасами;
• использовать ПТП в пиковые годы добычи, минимизируя капитальные вложения;
• добиться повышения гидравлической эффективности нефтепровода за более короткий срок по сравнению со строительством лупингов и НПС;
• не оказывать влияния на качество товарной (подготовленной) нефти при добавлении ПТП ввиду малой концентрации присадки.
3. Предложен подход к использованию ИНС для подбора дозировки ПТП в целях достижения требуемой пропускной способности трубо-
провода.
4. Установлено, что имитационное моделирование на основе ИНС может применяться в качестве метода оценки оптимальной концентрации ПТП для обеспечения требуемой гидравлической эффективности нефте-
проводов.
Таблица 1. Экономическая оценка вариантов увеличения пропускной способности нефтепровода
Table 1. Economic assessment of options to increase oil pipeline capacity
Экономические показатели, млн руб. Economic indicators, million roubles |
Варианты увеличения пропускной способности Options to increase capacity |
|||
1 – строительство трубопровода-лупинга всего трубопровода 1 – construction of looping pipeline of the entire pipeline |
2 – строительство участка трубопровода-лупинга определенной длины, но большего диаметра, чем в варианте 1 2 – construction of a section of looping pipeline of a certain length, but larger diameter than in option 1 |
3 – строительство дополнительной промежуточной насосной станции на трассе трубопровода 3 – construction of an additional intermediate pumping station along the pipeline route |
4 – применение противотурбулентных присадок 4 – use of anti-turbulence additives |
|
CAPEX |
3882 |
3246 |
3419 |
10 |
OPEX |
954 |
681 |
12 673 |
1684 |
NPC |
1665 |
1389 |
1749 |
334 |
Таблица 2. Фрагмент режимного листа работы напорного нефтепровода
Table 2. Fragment of the pressure oil pipeline operation sheet
Время измерения Measuring time |
Центральная перекачивающая станция Тямкинского месторождения
Central pumping station |
Установка подготовки нефти Кальчинского месторождения Kalchinskoye oil treatment unit |
Загрузка трубопровода, % Pipeline loading, % |
Расход противотурбулентной присадки, г/т Consumption of anti-turbulence additive, g/t |
||
Давление Outlet pressure, kgf/cm2 |
Температура Output temperature, °C |
Давление
Inlet pressure, |
Температура
Inlet |
|||
01.01.2019 12:00 |
52,8 |
38,9 |
1,9 |
26,7 |
127,7 |
28,8 |
15.01.201 12:00 |
53,8 |
38,3 |
1,8 |
26,3 |
124,3 |
28,2 |
01.02.2019 12:00 |
50,8 |
37,6 |
1,7 |
26,1 |
125,5 |
25,1 |
15.02.2019 12:00 |
54,0 |
39,0 |
1,8 |
26,2 |
123,5 |
24,6 |
01.03.2019 12:00 |
47,5 |
37,9 |
1,7 |
26,0 |
139,4 |
21,5 |
15.03.2019 12:00 |
48,6 |
38,2 |
1,6 |
25,5 |
115,9 |
19,8 |
01.04.2019 12:00 |
39,2 |
36,4 |
1,4 |
24,4 |
108,3 |
19,7 |
15.04.2019 12:00 |
49,4 |
32,8 |
1,7 |
22,3 |
114,9 |
20,3 |
01.05.2019 12:00 |
48,7 |
35,1 |
1,7 |
22,7 |
126,8 |
18,7 |
15.05.2019 12:00 |
38,0 |
33,1 |
1,4 |
21,4 |
98,1 |
15,5 |
01.06.2019 12:00 |
44,1 |
35,5 |
1,5 |
22,1 |
100,9 |
32,9 |
03.06.2019 12:00 |
54,4 |
36,5 |
1,5 |
23,5 |
116,4 |
28,5 |
Таблица 3. Результаты оценки адекватности искусственной нейронной сети
Table 3. Results of artificial neural network adequacy assessment
Дата Date |
Перепад давления, кгс/см2 Pressure drop, kgf/cm2 |
Погрешность , % Inaccuracy , % |
|
Факт Actual |
Прогноз искусственной нейронной сети Artificial neural network prediction |
||
15.01.2020 |
40,5 |
43,9 |
7,8 |
01.02.2020 |
44,4 |
47,9 |
7,3 |
01.03.2020 |
53,2 |
51,0 |
4,4 |
01.04.2020 |
40,1 |
39,2 |
2,4 |
01.05.2020 |
48,5 |
46,4 |
4,6 |