«Автоматизация и информатизация ТЭК»

Аппроксимация коэффициента сжимаемости газа на основе генетических алгоритмов

УДК: 004.023+004.89+622.691.4
DOI: 10.33285/2782-604X-2023-11(604)-59-68

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: природный газ, уравнение состояния, коэффициент сжимаемости, генетическое программирование, суррогатное моделирование

Аннотация:

Для проведения гидравлических расчетов параметров потока газа в газопроводе необходимо вычислять коэффициент сжимаемости z(p,T), который позволяет учесть отклонение поведения реального газа от идеального. Разработано большое число аппроксимационных зависимостей в явном и неявном виде, основанных на накопленном значительном объеме экспериментальных данных. Расчет коэффициента сжимаемости с учетом компонентного состава газа может быть выполнен на основании уравнения состояния (в последние годы работы большинства исследователей опираются на GERG-2008, AGA8, AGA10), где задача сводится к итерационному методу решения нелинейного уравнения, эта же процедура предложена в [1]. Для моделирования нестационарных режимов газопередачи в магистральных трубопроводах, определения оптимального режима транспорта газа, идентификации параметров газотранспортной системы важнейшую роль играет скорость проведения расчета. С помощью метода генетического программирования (другое название метода – символьная регрессия) в статье построены аппроксимационные зависимости для коэффициента сжимаемости в явном виде и проанализировано качество полученных моделей.

Список литературы:

1. ГОСТ 30319.3-2015. Газ природный. Методы расчета физических свойств. Вычисление физических свойств на основе данных о компонентном составе. – Введ. 2017–01–01. – М.: Стандартинформ, 2016. – III, 28 с.
2. Алексаночкин А.А., Сарданашвили С.А. Расчетные методы определения свойств природного газа по данным о плотности при стандартных условиях, содержании азота и диоксида углерода // Деловой журн. Neftegaz.RU. – 2020. – № 1(97). – С. 78–85.
3. Алексаночкин А.А., Сарданашвили С.А. Расчетные методы определения физических и термодинамических свойств природного газа. Метод разложения неполного компонентного состава природного газа на эквивалентный компонентный состав // Тр. РГУ нефти и газа им. И.М. Губкина. – 2018. – № 3(292). – С. 184–194.
4. Azizi N., Behbahani R.M., Isazadeh M.A. An efficient correlation for calculating compressibility factor of natural gases // J. of Natural Gas Chemistry. – 2010. – Vol. 19, Issue 6. – P. 642–645. – DOI: 10.1016/S1003-9953(09)60081-5
5. Kareem L.A., Iwalewa T.M., Al-Marhoun M. New explicit correlation for the compressibility factor of natural gas: linearized z-factor isotherms // J. of Petroleum Exploration and Production Technology. – 2016. – Vol. 6. – P. 481–492. – DOI: 10.1007/s13202-015-0209-3
6. Hall K.R., Yarborough L. A new equation of state for Z-factor calculations // Oil Gas J. – 1973. – Vol. 71, Issue 25. – P. 82–92.
7. A novel efficient model for gas compressibility factor based on GMDH network / Luan Lin, Shiyang Li, Sihao Sun [et al.] // Flow Measurement and Instrumentation. – 2020. – Vol. 71. – P. 101677. – DOI: 10.1016/j.flowmeasinst.2019.101677
8. Azizi N., Rezakazemi M., Zarei M.M. An intelligent approach to predict gas compressibility factor using neural network model // Neural Computing and Applications. – 2019. – Vol. 31. – P. 55–64. – DOI: 10.1007/s00521-017-2979-7
9. Koza J.R. Genetic programming: on the programming of computers by means of natural selection. – Cambridge, Mass.: The MIT Press, 1992. – XIV, 819 p.
10. Searson D.P., Leahy D.E., Willis M.J. Predicting the toxicity of chemical compounds using GPTIPS: A free genetic programming toolbox for MATLAB // Lecture Notes in Electrical Engineering. – 2011. – Vol. 70. Intelligent Control and Computer Engineering. – P. 83–93. – DOI: 10.1007/978-94-007-0286-8_8
11. Gandomi A.H., Alavi A.H. A new multi-gene genetic programming approach to non-linear system modeling. Part II: geotechnical and earthquake engineering problems // Neural Computing and Applications. – 2012. – Vol. 21. – P. 189–201. – DOI: 10.1007/s00521-011-0735-y
12. Praks P., Brkic D. Symbolic Regression-Based Genetic Approximations of the Colebrook Equation for Flow Friction // Water. – 2018. – Vol. 10, Issue 9. – P. 1175. – DOI: 10.3390/w10091175
13. Kochueva O.N. Feature Selection for a Fuzzy Classification Model Based on a Genetic Algorithm // Распределенные компьютерные и телекоммуникационные сети: управление, вычисление, связь (DCCN-2022) = Distributed computer and communication networks: control, computation, communications (DCCN-2022): материалы XXV Междунар. науч. конф., М., 26–30 сент. 2022 г. – М.: Российский университет дружбы народов (РУДН), 2022. – С. 168–175.
14. Кочуева О.Н. Разработка моделей прогнозирования выбросов оксидов углерода и азота газовых турбин на основе генетических алгоритмов // Деловой журн. Neftegaz.RU. – 2022. – № 5-6(125-126). – С. 14–20.
15. Jinbo Bi, Bennett K.P. Regression Error Characteristic Curves // Proc. of the 20th Int. Conf. on Machine Learning (ICML-2003), Aug. 21–24, 2003, Washington, DC, USA. – 2003. – P. 43–50.