中文題目：基于多層編碼遺傳算法的非集輸井群生產拉運調度協同優化

論文題目：Transportation and production collaborative scheduling optimization with multi-layer coding genetic algorithm for non-pipelined wells

錄用期刊/會議：Heliyon(中科院大類3區)

原文DOI：[10.1016/j.heliyon.2024.e41307]

原文鏈接：https://doi.org/10.1016/j.heliyon.2024.e41307

錄用/見刊時間：2024-12-26

作者列表：

1）李秋實 中國石油長慶油田公司 高級工程師

2）李玉澤 中國石油大學（北京）石油工程學院 油氣田開發工程專業 碩 19

3）孫海桐 中國石油大學（北京）人工智能學院 控制科學與工程專業 碩 24

4）宋   偉 中國石油青海油田公司 高級工程師

5）李宏宏 北京昆侖數智科技有限公司

6）高小永 中國石油大學（北京）人工智能學院 研究生導師

7）檀朝東 中國石油大學（北京）人工智能學院 研究生導師

8）劉瑤筠 天津石油職業技術學院

9）劉紅兵 天津石油職業技術學院

文章簡介:

本文研究了低滲透油田邊際井的生產與運輸協同調度優化問題。針對非集輸井的原油運輸，提出了一種基于多層編碼的遺傳算法，以解決大規模問題中精確算法求解困難的挑戰。為油田快速制定合理的調度計劃，降低運輸成本提供了重要參考。

摘要:

針對低滲透油田邊際井的生產與運輸協同調度問題展開研究。邊際井具有儲量小、分布分散、產量低等特點，采用單井罐儲油和油罐車運輸的方式。當前的調度主要依賴人工經驗，效率低下且難以應對大規模問題。本文提出了一種基于多層編碼的遺傳算法，通過擴展搜索域并結合模型約束，快速求解不同規模問題。實驗結果表明，該算法在大規模問題（如200口井）中表現出色，能夠在短時間內給出可行的調度方案，總行駛距離為11280公里，顯著優于精確算法。

背景與動機:

低滲透油田的邊際井由于產量低、分布分散，建設大規模管道成本過高，因此采用非管道運輸方式。當前的調度依賴人工經驗，難以應對井數和運輸車數量增加的情況，導致生產效率低下、安全隱患增加。為解決這一問題，本文提出了一種基于遺傳算法的優化方法，旨在快速生成合理的調度方案，降低運輸成本并提高生產效率。

設計與實現:

設計了一種基于多層編碼的遺傳算法。第一層編碼表示油罐車的行駛路徑，第二層編碼表示原油的裝卸量和累計時間。算法通過翻轉、交換和移動操作擴展搜索域，結合模型的約束條件，快速生成候選解。此外，算法引入了懲罰函數以處理約束違反的情況，確保生成的調度方案滿足實際生產需求。

主要內容:

1.MILP模型分析

目前已經構建了基于離散時間的生產拉運調度優化模型，該模型以最小化所有油罐車的總行駛距離為目標函數，約束條件包括調度約束和生產約束（詳見原文），然而對于大規模問題，該模型求解往往無法在合理的時間范圍內得出可行解，這極大地影響了模型的實用性和應用范圍。

2.多層編碼染色體設計

針對已有的非集輸井群生產拉運調度MILP模型，設計了一種新的染色體編碼方法。將卡車的任務變量定義為，即某輛卡車從一個非流水線井到下一個非集輸井或在非流水線井原地等待被視為一項任務。每條染色體在解碼后由幾個決策變量組成，染色體中的每個決策變量代表油罐車的當前位置，第一個變量代表第一個變量，以此類推。這些決策變量構成了表示候選解的映射。染色體編碼方法如圖1所示：

圖1 車輛路徑編碼

3.適應度函數和懲罰函數構建

將車輛行駛的最短時間作為適應度函數，表示為f(x)，將其映射到代碼中，作為每個chrom中決策變量之間距離的總和。懲罰函數由兩部分組成，如公式（1）所示，第一部分是在調度過程中，當單拉罐的罐容量超過最大罐容量時，在適應度函數中添加懲罰時間；第二部分是在調度過程中，當卸載點超過最大儲罐容量時，在適應度函數中添加懲罰時間。這里和被設置為相當大的數字，這是為了更容易判斷后續操作的結果是否違反了約束并受到懲罰。計算過程如圖2所示。

圖2 適應度函數計算偽代碼

4.最優方案求解對比

使用中國XX油田作為該模型的生產調度場景。調用求解器（精確算法），并使用本文設計的遺傳算法求解模型。設置了不同梯度尺度的案例進行模擬計算和對比。案例規模和參數設置如表1所示。

表1 案例規模設置

實驗結果及分析:

針對不同規模的非集輸井生產與運輸調度問題進行精確算法求解?？梢钥闯?，小規模問題（案例1至3）在較短調度周期內可找到可行解，但隨著周期增長或規模擴大（案例4），精確算法求解時間顯著增加，甚至無法在合理時間內獲得解。

表2 精確算法求解結果

使用本文設計的遺傳算法進行求解，得到結果如表3所示?？梢钥闯?，該遺傳算法可以在短時間內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模長周期調度問題時計算時間過長以及在求解大規模長周期調度問題時難以找到最優解的局限性。

表3 遺傳算法求解結果

 

以案例4為展示，圖3展示了計算過程中的適應度曲線，可以看出最優解為11280公里，圖4顯示了整個調度過程中每個單井罐的油量變化，各顏色代表不同的油井，橫軸為時間，縱軸為油量。設定單井罐的最大容量為20立方米，從圖4可以看出，調度過程中所有單井罐均未超出容量，滿足模型約束。

圖3 適應度進化曲線  

圖4 油量隨時間變化圖  

綜上對比得出，遺傳算法在所有案例中均能快速給出可行解，尤其在大規模問題中表現出色。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公里的調度方案，顯著優于精確算法。

結論:

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與運輸協同調度問題，尤其在大規模問題中表現出色。該算法為油田快速制定合理的調度方案提供了有效工具，有助于降低運輸成本并提高生產效率。未來的研究可以考慮將精確算法與啟發式算法結合，或引入多種啟發式算法以進一步提高求解效率。

通訊作者簡介:

檀朝東，博士，教授，正高級工程師，博士生導師，人工智能學院教師。主要從事檢測技術與自動化裝置、數據驅動理論與方法等教學和科研，致力于低碳智能油氣田、油氣生產物聯網大數據和油氣舉升設備故障診斷的關鍵核心技術研究及應用。