Система поддержки принятия решения по выбору оптимальной температуры захолаживания газа

Введение. Основной задачей на этапе ранней проектной проработки газовых и газоконденсатных месторождений является выбор наиболее эффективной с точки зрения экономических показателей технологии подготовки попутного нефтяного и природного газов. Поиск оптимального решения является достаточно сложной технико-экономической задачей, требующей значительных трудозатрат команды специалистов.
Цель. Целью данной работы является разработка цифрового инструмента на базе мультиагентных систем, позволяющих создавать гибкие и адаптивные системы из множества элементов, взаимодействующих между собой для достижения общей цели.
Материалы и методы. Использованы методы системного инжиниринга, интеллектуальных мультиагентных технологий, а также суррогатного моделирования (прокси-модели на основе искусственного интеллекта).
Результаты. В работе приведены результаты по разработке цифрового инструмента, который позволяет определить оптимальную температуру процесса низкотемпературной сепарации (НТС) и, как результат, оптимальный перечень товарных продуктов для сбыта, необходимые для этого технологии и транспортное окружение.
Заключение. Разработан прототип цифрового инструмента, который может быть использован на этапах концептуального проектирования для решения задач по выбору технологии подготовки газа.

1. Kang X.J., Yuan A.W., Gao J. et al. Neural network method for comprehensive evaluation of oilfield development planning scheme. Spec Oil Gas Res. 2006;13(2):48–50.

2. Park H., Lim J.S., Kang J.M., Roh J., Min B. A hybrid artificial intelligence method for the optimization of integrated gas production system. Нефтегазовая конференция и выставка SPE в Азиатско-Тихоокеанском регионе. — 2006.

3. Xiao D.R., Pan H. Optimization of designing of the oil field exploiting based on fuzzy mathematics and BP neural network. Microcomput Inf. 2010;26(6):209–211.

4. Godarzi A.A., Amiri R.M., Talaei A. et al. Predicting oil price movements: a dynamic artificial neural network approach. Energy Policy. 2014;68(5):371–382.

5. Sun H., Li P.C. Measures optimization for oil and water well based on quantum particle swarm optimization. Comput Technol Dev. 2016;26(9):78–82.

6. Feng G.Q., Pan L.Y., Kong B. et al. Hierarchical optimization research based on fuzzy clustering analysis. Eval Dev Oil Gas Reserv. 2018;3:30–39.

7. Wooldridge M. An introduction to multiagent systems. John wiley & sons, 2009.

8. Hanga K.M., Kovalchuk Y. Machine learning and multi-agent systems in oil and gas industry applications: A survey. Computer Science Review. 2019;34:100191.

9. Weiss G. Multiagent systems: a modern approach to distributed artificial intelligence. MIT press, 1999.

10. Burmeister B., Haddadi A., Matylis G. Application of multi-agent systems in traffic and transportation. IEE Proceedings Software. 1997;144(1):51–60.

11. Merabet G.H. et al. Applications of multi-agent systems in smart grids: A survey. 2014 International conference on multimedia computing and systems (ICMCS). IEEE. 2014; 1088–1094.

12. McArthur S.D.J. et al. Multi-agent systems for power engineering applications—Part I: Concepts, approaches, and technical challenges. IEEE Transactions on Power systems. 2007;22(4):1743–1752.