[发明专利]基于改进人工蜂群算法的注汽锅炉配汽优化方法

摘要

本发明涉及的是基于改进人工蜂群算法的注汽锅炉配汽优化方法，它建立了蒸汽驱注汽锅炉配汽优化数学模型，引入混沌优化算子产生人工蜂群算法的初始解，依据雇佣蜂的贡献度对雇佣蜂进行自适应动态重组，保证种群的多样性，同时引入极值扰动算子对雇佣蜂个体极值和全局最优值实施随机扰动；在改进人工蜂群算法求解过程中，不同蒸汽驱注汽锅炉配汽方案对应于不同的食物源，每个食物源的适应度用建立的蒸汽驱注汽锅炉配汽优化数学模型获取的累积油汽比进行评价，最后得到的具有最大累积油汽比的食物源即为最优的蒸汽驱注汽锅炉配汽方案。本发明利用改进的人工蜂群算法对注汽锅炉配汽的主要参数即各井组每天的注汽量进行优化，获得最优解。

主权项

1.一种基于改进人工蜂群算法的注汽锅炉配汽优化方法，其特征在于：这种基于改进人工蜂群算法的注汽锅炉配汽优化方法：步骤一：建立蒸汽驱注汽锅炉配汽优化数学模型；在稠油蒸汽驱中，一个注汽锅炉同时为多个井组连续注入蒸汽，根据质量守恒和能量守恒原理，建立蒸汽驱注汽锅炉配汽优化数学模型，该模型满足以下假设条件：①经过几个蒸汽吞吐周期后，地层压力小于5MPa，适于进行蒸汽驱开采；②驱替过程是均质油藏中的一维流动过程，油层厚度大于10m；③油藏中的流体分为蒸汽区、热流体区、原油富集区、原始油藏区4个区，且各自向前推进，各区之间不存在过渡区，当某一区不存在时，其顺序不会改变；④油藏流体和岩石是不可压缩的，且在流动过程中不发生化学反应；⑤蒸汽区中不存在天然气和蒸汽，只存在不流动油和蒸汽(水)；⑥油藏上下盖层性质相同且只有垂向热损失；以各井组累积油汽比之和为优化目标，建立了目标函数F：Vkp＝AkT·hkn·φk    (4)式中：F为待优化性能指标函数，f_k表示第k个井组n个月累积油汽比；n为蒸汽驱连续注入蒸汽时间，单位为月；num为注汽锅炉同时注入蒸汽的井组数；x_ki(i＝1,2,3,…,n)为第k个井组第i个月每天的注汽量，单位为m³；N_kp为第k个井组n个月累积产油量，单位为m³；E_kRo为第k个井组油的综合驱替系数；R_ks为第k个井组溶解气油比，单位为m³/m³；S_koi为第k个井组原始含油饱和度；ρ_koi为第k个井组原始油密度，单位为kg/m³；V_kp为第k个井组孔隙体积，单位为m³；ρ_kgsc为第k个井组气体在标准状况下的密度，单位为kg/m³；A_kT为第k个井组井网面积，单位为m²；h_kn为第k个井组油层有效厚度，单位为m；φ_k为第k个井组孔隙度；E_kA为第k个井组面积扫油效率；为第k个井组油相拟驱替效率；W_kJ为第k个井组累积注入蒸汽量，单位为m³；month_i为第i个月的天数，单位为d；模型约束条件：xmin≤xki≤xmax (k＝1,2,3,…,num,i＝1,2,…,n)     (7)式中：xmin为井组每天最小注汽量，单位为m3；xmax为井组每天最大注汽量，单位为m3；xki为第k个井组第i个月每天的注汽量，单位为m3；GL为注汽锅炉每天提供的总蒸汽量，单位为m3；目标函数式(1)和约束条件式(7)、式(8)构成蒸汽驱注汽锅炉配汽方案优化数学模型；步骤二：获取某稠油油藏区各井组的油藏描述、地层原始条件、地下流体属性、地下岩石属性、注入井、生产井相关参数；步骤三：设定改进人工蜂群算法参数，所述的改进人工蜂群算法参数包括：种群规模SN，蜜源个数N，维数D，最大迭代次数Iter_Max，限制次数Limit，食物源的取值范围[min,max]，雇佣蜂个体极值停滞步数阈值Tid，全局最优值停滞步数阈值Tgd；步骤四：初始迭代次数iter＝0，按照混沌优化算子产生初始解Xi＝(xi,1,xi,2,...,xi,D)，i＝1,2,…,SN；步骤五：根据公式(1)计算解Xi(i＝1,2,…,SN)的适应度值f(Xi)，保存种群最优解Pgbest；步骤六：雇佣蜂i利用式(9)进行解更新，产生新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；vi,j＝xi,j+φi,j·(xi,j‑xk,j)     (9)式中：φi,j是[‑1,1]间的随机数；k∈{1,2,…,SN}是随机选择的一个解，且k≠i；j∈{1,2,…,D}是随机选择的一个维度，trial(i)记录雇佣蜂i的解Xi的适应度值f(Xi)连续limit次没有改变的次数；步骤七：观察蜂按照轮盘赌选择机制，依据式(10)计算选择概率p(Xi)，选出具有较优适应度值的蜜蜂个体，然后由式(9)搜索产生一个新解Vi，计算适应度值f(Vi)；如果新解Vi比Xi好，则Xi＝Vi，trial(i)＝0；否则原解Xi不变，trial(i)＝trial(i)+1；式中：f(Xi)为解Xi的适应度值；步骤八：如果trial(i)＞Limit，则雇佣蜂i被舍弃，变成侦察蜂，利用公式(11)产生一个新的解Xi，trial(i)＝0；xi,j＝xmin,j+rand(0,1)·(xmax,j‑xmin,j)    (11)式中：rand(0,1)是位于[0,1]间的一个随机数，xmin,j和xmax,j分别是第j维变量的最小值和最大值；步骤九：执行自适应动态重组算子，保存较好解；步骤十：执行极值扰动算子，保存种群最优解和雇佣蜂个体极值；步骤十一：计算iter＝iter+1，判断iter＞Iter_Max是否满足，若满足则输出最优解，否则跳到步骤六。