«Автоматизация и информатизация ТЭК»

Нейрогидравлические сети для оценки производственной мощности эксплуатируемых и развивающихся газотранспортных систем

УДК: 519.673
DOI: -

Авторы:

¹ НИИгазэкономика, Москва, Россия

Ключевые слова: моделирование, пропускная способность, газотранспортная система, графовая нейронная сеть, нейрогидравлическая сеть

Аннотация:

Составление рациональных планов эксплуатации и развития газоснабжения основано на моделировании потоков газа в Единой газотранспортной системе (ГТС) России. Планируемые схемы потоков должны быть технологически реализуемы, т. е. ГТС должна обладать достаточными резервами производственной мощности. При наличии в ГТС "узких" мест разрабатываются технические и организационные решения по их устранению. Оценка технически возможной пропускной способности (ТВПС) действующих участков ГТС, а также поиск рациональных решений по реконструкции и развитию мощностей традиционно выполняются экспертами на основе результатов многовариантных гидравлических и технико-экономических расчетов. Задача является комбинаторной. Например, при долгосрочном планировании требуется осуществить обоснованный выбор между многочисленными вариантами расширения мощностей, а в задачах планирования ремонтных работ – выбрать объемы работ и очередность их проведения. Решение этих задач требует значительных временных затрат, так как расчет ТВПС каждого участка ГТС занимает довольно продолжительное время. В статье представлен новый метод оценки ТВПС действующих и развивающихся участков ГТС. Метод основан на применении нейрогидравлической сети – специальной нейронной сети, аппроксимирующей множество решений этой задачи. Предложенная сеть базируется на архитектуре физически-информированной графовой нейронной сети и позволяет моделировать теплогидравлические режимы работы участков ГТС. Используя на входе матрицу инциденций, характеристики объектов участка ГТС и граничные условия, нейрогидравлическая сеть прогнозирует значение ТВПС этого участка. Применение идей дифференцируемой физики позволило создать полностью автодифференцируемую реализацию модели, учитывающую различные нюансы физических соотношений между моделируемыми параметрами, известных из теории гидравлических цепей. Предложен оригинальный способ обучения нейронной сети, который опирается на идеи методов глобального градиента и расширенного лагранжиана. Исследования обобщающей способности показали, что обученная нейрогидравлическая сеть обеспечивает приемлемые (для оценочных и предпроектных расчетов) результаты оценки ТВПС для широкого спектра реальных участков ГТС. При этом она обладает высокой вычислительной производительностью, на 3–4 порядка превосходящей традиционные алгоритмы оценки ТВПС. Отмечается, что основное назначение нейрогидравлических сетей состоит не в замене гидравлических моделей, а в предоставлении эффективного инструмента для исследования широкого спектра альтернативных вариантов эксплуатации и развития систем газоснабжения.

Список литературы:

1. Меренков А.П., Хасилев В.Я. Теория гидравлических цепей. – М.: Наука, 1985. – 279 с.
2. Сухарев М.Г., Ставровский Е.Р. Оптимизация систем транспорта газа. – М.: Недра, 1975. – 277 с.
3. Сухарев М.Г., Самойлов Р.В. Анализ и управление стационарными и нестационарными режимами транспорта газа. – М.: Издательский центр РГУ нефти и газа (НИУ) имени И.М. Губкина, 2017. – 399 с.
4. Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). – М.: Изд-во "Нефть и газ" РГУ нефти и газа имени И.М. Губкина, 2005. – 577 с.
5. Сухарев М.Г., Попов Р.В. Состояние и перспективы совершенствования математического и компьютерного обеспечения в сфере оперативного управления и среднесрочного планирования режимов крупномасштабных газотранспортных систем // Научно-технический сборник Вести газовой науки. – 2018. – № 2(34). – С. 4–13.
6. Об обоснованности применения, современном состоянии и некоторых перспективах развития нейросетевых моделей Единой системы газоснабжения России / Н.А. Кисленко, А.В. Белинский, А.С. Казак, О.И. Белинская // Автоматизация и информатизация ТЭК. – 2022. – № 5(586). – С. 6–17. – DOI: 10.33285/2782-604X-2022-5(586)-6-17
7. Разработка и апробация методических подходов и цифровых технологий нейросетевого прокси-моделирования установившегося двухфазного течения многокомпонентной смеси в системах сбора и промысловой подготовки газа (на примере Чаяндинского НГКМ) / А.В. Белинский, В.А. Маришкин, В.В. Самсонова, П.В. Пятибратов // Автоматизация и информатизация ТЭК. – 2024. – № 4(609). – С. 44–59.
8. О новом методе цифрового моделирования нестационарных режимов течения газа в магистральных газопроводах с применением нейронных операторов / А.В. Белинский, Д.В. Горлов, И.А. Пятышев, А.Е. Титов // Газовая промышленность. – 2024. – № 5(865). – С. 54–66.
9. Белинский А.В. Имитационная нестационарная гибридная модель крупной газотранспортной системы с аппаратным ускорением вычислений на графических процессорах // Автоматизация и информатизация ТЭК. – 2025. – № 2(619). – С. 34–47.
10. Ramsundar В., Krishnamurthy D., Viswanathan V. Differentiable Physics: A Position Piece. – 2021. – DOI: 10.48550/arXiv.2109.07573
11. Blondel M., Roulet V. The Elements of Differentiable Programming. – 2024. – DOI: 10.48550/arXiv.2403.14606
12. СТО Газпром 2-3.5-051-2006. Нормы технологического проектирования магистральных газопроводов. – М.: ИРЦ Газпром, 2006. – VIII, 196 с.
13. Корельшнейн Л.Б., Пашенкова Е.С. Опыт использования методов глобального градиента и декомпозиции при расчете установившегося неизотермического течения жидкостей и газов в трубопроводах // Трубопроводные системы энергетики. Математическое моделирование и оптимизация. – Новосибирск: Наука, 2010. – С. 103–114.
14. Kingma D., Ba J. Adam: A Method for Stochastic Optimization // 3rd International Conference on Learning Representations (ICLR 2015), San Diego, CA, USA, May 7–9, 2015. – DOI: 10.48550/arXiv.1412.6980