Динамическое моделирование реальной морской нефтедобывающей платформы (Modelling and Dynamic Simulation of a Real Crude Oil Offshore Plant Using Aspen HYSYS)
В статье рассматривается создание цифрового двойника морской платформы сепарации нефти и газа с использованием Aspen HYSYS для анализа переходных режимов и оптимизации энергопотребления. Для оптимизации работы бойлеров были применены методы поверхностного отклика и искусственные нейронные сети. Модернизация сепараторов повысила эффективность разделения газ/жидкость на 31.11% и 21.31% соответственно.
Динамическое моделирование реальной морской нефтедобывающей платформы (Modelling and Dynamic Simulation of a Real Crude Oil Offshore Plant Using Aspen HYSYS)
Задача: Создание предиктивного цифрового двойника морской платформы сепарации нефти и газа (на основе реального объекта в Северном море) для анализа переходных режимов, контроля качества пластовой воды и оптимизации энергопотребления с использованием искусственных нейронных сетей (ANN).
Софт и версии: Aspen HYSYS V10 (Dynamics). Интеграция с Python/MATLAB для машинного обучения.
Методы и термодинамика: Для стационарного и динамического моделирования применялся термодинамический пакет Peng-Robinson. Особое внимание уделялось моделированию остатков нефти в водоносных компонентах установки (разделение фаз жидкость-жидкость). Разработанная модель включала сложные схемы управления процессом (ПИД-регуляторы) для удержания уровня и давления в сепараторах. Для оптимизации работы бойлеров были собраны данные за 579 дней эксплуатации и применены методы поверхностного отклика (RSM) и искусственные нейронные сети: Radial Basis Function (RBF) и Multi-Layer Perceptron (MLP) [cite: 11].
Внедрение неисправностей: Было смоделировано 7 динамических сценариев с внедрением типичных неисправностей (например, отказы приводов клапанов и возмущения на входе) для анализа влияния на общую добычу углеводородов.
Валидация и результат: Модель валидировалась на основе исторических данных установки.
-
При оптимизации бойлера: Aspen HYSYS предсказал потребление энергии в 1,355 м³, в то время как фактическое потребление составляло 986 м³ (до оптимизации). Нейросетевая модель MLP показала лучшую предсказательную способность (R² = 0.99, метрика производительности = 0.0018) по сравнению с RBF и RSM [cite: 11].
-
Модернизация (smart design) сепараторов повысила эффективность разделения газ/жидкость на 31.11% для сепаратора Alpha и на 21.31% для сепаратора Bravo #2 [cite: 11].
Кейс является эталонным руководством по переходу от steady-state к dynamics в Aspen HYSYS с настройкой контроллеров и последующим извлечением данных для обучения ML-моделей.
Источник
Теги
- #AspenHYSYS
- #DynamicSimulation
- #DigitalTwin
- #MachineLearning
- #Separation