CN113095646B - 一种页岩气开采梯级水循环利用智能*** - Google Patents
一种页岩气开采梯级水循环利用智能*** Download PDFInfo
- Publication number
- CN113095646B CN113095646B CN202110351952.8A CN202110351952A CN113095646B CN 113095646 B CN113095646 B CN 113095646B CN 202110351952 A CN202110351952 A CN 202110351952A CN 113095646 B CN113095646 B CN 113095646B
- Authority
- CN
- China
- Prior art keywords
- water
- shale gas
- amount
- decision
- gas exploitation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 381
- 125000004122 cyclic group Chemical group 0.000 title description 3
- 238000004064 recycling Methods 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 230000001105 regulatory effect Effects 0.000 claims abstract description 5
- 230000001276 controlling effect Effects 0.000 claims abstract description 4
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 28
- 239000007788 liquid Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 239000002699 waste material Substances 0.000 claims description 17
- 238000005065 mining Methods 0.000 claims description 15
- 239000002352 surface water Substances 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 6
- 239000007789 gas Substances 0.000 description 71
- 238000005295 random walk Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000013505 freshwater Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/001—Runoff or storm water
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2103/00—Nature of the water, waste water, sewage or sludge to be treated
- C02F2103/10—Nature of the water, waste water, sewage or sludge to be treated from quarries or from mining activities
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2301/00—General aspects of water treatment
- C02F2301/04—Flow arrangements
- C02F2301/046—Recirculation with an external loop
-
- C—CHEMISTRY; METALLURGY
- C09—DYES; PAINTS; POLISHES; NATURAL RESINS; ADHESIVES; COMPOSITIONS NOT OTHERWISE PROVIDED FOR; APPLICATIONS OF MATERIALS NOT OTHERWISE PROVIDED FOR
- C09K—MATERIALS FOR MISCELLANEOUS APPLICATIONS, NOT PROVIDED FOR ELSEWHERE
- C09K8/00—Compositions for drilling of boreholes or wells; Compositions for treating boreholes or wells, e.g. for completion or for remedial operations
- C09K8/60—Compositions for stimulating production by acting on the underground formation
- C09K8/62—Compositions for forming crevices or fractures
- C09K8/66—Compositions based on water or polar solvents
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2605—Wastewater treatment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/30—Relating to industrial water supply, e.g. used for cooling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Environmental & Geological Engineering (AREA)
- Organic Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Water Supply & Treatment (AREA)
- Hydrology & Water Resources (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Animal Behavior & Ethology (AREA)
- Marine Sciences & Fisheries (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Animal Husbandry (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
Abstract
一种页岩气开采梯级水循环利用智能***，它包括梯级水循环利用***，梯级水循环利用***的数据输出端与信息***的数据输入端连接，信息***的数据输出端与决策***的数据输入端连接，决策***的数据输出端与调节器连接；梯级水循环利用***包括至少1次水量判断，在水量没有超过水安全阈值的情况下，继续当前页岩气的开采强度；在水量超过水安全阈值的情况下，将监测数据传输给信息***；信息***将收集到的数据传输给决策***，将信息***收集的数据作为依据，在决策***中得到下阶段最佳产气量、下阶段各类水源需水量、下阶段水安全阈值，决策***用于实现下阶段最佳产气量的预测；调节器用于调控页岩气现阶段的开采强度。
Description
技术领域
本申请属于页岩气开采技术及其附属技术领域，具体涉及一种工业废液循环利用技术，尤其涉及一种页岩气开采梯级水循环利用智能***。
背景技术
页岩气是一种以游离态、吸附态或溶解态赋存于暗色富有机质和极低孔隙度渗透率的泥页岩、泥质粉砂岩中的非常规天然气，具有自生自储、连续聚集的特点。它以资源量大、碳排放量低的特点成为备受人们关注的一种新型能源，在国家号召节能减排、低碳发展的今天，表现出了巨大的优势，页岩气可能成为中国未来最可靠的能源接替类型。随着页岩气开采的不断发展，其开采过程中引起的区域水资源***及其生态***的影响是业内的重点关注问题。
页岩气开采主要采用水压裂法和水平井等，这些开采技术是目前页岩气开采过程中被广泛使用的技术。但是，这其中存在淡水资源消耗、区域水资源供给压力、地表水和地下水污染等问题。主要是由于，目前页岩气开采用水主要是周围区域和地下水等淡水资源。水压裂过程需要数周，期间需要消耗大量的当地地表水或地下水等水资源，极有可能影响当地生产、生活及生态用水。此外，页岩气开采过程中还会产生大量的废弃物，导致土壤污染、水污染和重金属积累等生态环境问题。由此可见，页岩气开采过程中，有需要使用大量的水资源的用水矛盾和产生大量废液的废液处理问题，如何合理的分配和调度水资源，如何循环利用开采过程中产生的废液，是页岩气开发过程中的亟待解决的问题。
鉴于现有页岩气开采过程中的问题，亟待形成一种合理、高效和智能的页岩气开采过程中水资源循环利用的智能***。
发明内容
本发明主要针对页岩气开采中，需要消耗大量的水资源且会产生大量废液，其中大量水资源难以稳定、可靠、可持续性供给、大量废液的处理困难的技术问题，而提供的一种对开采中水资源合理分配、调度，同时能对开采中产生的废液进行切实、合理处理的页岩气开采梯级水循环利用智能***。
一种页岩气开采梯级水循环利用智能***，它包括梯级水循环利用***，梯级水循环利用***的数据输出端与信息***的数据输入端连接，信息***的数据输出端与决策***的数据输入端连接，决策***的数据输出端与调节器连接；
梯级水循环利用***包括至少1次水量判断，在水量没有超过水安全阈值的情况下，继续当前页岩气的开采强度；在水量超过水安全阈值的情况下，将监测数据传输给信息***；
信息***还用于收集页岩气开采现阶段的产气量、缺水值，并将收集到的数据传输给决策***，将信息***收集的数据作为依据，在决策***中得到下阶段最佳产气量、下阶段各类水源需水量、下阶段水安全阈值，决策***用于实现下阶段最佳产气量的预测；
调节器用于调控页岩气现阶段的开采强度。
在第一次水量判断前，将页岩气开采废液经过水处理后与经过雨水处理池处理的雨水进行混合，以作为页岩气开采水循环利用的I类水源，此类水的回收水量可通过水量预测器进行预测，确定可回收水量之后，进行第一次水质是否达标判断，若水质不达标，则将混合液再次进行水处理，如此循环直至水质达标，在水质达标之后进行第一次水量是否足够判断。
如果第一次水量足够，则进行第一次水量是否充分被利用的判断，若水量能够充分被利用，则将此类水用于页岩气的开采，若水量在被利用后有剩余，则将多余部分的水回注地下水，若水量太少不足够，则需要引入其它水源。
若水量太少不够用，则需要引入II类水源，II类水源包括购买水，将水量不足够的I类水源与II类水源混合，再进行第二次水量是否足够的判断；若水量足够，则进行第二次水量是否充分被利用的判断，若水量能够充分被利用，则将此类水用于页岩气开采，若水量在被利用后有剩余，则将多余部分的水回注地下水，若水量太少不足够，则需要引入其它水源。
若水量太少不足够，则需要引入Ⅲ类水源，将水量不够的I、II类水源需要与Ⅲ类水源混合，再进行第三次水量是否足够判断，Ⅲ类水源来源于地表水和或地下水，可利用水量通过水量预测器进行预测，若水量足够，则进行第三次水量是否充分被利用的判断，若水量能够充分被利用，则将此类水用于页岩气开采，若水量在被利用之后还有剩余，则将多余部分的水回注地下水，若水量太少不足够，则进行水安全阈值判断。
I、II与Ⅲ类水源混合后，进行水量是否超过安全阈值判断。若水量没有超过安全阈值，则继续当前页岩气开采强度；若水量超过安全阈值，则通过信息***收集页岩气现阶段开采过程中的，现阶段产气量、I类水源占比、II类水源占比和缺水值，将这些数据输入信息***、决策***。
决策***为基于知识图谱的文献挖掘智能决策***，用于预测页岩气开采下一阶段的产气量和各类水源需水量的优化配置。
本发明还包括构建用于页岩气开采中水资源调配的知识图谱模型的方法，包括以下步骤：
1)页岩气开采水资源调配的工程数据来自于中文数据库，专利数据库以及研究报告，具有来源广泛和结构性差的特点，因此，可以将文本数据经过预处理后，再通过知识图谱构建技术构建知识节点和关系边，从而构建知识图谱智能决策模型，此模型旨在从文本数据中发掘不同知识节点之间的关系。
2)从水资源的调配角度出发，可以选择以工程名称(某页岩气开采区)、调配时间以及调配的水资源类别(I、II和Ⅲ类水)等作为知识图谱模型的知识节点；同时，还可以将某类水的需水量和页岩气开采强度等作为知识节点；最后，可将“时间为”、“需水量为”和“包含”等作为节点之间的关系边，由此构建的知识图谱智能决策模型可实现需水量等的决策功能。
3)根据定义的知识节点和关系边，可列出知识图谱模型的示意图，根据知识三元组的数量，此知识图谱语义网络图可扩展到上千乃至上百万个知识三元组。
4)根据知识图谱语义网络可进行相关的知识推理工程，由一个实体预测推理出下一个实体以及寻找他们之间的关系等，由此构建知识图谱智能决策模型。
在进行知识推理时，采用以下步骤：
定义知识三元组，知识头节点为h，关系边为r，知识尾节点t，由此可确定一个知识三元组(h，r，t)；
利用监督随机游走的方式，先生成一些路径特征，路径由一系列知识节点和关系边组成，为：
式中，Tn为关系边rn的作用域(range)以及关系边rn-1的值域(domain)，即Tn＝range(rn)＝domain(rn-1)，由此定义了一个关系边和知识节点的分布，基于分布得到的值为每条游走路径的特征值Xh，p(t)，Xh，p(t)可以理解为沿着某一路径p从知识头节点h开始到达知识尾节点t的概率，Xh，p(t)的更新规则为：
其中，若e＝S(路径p中的知识节点)，则Xh，p(e)＝1，否则Xh，p(e)＝0。
表示从知识节点e’出发，沿着关系边r1到达知识节点e的概率。r1(e’，e)表示知识节点e’和e之间是否存在一条关系类型为rl的路径，若存在，则其值为1，不存在，则值为0，|rl(e'，·)|表示由节点e’出发经过规定路径的关系边所能到达的知识节点的数目；
若想要确定某两个知识节点之间的关系边r，则需要通过监督随机游走得到一组特征路径Pr＝(P1，…，Pn)，监督随机游走实在随机游走的基础上，加上监督的方式去指导游走知识节点进行游走，使游走更具有目的性；
通过监督随机游走的方式，有目的的寻找含有与需水量相关的知识节点和关系边。再利用这些特征路径训练一个预测实体的排序模型，此模型可采用线性模型的方法进行建模：
式中，f(h,ri,t)表示知识节点h和知识节点t之间存在关系ri的可能性大小Si，θp表示与Pr相应特征路径的权重因子，通过训练，可求出θp的取值。
其中，可用yi＝{0，1}表示某个训练样本的值，若其为1，则表示两知识节点间的关系边r存在，若其为0，则表示关系边r不存在。通常情况下，可使用sigmoid函数将预测结果映射到[0,1]区间内，具体形式如下：
对于权重因子θp，可通过下列线性变化加最大似然估计，设计损失函数：
最后，基于知识图谱语义网的智能决策模型可转换为关于最优化权重因子θp的优化目标函数。
在知识图谱智能决策模型初步构建完成后，对知识图谱智能决策模型进行评价，若评价结果表明决策模型可用于决策，则可通过信息***输入从而得到需水量等输出值；若评价结果表明决策模型不可用于决策，则进行知识三元组更新抽取，从而更新智能决策模型。
其中，知识图谱智能决策模型的输入为各类水源需水量预测，此预测即为监督随机游走的依据。根据该预测，可在知识图谱智能决策模型中进行搜索与决策，寻求最有的需水量输出结果，下面列出输入端需水量预测的一个非限制性示例。
假设已知某一段时间内，某类水源从1时刻到t时刻的需水量为分别为Q1、Q2……Qt，可通过需水量预测模型对该类水源在t+1时刻的需水量Qt+1进行预测，可采用如下预测模型。
t时刻的需水量变化值：
ΔQt＝Qt-Qt-1 (7)
t时刻二阶差分需水量变化值：
Δ2Qt＝ΔQt-ΔQt-1 (8)
t时刻二阶差分需水量变化预测值：
因此，t+1时刻的需水量预测值：
输入
的值，通过已经构建好的知识图谱智能决策模型进行搜索，即可输出相应的需水量值。
与现有技术相比，本发明具有如下技术效果：
1)针对在页岩气开采过程中，通常通过注入压裂液进行页岩气的开采，而开采产生的返排液会带出大量的废液，本发明能有效且高效的对废液进行利用、规划、处理，不仅对开采过程中的水资源进行了合理的分配及调度，而且实现了废液在整个开采过程中的循环利用，很好的解决了在页岩气开采过程中，水资源不能稳定、可持续性的供给和大量废液难以处理及处理成本居高不下的技术缺陷；
2)本发明通过将决策***引入，更进一步的，决策***为基于知识图谱的文献挖掘智能决策***，可构建关于页岩气开采工业的多方面的知识节点与知识节点之间的关系，具有数据规模大的特点，可使页岩气开采工业的知识可视化和增强知识的连贯性，有利于工作人员管理。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1是本发明的***框图；
图2是优化分配***分配模型原理图；
图3是决策***的结构框图；
图4是知识图谱语义网络局部示意图。
具体实施方式
如图1所示，一种页岩气开采梯级水循环利用智能***，它包括梯级水循环利用***1，梯级水循环利用***1的数据输出端与信息***2的数据输入端连接，信息***2的数据输出端与决策***3的数据输入端连接，决策***3的数据输出端与调节器4连接；
梯级水循环利用***1包括至少1次水量判断，在水量没有超过水安全阈值的情况下，继续当前页岩气的开采强度；在水量超过水安全阈值的情况下，将监测数据传输给信息***2；
信息***2还用于收集页岩气开采现阶段的产气量、缺水值，并将收集到的数据传输给决策***3，将信息***2收集的数据作为依据，在决策***3中得到下阶段最佳产气量、下阶段各类水源需水量、下阶段水安全阈值，决策***3用于实现下阶段最佳产气量的预测；
调节器4用于调控页岩气现阶段的开采强度
其中，梯级水循环利用***包括一次水质判断、三次水量是否足够判断，三次水量是否百分百被用于页岩气开采判断与一次水量是否超过水安全阈值判断。
如图1所示，具体地说，某次页岩气开采的返排液废液可经过传统废液的物理、化学和生物进化工艺方法，对废液进行净化处理。与此同时，在页岩气开采区，自然降雨可通过雨水收集***进行收集，收集后的雨水可通过雨水处理池进行水质处理。页岩气开采废液经过水处理后与经过雨水处理池处理的雨水进行混合，作为页岩气开采水循环利用的I类水源，此类水的回收水量可通过水量预测器进行预测，确定可回收水量之后，进行第一次水质是否达标判断，若水质不达标，则将混合液再次进行水处理；若水质达标，则进行第一次水量是否足够判断。
其中，水量预测器和智能调节器，以页岩气开采工业生产标准为基础，进行水量预测和调控。水量预测器和智能调节器可选取可编程逻辑控制器PLC，它是专门为工业环境下应用而设计的数字运算操作电子***，具有顺序控制、定时和计数等功能，可以控制各种机械和生产过程，其型号可选择西门子PLC S7-200。
水质已达标的I类水源需要进行第一次水量是否足够判断。若水量足够，则进行第一次水量是否百分百利用判断，若水量百分百利用，则将此类水用于页岩气开采，若水量不是百分百利用，则将多余部分的水回注地下水；若水量不足够，则需要引入II类水源。
水量不足够的I类水源需要与II类水源混合，再进行第二次水量是否足够判断。其中，II类水源来自于购买水，购买水的水量通过可购买水量预测器进行预测。若水量足够，则进行第二次水量是否百分百利用判断，若水量百分百利用，则将此类水用于页岩气开采，若水量不是百分百利用，则将多余部分的水回注地下水；若水量不足够，则需要引入Ⅲ类水源。
水量不足够的I、II类水源需要与Ⅲ类水源混合，再进行第三次水量是否足够判断。其中，Ⅲ类水源来自于地表水和地下水，且可利用水量通过可利用水量预测器进行预测，若水量足够，则进行第三次水量是否百分百利用判断，若水量百分百利用，则将此类水用于页岩气开采，若水量不是百分百利用，则将多余部分的水回注地下水；若水量不足够，则需要进行水安全阈值判断。
其中，Ⅲ类水源中地表水和地下水各自的取用量经过优化分配***进行优化分配，如图2所示，优化分配***的分配对象为地下水用水量和地表水用水量，分配采用的策略为地表水可利用量、地下水可利用量与满足页岩气开采用水需求，再根据分配策略拟定博弈支付函数的参数，最后求解优化分配模型。若求解的模型满足分配目标，则导入优化分配***进行Ⅲ类水源的优化分配；若求解的优化分配模型不满足分配目标，则重新设置参数，再次求解。
如图1所示，I、II与Ⅲ类水源混合后，进行水量是否超过安全阈值判断。若水量没有超过安全阈值，则继续当前页岩气开采强度；若水量超过安全阈值，则通过信息***收集页岩气现阶段开采过程中的，现阶段产气量、I类水源占比、II类水源占比和缺水值，将这些数据输入决策***；
其中，信息***可以高效和安全的对数据进行存储，需要适应物联网和大数据等海量数据场景，此处可选择腾讯云时序数据库—TencentDB for CTSDB。
优选的，决策***为基于知识图谱的文献挖掘智能决策***。
基于知识图谱的文献挖掘智能决策***，构建大规模语义网络，让语义网络成为大数据的载体，再通过知识推理算法进行知识推理，由此寻找出知识节点之间的关系，是其它智能算法所不具备的特性，知识图谱可使该决策***的智能性优于传统的智能***。
基于知识图谱的文献挖掘智能决策***，可通过页岩气开采工业生产过程中的反馈，更新知识三元组抽取方式，从而更新知识图谱智能决策模型，具有实时性和可变性的特点，从而增加了其适用范围。
如图1所示，将信息***收集的数据作为依据，可在基于知识图谱的文献挖掘智能决策***中得到下阶段最佳产气量、下阶段各类水源需水量和下阶段水安全阈值。
其中，基于知识图谱的文献挖掘智能决策***的具体过程如图3所示。
图3的示意图示出了根据本发明的基于知识图谱的文献挖掘智能决策***的一个非限制性示例。
将信息***输入的信息，现阶段产气量、各类水源占比和缺水值输入决策***中已经构建完成的知识图谱决策模型，通过决策模型中的语义网络进行搜索，可输出I类水源需水量、II类水源需水量、Ⅲ类水源需水量、水安全阈值和下阶段产气量。得到输出结果后进行第一次判断，若决策所得需水量满足当前缺水值，则用于下阶段各类水调配；若决策所得需水量不满足当前缺水值，则重新利用决策模型决策各类水需水量。接着进行第二次判断，若实际调配过程中，水量足够，则沿用上阶段决策模型；若水量不够，则进行知识三元组抽取更新，从而更新决策模型。
其中，知识图谱构建的文献来源于中文期刊数据库、专利数据库和研究报告。
其中，知识三元组抽取方式包含任意n种抽取方式，针对文献中的结构化和非结构化数据，可列出多个非限制性示例。
抽取方式1可用于抽取I类水源需水量相关的知识三元组；抽取方式2可用于抽取II类水源需水量相关的知识三元组；以此类推，抽取方式n可用于抽取需水量与水安全阈值关系的知识三元组。
其中，知识图谱智能决策模型包含任意n种预测模型，由不同的知识抽取结果构建知识图谱得到，可列出多个非限制性示例。
抽取结果1用于构建得到知识图谱智能决策模型1，抽取结果2用于构建得到知识图谱智能决策模型2，依次类推，抽取结果n用于构建得到知识图谱智能决策模型n。
其中，在构建得到知识图谱智能决策模型时，采用如下步骤：
1)页岩气开采水资源调配的工程数据来自于中文数据库，专利数据库以及研究报告，具有来源广泛和结构性差的特点，因此，可以将文本数据经过预处理后，再通过知识图谱构建技术构建知识节点和关系边，从而构建知识图谱智能决策模型，此模型旨在从文本数据中发掘不同知识节点之间的关系；
2)从水资源的调配角度出发，可以选择以工程名称(某页岩气开采区)、调配时间以及调配的水资源类别(I、II和Ⅲ类水)等作为知识图谱模型的知识节点；同时，还可以将某类水的需水量和页岩气开采强度等作为知识节点；最后，可将“时间为”、“需水量为”和“包含”等作为节点之间的关系边。由此构建的知识图谱智能决策模型可实现需水量等的决策功能。
3)根据定义的知识节点和关系边，可列出知识图谱模型的示意图，局部示意图如图4所示。根据知识三元组的数量，此知识图谱语义网络图可扩展到上千乃至上百万个知识三元组。
4)根据知识图谱语义网络可进行相关的知识推理工程，由一个实体预测推理出下一个实体以及寻找他们之间的关系等，由此构建知识图谱智能决策模型。
在进行知识推理时，可采用基于知识图谱图结构的推理算法Path RankingAlgorithm，其利用知识节点之间的关系边当作特征从而进行链接预测推理。
其中，定义知识三元组，知识头节点为h，关系边为r，知识尾节点t，由此可确定一个知识三元组(h，r，t)。
在PRA算法中，利用监督随机游走的方式，先生成一些路径特征，路径由一系列知识节点和关系边组成，为：
式中，Tn为关系边rn的作用域(range)以及关系边rn-1的值域(domain)，即Tn＝range(rn)＝domain(rn-1)。该算法定义了一个关系边和知识节点的分布，基于分布得到的值为每条游走路径的特征值Xh，p(t)，Xh，p(t)可以理解为沿着某一路径p从知识头节点h开始到达知识尾节点t的概率。Xh，p(t)的更新规则为：
其中，若e＝S(路径p中的知识节点)，则Xh，p(e)＝1，否则Xh，p(e)＝0。
表示从知识节点e’出发，沿着关系边rl到达知识节点e的概率。rl(e’，e)表示知识节点e’和e之间是否存在一条关系类型为rl的路径，若存在，则其值为1，不存在，则值为0。|rl(e'，·)|表示由节点e’出发经过规定路径的关系边所能到达的知识节点的数目。
若想要确定某两个知识节点之间的关系边r，则需要通过监督随机游走得到一组特征路径Pr＝(P1，…，Pn)，监督随机游走实在随机游走的基础上，加上监督的方式去指导游走知识节点进行游走，使游走更具有目的性。在本实例中，可通过监督随机游走的方式，有目的的寻找含有与需水量相关的知识节点和关系边。再利用这些特征路径训练一个预测实体的排序模型，此模型可采用线性模型的方法进行建模：
式中，f(h,ri,t)表示知识节点h和知识节点t之间存在关系ri的可能性大小Si，θp表示与Pr相应特征路径的权重因子，通过训练，可求出θp的取值。
其中，可用yi＝{0，1}表示某个训练样本的值，若其为1，则表示两知识节点间的关系边r存在，若其为0，则表示关系边r不存在。通常情况下，可使用sigmoid函数将预测结果映射到[0,1]区间内，具体形式如下：
对于权重因子θp，可通过下列线性变化加最大似然估计，设计损失函数：
最后，基于知识图谱语义网的智能决策模型可转换为关于最优化权重因子θp的优化目标函数。
在知识图谱智能决策模型初步构建完成后，对知识图谱智能决策模型进行评价，若评价结果表明决策模型可用于决策，则可通过信息***输入从而得到需水量等输出值；
若评价结果表明决策模型不可用于决策，则进行知识三元组更新抽取，从而更新智能决策模型。
其中，知识图谱智能决策模型的输入为各类水源需水量预测，此预测即为监督随机游走的依据。根据该预测，可在知识图谱智能决策模型中进行搜索与决策，寻求最有的需水量输出结果，下面列出输入端需水量预测的一个非限制性示例。
假设已知某一段时间内，某类水源从1时刻到t时刻的需水量为分别为Q1、Q2……Qt，可通过需水量预测模型对该类水源在t+1时刻的需水量Qt+1进行预测，可采用如下预测模型。
t时刻的需水量变化值：
ΔQt＝Qt-Qt-1 (7)
t时刻二阶差分需水量变化值：
Δ2Qt＝ΔQt-ΔQt-1 (8)
t时刻二阶差分需水量变化预测值：
因此，t+1时刻的需水量预测值：
输入
的值，通过已经构建好的知识图谱智能决策模型进行搜索，即可输出相应的需水量值。
如图1所示，调节器的调控基于决策***对下阶段产气量、下阶段需水量和下阶段水安全阈值的输出，通过决策***的具体输出结果，可通过调节器对当前页岩气开采强度和需水量进行调节，可通过减少废液产量和增加雨水用量实现。
Claims (7)
1.一种页岩气开采梯级水循环利用智能***，其特征在于，它包括梯级水循环利用***(1)，梯级水循环利用***(1)的数据输出端与信息***(2)的数据输入端连接，信息***(2)的数据输出端与决策***(3)的数据输入端连接，决策***(3)的数据输出端与调节器(4)连接；
梯级水循环利用***(1)包括至少1次水量判断，在水量没有超过水安全阈值的情况下，继续当前页岩气的开采强度；在水量超过水安全阈值的情况下，将监测数据传输给信息***(2)；
信息***(2)还用于收集页岩气开采现阶段的产气量、缺水值，并将收集到的数据传输给决策***(3)，将信息***(2)收集的数据作为依据，在决策***(3)中得到下阶段最佳产气量、下阶段各类水源需水量、下阶段水安全阈值，决策***(3)用于实现下阶段最佳产气量的预测；
调节器(4)用于调控页岩气现阶段的开采强度。
2.根据权利要求1所述的页岩气开采梯级水循环利用智能***，其特征在于，在第一次水量判断前，将页岩气开采废液经过水处理后与经过雨水处理池处理的雨水进行混合，以作为页岩气开采水循环利用的Ⅰ类水源，此类水的回收水量可通过水量预测器进行预测，确定可回收水量之后，进行第一次水质是否达标判断，若水质不达标，则将混合液再次进行水处理，如此循环直至水质达标，在水质达标之后进行第一次水量是否足够判断。
3.根据权利要求2所述的页岩气开采梯级水循环利用智能***，其特征在于，如果第一次水量足够，则进行第一次水量是否充分被利用的判断，若水量能够充分被利用，则将此类水用于页岩气的开采，若水量在被利用后有剩余，则将多余部分的水回注地下水，若水量太少不足够，则需要引入其它水源。
4.根据权利要求3所述的页岩气开采梯级水循环利用智能***，其特征在于，若水量太少不够用，则需要引入Ⅱ类水源，Ⅱ类水源包括购买水，将水量不足够的I类水源与Ⅱ类水源混合，再进行第二次水量是否足够的判断；若水量足够，则进行第二次水量是否充分被利用的判断，若水量能够充分被利用，则将此类水用于页岩气开采，若水量在被利用后有剩余，则将多余部分的水回注地下水，若水量太少不足够，则需要引入其它水源。
5.根据权利要求4所述的页岩气开采梯级水循环利用智能***，其特征在于，若水量太少不足够，则需要引入Ⅲ类水源，将水量不够的Ⅰ、Ⅱ类水源需要与Ⅲ类水源混合，再进行第三次水量是否足够判断，Ⅲ类水源来源于地表水和/或地下水，可利用水量通过水量预测器进行预测，若水量足够，则进行第三次水量是否充分被利用的判断，若水量能够充分被利用，则将此类水用于页岩气开采，若水量在被利用之后还有剩余，则将多余部分的水回注地下水，若水量太少不足够，则进行水安全阈值判断。
6.根据权利要求5所述的页岩气开采梯级水循环利用智能***，其特征在于，Ⅰ、Ⅱ与Ⅲ类水源混合后，进行水量是否超过安全阈值判断，若水量没有超过安全阈值，则继续当前页岩气开采强度；若水量超过安全阈值，则通过信息***收集页岩气现阶段开采过程中的，现阶段产气量、Ⅰ类水源占比、Ⅱ类水源占比和缺水值，将这些数据输入信息***(2)、决策***(3)。
7.根据权利要求5所述的页岩气开采梯级水循环利用智能***，其特征在于，Ⅲ类水源中地表水和地下水各自的取用量经过优化分配***进行优化分配，优化分配***的分配对象为地下水用水量和地表水用水量，分配采用的策略为地表水可利用量、地下水可利用量与满足页岩气开采用水需求，再根据分配策略拟定博弈支付函数的参数，最后求解优化分配模型；若求解的模型满足分配目标，则导入优化分配***进行Ⅲ类水源的优化分配；若求解的优化分配模型不满足分配目标，则重新设置参数，再次求解。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110351952.8A CN113095646B (zh) | 2021-03-31 | 2021-03-31 | 一种页岩气开采梯级水循环利用智能*** |
| CN202210862055.8A CN115271414A (zh) | 2021-03-31 | 2021-03-31 | 构建用于页岩气开采中水资源调配的知识图谱模型的方法 |
| US17/705,602 US20220324725A1 (en) | 2021-03-31 | 2022-03-28 | Cascade water recycling intelligent system for shale gas exploitation |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110351952.8A CN113095646B (zh) | 2021-03-31 | 2021-03-31 | 一种页岩气开采梯级水循环利用智能*** |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210862055.8A Division CN115271414A (zh) | 2021-03-31 | 2021-03-31 | 构建用于页岩气开采中水资源调配的知识图谱模型的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113095646A CN113095646A (zh) | 2021-07-09 |
| CN113095646B true CN113095646B (zh) | 2022-08-19 |
Family
ID=76672502
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210862055.8A Pending CN115271414A (zh) | 2021-03-31 | 2021-03-31 | 构建用于页岩气开采中水资源调配的知识图谱模型的方法 |
| CN202110351952.8A Active CN113095646B (zh) | 2021-03-31 | 2021-03-31 | 一种页岩气开采梯级水循环利用智能*** |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210862055.8A Pending CN115271414A (zh) | 2021-03-31 | 2021-03-31 | 构建用于页岩气开采中水资源调配的知识图谱模型的方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220324725A1 (zh) |
| CN (2) | CN115271414A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103553168A (zh) * | 2013-11-04 | 2014-02-05 | 中国石油集团工程设计有限责任公司 | 一种实现天然气净化厂热能梯级综合利用的工艺 |
| CN108776684A (zh) * | 2018-05-25 | 2018-11-09 | 华东师范大学 | 知识图谱中边权重的优化方法、装置、介质、设备及*** |
| CN111552813A (zh) * | 2020-03-18 | 2020-08-18 | 国网浙江省电力有限公司 | 一种基于电网全业务数据的电力知识图谱构建方法 |
| CN111552820A (zh) * | 2020-04-30 | 2020-08-18 | 江河瑞通（北京）技术有限公司 | 水工程调度数据处理方法及装置 |
| CN112531720A (zh) * | 2020-12-07 | 2021-03-19 | 西藏先锋绿能环保科技股份有限公司 | 基于页岩气开采供电线路的电压调整方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112381237B (zh) * | 2020-12-09 | 2022-04-22 | 中国船舶工业***工程研究院 | 基于岸海协同的水面无人***的持续自主学习架构*** |
-
2021
- 2021-03-31 CN CN202210862055.8A patent/CN115271414A/zh active Pending
- 2021-03-31 CN CN202110351952.8A patent/CN113095646B/zh active Active
-
2022
- 2022-03-28 US US17/705,602 patent/US20220324725A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103553168A (zh) * | 2013-11-04 | 2014-02-05 | 中国石油集团工程设计有限责任公司 | 一种实现天然气净化厂热能梯级综合利用的工艺 |
| CN108776684A (zh) * | 2018-05-25 | 2018-11-09 | 华东师范大学 | 知识图谱中边权重的优化方法、装置、介质、设备及*** |
| CN111552813A (zh) * | 2020-03-18 | 2020-08-18 | 国网浙江省电力有限公司 | 一种基于电网全业务数据的电力知识图谱构建方法 |
| CN111552820A (zh) * | 2020-04-30 | 2020-08-18 | 江河瑞通（北京）技术有限公司 | 水工程调度数据处理方法及装置 |
| CN112531720A (zh) * | 2020-12-07 | 2021-03-19 | 西藏先锋绿能环保科技股份有限公司 | 基于页岩气开采供电线路的电压调整方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 页岩气开发水力压裂水循环对水环境的潜在影响;王彦昌等;《油气田环境保护》;20170428(第02期);全文 * |
| 页岩气开发过程中的水处理技术探讨;李玉春;《油气田地面工程》;20160120(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220324725A1 (en) | 2022-10-13 |
| CN113095646A (zh) | 2021-07-09 |
| CN115271414A (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102289569B (zh) | 一种电力***突发事件应急处理方法 | |
| Promentilla et al. | A stochastic fuzzy multi-criteria decision-making model for optimal selection of clean technologies | |
| Heo et al. | A hybrid machine learning–based multi-objective supervisory control strategy of a full-scale wastewater treatment for cost-effective and sustainable operation under varying influent conditions | |
| CN107203687A (zh) | 吸收塔脱硫过程多目标协同智能优化控制方法 | |
| CN112241607B (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
| CN112036633A (zh) | 一种水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 | |
| Zhang et al. | Multi-objective discrete grey wolf optimizer for solving stochastic multi-objective disassembly sequencing and line balancing problem | |
| Raji et al. | A new approach in well placement optimization using metaheuristic algorithms | |
| Bao et al. | Study on Optimization of Coal Truck Flow in Open‐Pit Mine | |
| Manowska | Analysis and forecasting of the primary energy consumption in Poland using deep learning | |
| Hossain et al. | Impact Assessment of Machine Learning Algorithms On Resource Efficiency And Management In Urban Developments | |
| CN113095646B (zh) | 一种页岩气开采梯级水循环利用智能*** | |
| Hakimi-Asiabar et al. | Multi-objective genetic local search algorithm using Kohonen’s neural map | |
| CN112699615B (zh) | 一种跨时空能源综合配置优化方法、装置及存储介质 | |
| Jia et al. | A proposed multi-objective optimization model for sequence-dependent disassembly line balancing problem | |
| CN114202086A (zh) | 一种矿山开采方案多目标优化方法 | |
| Dai et al. | An equilibrium approach towards sustainable operation of a modern coal chemical industrial park | |
| CN104155873A (zh) | 湿法冶金全流程分层优化控制方法 | |
| Wu et al. | Assessment of clean production level in phosphate mining enterprises: Based on the fusion group decision weight and limited interval cloud model | |
| CN113153229B (zh) | 一种页岩气绿色开发方案的筛选方法及装置 | |
| CN111353650A (zh) | 一种基于云计算的水厂智能优化辅助决策*** | |
| Yu et al. | Ensemble learning for predicting average thermal extraction load of a hydrothermal geothermal field: A case study in Guanzhong Basin, China | |
| CN109190987A (zh) | 带反馈变量的二层水资源效率评价方法 | |
| Sankaranarayanan et al. | Evaluation of Influence of Principles Involved in Industry 4.0 Over Coal Industries Using TISM | |
| Ateunkeng et al. | A binary-level hybrid intelligent control configuration for sustainable energy consumption in an activated sludge biological wastewater treatment plant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |