一种直流式气液旋流分离器导流叶片的多目标优化方法与流程

本发明涉及石油天然气技术领域，尤其涉及一种直流式气液旋流分离器导流叶片的多目标优化方法。

背景技术：

我国深海天然气资源极为丰富，深海天然气开采对保障我国能源安全具有重要战略意义，但深海天然气开采难度极大，采收方案不仅异于陆上，与浅海也有很大差别。国际主流开采方法是采用水下多相生产系统，水下气液分离器是其关键设备。直流式气液旋流分离器具有压降较小、结构紧凑和易于并联等优点，因此在水下气液分离中有着广阔的应用前景。

导流叶片是直流式气液旋流分离器的关键结构，由于导流叶片的存在，气液混合物沿轴向进入旋流器后，从轴向运动转变为高速旋转气流，形成了离心场，在离心力的作用下，液体被分离出来。导流叶片的结构参数对旋流器的分离性能有着显著的影响，导流叶片的优化设计对提高旋流器的分离性能有着重要的意义。旋流器导流叶片优化设计的核心思想是寻求旋流器分离性能与导流叶片结构之间的最佳匹配，也就是用一定的导流叶片结构参数来得到最优的分离性能，但现有技术中关于直流式气液旋流分离器的多目标优化设计还未见报道。

技术实现要素：

本发明的目的是提供一种直流式气液旋流分离器导流叶片的多目标优化方法，该方法能方便快捷地得到旋流器分离性能的pareto最优解集，从而供决策者根据实际情况选择合适的导流叶片参数。

本发明的目的是通过以下技术方案实现的：

一种直流式气液旋流分离器导流叶片的多目标优化方法，所述方法包括：

步骤1、建立直流式气液旋流分离器导流叶片的多目标优化模型，所建立的多目标优化模型以最大化分离效率和最小化压降为优化目标，以叶片个数、叶片出口角、叶片宽度和叶片包角这四个叶片结构参数为设计变量；

步骤2、采用第二代非支配排序遗传算法对所建立的多目标优化模型进行优化求解，获得pareto最优解集；

步骤3、根据实际情况，从所述pareto最优解集中选择最大化分离效率和最小化压降的方案，并得到相应的导流叶片结构参数。

在步骤1中所建立的多目标优化模型的数学模型表示为：

目标函数：

其中，f1(x)表示分离效率；f2(x)表示压降；x表示设计变量，包括叶片个数、叶片出口角、叶片宽度和叶片包角这四个叶片结构参数；

约束条件为：

其中，gi(x)表示设计变量的非线性约束，hi(x)表示设计变量的线性约束。

在步骤2中，采用第二代非支配排序遗传算法对所建立的多目标优化模型进行优化求解的过程具体为：

首先采用实数编码法对叶片个数、叶片出口角、叶片宽度和叶片包角这四个优化变量进行编码，随机生成n个个体作为第二代非支配排序遗传算法的初始群体，所述优化变量组成的群体矩阵如下式所示：

其中，所述群体矩阵的四列分别对应的是叶片个数、叶片出口角、叶片宽度以及叶片包角；

然后将上式表示的矩阵中增加每个个体对应的适应度值，最终得到一个如下式所示的新矩阵f：

对矩阵f进行非支配排序和拥挤度排序，实现矩阵f中每个个体的排序；

再对矩阵f进行遗传操作，利用非支配排序和拥挤度排序将父代与其产生的子代合并，产生含有2n个个体的群体，进行排序后，只取前n个个体作为遗传子代；

然后判断迭代次数是否达到了规定的最大迭代次数，若达到则结束优化；若没有达到规定的最大迭代次数，则将校验值加入到样本集中继续迭代计算，直到达到规定的迭代次数，并获得pareto最优解集；

得到获得pareto最优解集后，采用缩小比例因子方法得到多组分离效率和压降同时优化的解。

所述对矩阵f进行非支配排序和拥挤度排序的过程具体为：

群体矩阵f″中每个个体i都包含ni和si两个参数，其中ni表示种群中能支配个体i的个体数量，si表示受个体i支配的个体集合；

在快速非支配排序过程中，先找到种群中所有ni＝0的个体并存入集合fi′，然后考察集合fi′中的每个个体j所支配的个体集si，将集合si中的每个个体k的nk减去1；

如果nk-1＝0，则将个体k放入另一个集合h；

最后将得到的fi′作为第一级非支配个体集合，该集合内的个体具有相同的非支配排序；

然后继续对h作上述分级操作，直到实现所有个体的分级，得到一个非支配排序后的矩阵f；

最后，对矩阵f进行拥挤度排序，实现矩阵f中每个个体的排序。

在对矩阵f进行遗传操作的过程中：

选择运算采用基于个体适应度之间大小关系的锦标赛法，交叉运算采用均匀交叉，变异运算采用均匀变异。

所述个体对应的适应度值包括分离效率和压降，其数值通过支持向量机预测得到。

由上述本发明提供的技术方案可以看出，上述方法能方便快捷地得到旋流器分离性能的pareto最优解集，从而供决策者根据实际情况选择合适的导流叶片参数。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的直流式气液旋流分离器导流叶片的多目标优化方法流程示意图；

图2为本发明实施例中优化所得pareto最优解集的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的直流式气液旋流分离器导流叶片的多目标优化方法流程示意图，所述方法包括：

步骤1、建立直流式气液旋流分离器导流叶片的多目标优化模型，所建立的多目标优化模型以最大化分离效率和最小化压降为优化目标，以叶片个数、叶片出口角、叶片宽度和叶片包角这四个叶片结构参数为设计变量；

在该步骤中，建立直流式气液旋流分离器导流叶片的多目标优化模型的过程具体为：

根据优化设计的数学模型可知，对一个问题进行优化需要设计变量、目标函数以及约束条件，下面根据旋流器导流叶片的特点对优化设计的三要素进行分析。

(1)设计变量

设计变量是指在优化设计过程中影响目标函数的相关变量。对于一个优化问题，如设计变量的个数为n，则设计变量可写为xi,i＝1,2,...,n。若将这n个变量按一定规则进行排序，可得到一个数组x，即：

x＝[x1,x2,…,xn]^t(1)

该数组(n维向量)的全体可构成一个设计空间(n维空间)，其中的每个点都表示一种设计方案，通常称为设计点。对问题进行优化设计的过程就是通过一定的方法在设计空间中找到最优设计点的过程，这个最优点就是最终的优化设计结果。对直流式气液旋流分离器导流叶片的优化设计而言，设计变量主要包括叶片个数、叶片出口角(叶片出口切向与旋流器轴向的夹角)、叶片宽度以及叶片包角。

(2)目标函数

目标函数是用于对优化设计得到的结果进行评价的指标。如前所述，优化设计就是在设计变量取值范围的约束下，在设计空间中找出一个或多个设计方案，使得目标函数得到最优解的过程。根据优化问题中目标函数的数目，可将其分为单目标和多目标优化两类。对于分离器而言，如果仅对分离效率进行优化，不考虑压降等其它特性，即为单目标优化设计问题。对于旋流器而言，需要同时考虑分离效率和压降，分别建立两者的目标函数。此外，分离效率和压降之间相互矛盾，并不能简单地评价一个设计方案的优劣。因此，直流式气液旋流分离器的优化问题是一个典型的多目标优化设计问题。

(3)约束条件

一般来说，设计变量的取值需要在允许的范围内，且各变量之间还可能满足一定的关系。每个特定的优化问题都对设计变量的取值范围和变量之间的关系有着一定的限制，这些限制称为约束条件。

由以上分析可知，所建立的多目标优化模型的数学模型表示为：

目标函数：

其中，f1(x)表示分离效率；f2(x)表示压降；x表示设计变量，包括叶片个数、叶片出口角、叶片宽度和叶片包角这四个叶片结构参数；

约束条件为：

其中，gi(x)表示设计变量的非线性约束，hi(x)表示设计变量的线性约束。

步骤2、采用第二代非支配排序遗传算法对所建立的多目标优化模型进行优化求解，获得pareto最优解集；

在步骤2中，采用第二代非支配排序遗传算法对所建立的多目标优化模型进行优化求解的过程具体为：

首先采用实数编码法对叶片个数、叶片出口角、叶片宽度和叶片包角这四个优化变量进行编码，随机生成n个个体作为第二代非支配排序遗传算法的初始群体，所述优化变量组成的群体矩阵如下式(4)所示：

其中，所述群体矩阵的四列分别对应的是叶片个数、叶片出口角、叶片宽度以及叶片包角；

然后将式(4)表示的矩阵中增加每个个体对应的适应度值，这里个体对应的适应度值包括分离效率和压降，其数值通过支持向量机预测得到，最终得到一个如式(5)所示的新矩阵f：

对矩阵f进行非支配排序和拥挤度排序，实现矩阵f中每个个体的排序；

再对矩阵f进行遗传操作；

然后通过引入精英策略来扩大采样空间，将子代种群与父代种群进行组合，共同竞争后生成下一代种群，具体利用非支配排序和拥挤度排序将父代与其产生的子代合并，产生含有2n个个体的群体，进行排序后，只取前n个个体作为遗传子代；

判断迭代次数是否达到了规定的最大迭代次数，若达到则结束优化；若没有达到规定的最大迭代次数，则将校验值加入到样本集中继续迭代计算，直到达到规定的迭代次数，获得pareto最优解集；

得到获得pareto最优解集后，采用缩小比例因子方法，得到多组分离效率和压降同时都比较优的解。

具体实现中，上述对矩阵f进行非支配排序和拥挤度排序的过程具体为：

群体矩阵f″中每个个体i都包含ni和si两个参数，其中ni表示种群中能支配个体i的个体数量，si表示受个体i支配的个体集合；

在快速非支配排序过程中，先找到种群中所有ni＝0的个体并存入集合fi′，然后考察集合fi′中的每个个体j所支配的个体集si，将集合si中的每个个体k的nk减去1；

如果nk-1＝0，则将个体k放入另一个集合h；

最后将得到的fi′作为第一级非支配个体集合，该集合内的个体具有相同的非支配排序；

然后继续对h作上述分级操作，直到实现所有个体的分级，得到一个非支配排序后的矩阵f；

最后，对矩阵f进行拥挤度排序，实现矩阵f中每个个体的排序。

另外，在对矩阵f进行遗传操作的过程中：

选择运算采用基于个体适应度之间大小关系的锦标赛法，交叉运算采用均匀交叉，变异运算采用均匀变异。

步骤3、根据实际情况，从所述pareto最优解集中选择最大化分离效率和最小化压降的方案，并得到相应的导流叶片结构参数。

下面以具体实例对上述优化方法进行详细描述：

步骤一，建立直流式气液旋流分离器导流叶片的多目标优化模型，以最大化分离效率和最小化压降为优化目标，以叶片个数、叶片出口角、叶片宽度和叶片包角这四个叶片结构参数为优化变量，优化变量的取值范围如表1所示。

表1所选优化变量的取值范围

注：n表示叶片个数

步骤二，采用第二代非支配排序遗传算法对步骤一得到的导流叶片的多目标优化模型进行求解，获得一组pareto最优解集，具体步骤如下：

(1)采用实数编码方法对叶片个数、叶片出口角、叶片宽度和叶片包角这四个优化变量进行编码，随机生成n个个体作为nsga-ii算法的初始群体。优化变量组成的群体矩阵如式(6)所示，其中矩阵的四列分别对应的是叶片个数、叶片出口角、叶片宽度以及叶片包角。

(2)将式(6)表示的矩阵中增加每个个体对应的适应度值(分离效率和压降)，其数值通过支持向量机方法预测得到，最终得到一个如式(7)所示的新矩阵f。

(3)非支配排序。f″中每个个体i都包含ni和si两个参数，其中ni表示种群中能支配个体i的个体数量，si表示受个体i支配的个体集合。在快速非支配排序过程中，先找到种群中所有ni＝0的个体并存入集合fi′，然后考察集合fi′中的每个个体j所支配的个体集si，将集合si中的每个个体k的nk减去1。如果nk-1＝0，则将个体k放入另一个集合h。最后将得到的fi′作为第一级非支配个体集合，该集合内的个体具有相同的非支配排序。然后继续对h作上述分级操作，直到实现所有个体的分级，得到一个非支配排序后的f矩阵。最后，对f进行拥挤度排序，实现矩阵f中每个个体的排序。

(4)对矩阵f进行遗传操作。其中，选择运算采用基于个体适应度之间大小关系的锦标赛法，交叉运算采用均匀交叉，变异运算采用均匀变异。遗传操作的控制参数设置如表2所示。

表2遗传算法优化旋流器导流叶片时参数设置

(5)通过引入精英策略来扩大采样空间，将子代种群与父代种群进行组合，共同竞争后生成下一代种群。利用非支配排序和拥挤度排序将父代与其产生的子代合并，产生含有2n个个体的群体，进行排序后，只取前n个个体作为遗传子代。

(6)判断迭代次数是否达到了规定的最大迭代次数，若达到，则结束优化；若没有达到规定的最大迭代次数，则将校验值加入到样本集中继续迭代计算，直到达到规定的迭代次数。

得到最优解集后，采用缩小比例因子方法(本实施例中比例因子取值为0.3)，得到几组分离效率和压降同时都比较优的解。

步骤三，采用上面建立的优化方法对直流式气液旋流分离器的导流叶片进行了多目标优化，得到了包含有60个个体的pareto最优解集，如图2所示为本发明实施例中优化所得pareto最优解集的示意图，从图2可看出：这些设计点之间彼此互不支配，也就是从一个设计点移动到另一个设计点，其中一个目标函数变好，则另一个目标函数必然变差。图中存在五个特殊的最优设计点；点a处分离效率最低、压降也最小，点e处分离效率最高、压降也最大，将点a向点b移动时，增加压降会大幅度提高分离效率；而将点d向点e移动时，提高分离效率会大幅度地增加压降；点c是分离效率和压降都较优的一个设计点。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

综上所述，本发明实施例所述方法以最大化分离效率和最小化压降为优化目标进行直流式气液旋流分离器导流叶片的优化，能够同时找到一组各有利弊的pareto最优解集，满足石油与天然气气液分离领域不同工况的需要，方便决策者根据实际情况，从而选择合适的导流叶片结构参数。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。