Temat: particle-particle - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Early prediction of remaining discharge time for lithium-ion batteries considering parameter correlation between discharge stages
Wczesne przewidywanie czasu pozostałego do rozładowania baterii litowo-jonowej z uwzględnieniem korelacji parametrów z różnych etapów procesu rozładowania
Autorzy:: Yu, Jinsong
Yang, Jie
Tang, Diyin
Dai, Jing
Powiązania:: https://bibliotekanauki.pl/articles/1365259.pdf
Data publikacji:: 2019
Wydawca:: Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:: lithium-ion battery
parameter correlation
particle swarm optimization (PSO)
particle filter
remaining discharge time prognostics
bateria litowo-jonowa
korelacja parametrów
optymalizacja rojem cząstek
filtr cząsteczkowy
prognozowanie czasu do rozładowania
Opis:: In this paper, we propose a method for making early predictions of remaining discharge time (RDT) that considers information about future battery discharge process. Instead of analyzing the entire degradation process of a battery, as in the existing literature, we obtain the information about future battery condition by decomposing the discharge model into three stages, according to level of voltage loss. Correlation between model parameters at the first and last stages of discharge process allows the values of model parameters in the future to be used to predict the value of parameters at early stages of discharge. The particle swarm optimization (PSO) and particle filter (PF) algorithms are employed to update parameters when new voltage data is available. A case study demonstrates that the proposed approach predicts RDT more accurately than the benchmark PF-based prediction method, regardless of the degradation period of the battery.
W pracy zaproponowano metodę wczesnego przewidywania czasu pozostałego do rozładowania baterii (RDT), która uwzględnia informacje na temat przyszłego procesu jej rozładowywania. Zamiast analizować cały proces degradacji baterii, jak to ma miejsce w literaturze przedmiotu, wykorzystano informacje o przyszłym stanie baterii uzyskane na drodze podziału modelu procesu rozładowania na trzy etapy, według poziomu utraty napięcia. Korelacje między parametrami modelu uzyskanymi na pierwszym i ostatnim etapie procesu rozładowania baterii umożliwiają wykorzystanie przyszłych wartości parametrów do przewidywania wartości parametrów we wczesnych etapach rozładowania. Do aktualizacji parametrów zgodnie z napływającymi nowymi danymi napięciowymi wykorzystano algorytm optymalizacji rojem cząstek (PSO) i algorytm filtra cząsteczkowego (PF). Studium przypadku pokazuje, że proponowane podejście pozwala bardziej precyzyjnie prognozować RDT niż metoda prognozowania oparta na PF, niezależnie od okresu degradacji baterii.
Źródło:: Eksploatacja i Niezawodność; 2019, 21, 1; 81-89
1507-2711
Pojawia się w:: Eksploatacja i Niezawodność
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Unsupervised classification and particle swarm optimization
Klasyfikacja nienadzorowana i optymalizacja rojem cząstek
Autorzy:: Truszkowski, A.
Topczewska, M.
Powiązania:: https://bibliotekanauki.pl/articles/341179.pdf
Data publikacji:: 2012
Wydawca:: Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
Tematy:: klasyfikacja nienadzorowana
analiza skupień
optymalizacja rojem cząstek
unsupervised classification
clustering
particle swarm optimization (PSO)
Opis:: This article considers three algorithms of unsupervised classification -K-means, Gbest and the Hybrid method, the last two have been proposed in [14]. All three algorithms belong to the class of non-hierarchical methods. At first, the initial split of objects into known in advance number of classes is performed. If it is necessary, some objects are then moved into other clusters to achieve better split - between cluster variation should be much larger than within cluster variation. The first algorithm described in this paper (K-means) is wellknown classical method. The second one (Gbest) is based on the particle swarm intelligence idea. While the third is a hybrid of two mentioned algorithms. Several indices assessing the quality of obtained clusters are calculated.
W niniejszym artykule porównywane są trzy algorytmy analizy skupień - metoda k-średnich, algorytm gbest oraz metoda hybrydowa. Algorytmy gbest oraz hybrydowy zostały zaproponowane w publikacji [14]. Wszystkie trzy metody nalezą a do rodziny metod niehierarchicznych, w których na początku tworzony jest podział obiektów na znaną z góry liczbę klastrów. Następnie, niektóre obiekty przenoszone są pomiędzy klastrami, by uzyskać jak najlepszy podział - wariancja pomiędzy skupieniami powinna być znacznie większa niż wariancja wewnątrz skupień. Pierwszy algorytm (k-means) jest znaną, klasyczną metodą. Drugi oparty jest na idei inteligencji roju cząstek. Natomiast trzeci jest metodą hybrydową łączącą dwa wymienione wcześniej algorytmy. Do porównania uzyskanych skupień wykorzystano kilka różnych indeksów szacujących jakość otrzymanych skupień.
Źródło:: Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2012, 9; 119-132
1644-0331
Pojawia się w:: Zeszyty Naukowe Politechniki Białostockiej. Informatyka
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Zastosowanie algorytmu optymalizacji rojem cząstek do znajdowania ekstremów globalnych wybranych funkcji testowych
A particle swarm optimization algorithm for finding global extrema of some benchmark functions
Autorzy:: Figielska, E.
Wiatrak, M.
Powiązania:: https://bibliotekanauki.pl/articles/91471.pdf
Data publikacji:: 2015
Wydawca:: Warszawska Wyższa Szkoła Informatyki
Tematy:: optymalizacja rojem cząstek
ekstremum globalne
funkcje testowe
particle swarm optimization (PSO)
global extremum
benchmark functions
Opis:: Praca dotyczy zastosowania algorytmu optymalizacji rojem cząstek do znajdowania ekstremów globalnych dla wybranych funkcji jedno i wielomodalnych. Na podstawie wyników eksperymentu obliczeniowego wyłoniono warianty ustawień parametrów algorytmu zapewniające jego największą skuteczność.
In this paper, we present the particle swarm optimization algorithm for finding the global extrema of several single and multimodal functions. The values of the algorithm parameters which ensure its best performance are determined on the basis of the computational results.
Źródło:: Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki; 2015, 9, 13; 7-19
1896-396X
2082-8349
Pojawia się w:: Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: Scheduling electric power generators using particle swarm optimization combined with the Lagrangian relaxation method
Autorzy:: Balci, H. H.
Valenzuela, J. F.
Powiązania:: https://bibliotekanauki.pl/articles/907641.pdf
Data publikacji:: 2004
Wydawca:: Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:: optymalizacja rojem cząstek
jednostka wytwórcza
relaksacja Lagrange'a
particle swarm optimization (PSO)
unit commitment
Lagrange relaxation
Opis:: This paper describes a procedure that uses particle swarm optimization (PSO) combined with the Lagrangian Relaxation (LR) framework to solve a power-generator scheduling problem known as the unit commitment problem (UCP). The UCP consists of determining the schedule and production amount of generating units within a power system subject to operating constraints. The LR framework is applied to relax coupling constraints of the optimization problem. Thus, the UCP is separated into independent optimization functions for each generating unit. Each of these sub-problems is solved using Dynamic Programming (DP). PSO is used to evolve the Lagrangian multipliers. PSO is a population based search technique, which belongs to the swarm intelligence paradigm that is motivated by the simulation of social behavior to manipulate individuals towards better solution areas. The performance of the PSO-LR procedure is compared with results of other algorithms in the literature used to solve the UCP. The comparison shows that the PSO-LR approach is efficient in terms of computational time while providing good solutions.
Źródło:: International Journal of Applied Mathematics and Computer Science; 2004, 14, 3; 411-421
1641-876X
2083-8492
Pojawia się w:: International Journal of Applied Mathematics and Computer Science
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

Tytuł:: Coordinated control of phase shifting transformers in the power system
Skoordynowane sterowanie przesuwnikami fazowymi w systemie elektroenergetycznym
Autorzy:: Korab, R.
Owczarek, R.
Połomski, M.
Powiązania:: https://bibliotekanauki.pl/articles/397322.pdf
Data publikacji:: 2017
Wydawca:: ENERGA
Tematy:: power system
phase shifting transformer
unscheduled flow
particle swarm optimisation
system elektroenergetyczny
przesuwnik fazowy
przepływ nieplanowy
optymalizacja rojem cząstek
Opis:: In response to the growing problem of unscheduled flows, more and more transmission system operators in Europe provide their systems with phase shifting transformers (PST). However, the operations of several PSTs deployed close to each other must be coordinated for them to be effective and to avoid their harmful interactions. Coordination of a group of such devices leads to a problem of multidimensional optimisation. This paper presents a method of optimal PST setting based on the particle swarm optimisation (PSO) algorithm. As an optimisation criterion the minimization of unscheduled flow through the given system has been applied. The impact of the number of particles in the swarm and their maximum permissible velocity on the optimisation algorithm’s efficiency was analysed. Results are presented for a 118-node test grid.
W odpowiedzi na rosnący problem przepływów nieplanowych coraz większa liczba operatorów systemów przesyłowych w Europie wyposaża swoje systemy w przesuwniki fazowe (PST). Jednakże użycie kilku PST zainstalowanych geograficznie lub elektrycznie blisko siebie musi być skoordynowane w celu skutecznego wykorzystania tych urządzeń i uniknięcia ich niekorzystnych interakcji. Koordynacja grupy takich urządzeń prowadzi do problemu optymalizacji wielowymiarowej. W artykule przedstawiono metodę optymalizacji nastaw PST opartą na algorytmie roju cząstek (PSO). Jako kryterium optymalizacji zastosowano minimalizację przepływu nieplanowego przez dany system. Przeanalizowano wpływ liczby cząstek roju oraz ich maksymalnej dozwolonej prędkości na efektywność algorytmu optymalizacji. Przedstawiono wyniki dla sieci testowej zawierającej 118 węzłów.
Źródło:: Acta Energetica; 2017, 3; 97-103
2300-3022
Pojawia się w:: Acta Energetica
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 6.

Tytuł:: Feature selection using particle swarm optimization in text categorization
Autorzy:: Aghdam, M. H.
Heidari, S.
Powiązania:: https://bibliotekanauki.pl/articles/91792.pdf
Data publikacji:: 2015
Wydawca:: Społeczna Akademia Nauk w Łodzi. Polskie Towarzystwo Sieci Neuronowych
Tematy:: classification system
feature selection
text categorization
particle swarm optimization (PSO)
system klasyfikacji
wybór funkcji
kategoryzacja tekstu
optymalizacja rojem cząstek
Opis:: Feature selection is the main step in classification systems, a procedure that selects a subset from original features. Feature selection is one of major challenges in text categorization. The high dimensionality of feature space increases the complexity of text categorization process, because it plays a key role in this process. This paper presents a novel feature selection method based on particle swarm optimization to improve the performance of text categorization. Particle swarm optimization inspired by social behavior of fish schooling or bird flocking. The complexity of the proposed method is very low due to application of a simple classifier. The performance of the proposed method is compared with performance of other methods on the Reuters-21578 data set. Experimental results display the superiority of the proposed method.
Źródło:: Journal of Artificial Intelligence and Soft Computing Research; 2015, 5, 4; 231-238
2083-2567
2449-6499
Pojawia się w:: Journal of Artificial Intelligence and Soft Computing Research
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 7.

Tytuł:: A modified particle swarm optimization procedure for triggering fuzzy flip-flop neural networks
Autorzy:: Kowalski, Piotr A.
Słoczyński, Tomasz
Powiązania:: https://bibliotekanauki.pl/articles/2055168.pdf
Data publikacji:: 2021
Wydawca:: Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:: fuzzy neural network
fuzzy flip-flop neuron
particle swarm optimization
training procedure
sieć neuronowa rozmyta
optymalizacja rojem cząstek
procedura szkoleniowa
Opis:: The aim of the presented study is to investigate the application of an optimization algorithm based on swarm intelligence to the configuration of a fuzzy flip-flop neural network. Research on solving this problem consists of the following stages. The first one is to analyze the impact of the basic internal parameters of the neural network and the particle swarm optimization (PSO) algorithm. Subsequently, some modifications to the PSO algorithm are investigated. Approximations of trigonometric functions are then adopted as the main task to be performed by the neural network. As a result of the numerical verification of the problem, a set of rules are developed that can be helpful in constructing a fuzzy flip-flop type neural network. The obtained results of the computations significantly simplify the structure of the neural network in relation to similar conditions known from the literature.
Źródło:: International Journal of Applied Mathematics and Computer Science; 2021, 31, 4; 577--586
1641-876X
2083-8492
Pojawia się w:: International Journal of Applied Mathematics and Computer Science
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 8.

Tytuł:: Optymalizacja rojowa nastaw przesuwników fazowych w systemie elektroenergetycznym
Swarm optimization of settings of phase shifting transformers in a power system
Autorzy:: Korab, R.
Owczarek, R.
Połomski, M.
Powiązania:: https://bibliotekanauki.pl/articles/269100.pdf
Data publikacji:: 2017
Wydawca:: Politechnika Gdańska. Wydział Elektrotechniki i Automatyki
Tematy:: power system
phase shifting transformer
particle swarm optimization (PSO)
active power losses
system elektroenergetyczny
przesuwnik fazowy
optymalizacja rojem cząstek
straty mocy czynnej
Opis:: W artykule przedstawiono zastosowanie algorytmu rojowego PSO do optymalizacji nastaw grupy przesuwników fazowych w systemie elektroenergetycznym. Jako kryterium optymalizacji zastosowano minimalizację strat mocy czynnej w sieci testowej IEEE 118. Przeanalizowano wpływ maksymalnej dozwolonej prędkości cząstek na efektywność algorytmu optymalizacji. Wyniki badań pokazują ważność tego parametru.
In response to the growing problem of unscheduled flows, a larger and larger number of transmission system operators in Europe equip their systems with phase shifting transformers (PSTs). PSTs are special transformers which installed in a transmission line enable regulation of the voltage phase angle and thereby change of the active power flow in the line. However, the use of several PSTs installed geographically close to each other must be coordinated in order to efficiently use those devices and avoid their adverse interactions. The coordination of a group of such devices leads to a multidimensional optimization problem. In this paper, the coordination problem was solved by optimization of settings of all analyzed PSTs, based on the swarm algorithm. This approach was examined and tested on an IEEE 118-bus test system. The minimization of active power losses in this system was used as the optimization criterion. The impact of maximum allowed velocity of particles on the effectiveness of the optimization algorithm was analyzed. The result shows that the improved effectiveness of the proposed approach can be obtained by careful selection of this parameter.
Źródło:: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej; 2017, 53; 99-102
1425-5766
2353-1290
Pojawia się w:: Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 9.

Tytuł:: The influence of inertia weight on the Particle Swarm Optimization algorithm
Autorzy:: Cekus, D.
Skrobek, D.
Powiązania:: https://bibliotekanauki.pl/articles/122644.pdf
Data publikacji:: 2018
Wydawca:: Politechnika Częstochowska. Wydawnictwo Politechniki Częstochowskiej
Tematy:: particle swarm optimization (PSO)
PSO algorithm
inertia weight
trajectory
optymalizacja rojem cząstek
PSO
algorytm PSO
metoda PSO
algorytm optymalizacji rojem cząstek
trajektoria
współczynnik wagowy
Opis:: The paper presents the use of the Particle Swarm Optimization (PSO) algorithm to find the shortest trajectory connecting two defined points while avoiding obstacles. The influence of the inertia weight and the number of population adopted in the first iteration of the PSO algorithm was examined for the length of the sought trajectory. Simulation results showed that the proposed method achieved significant improvement compared to the linearly decreasing method technique that is widely used in literature.
Źródło:: Journal of Applied Mathematics and Computational Mechanics; 2018, 17, 4; 5-11
2299-9965
Pojawia się w:: Journal of Applied Mathematics and Computational Mechanics
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 10.

Tytuł:: Cross‐Comparison of Evolutionary Algorithms for Optimizing Design of Sustainable Supply Chain Network under Disruption Risks
Autorzy:: Al-Zuheri, Atiya
Powiązania:: https://bibliotekanauki.pl/articles/2023790.pdf
Data publikacji:: 2021
Wydawca:: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:: comparison
genetic algorithm
particle swarm optimization
sustainable supply chain design
disruption risk
porównanie
algorytm genetyczny
optymalizacja rojem cząstek
projektowanie zrównoważonego łańcucha dostaw
ryzyko zakłóceń
Opis:: Optimization of a sustainable supply chain network design (SSCND) is a complex decision-making process which can be done by the optimal determination of a set of decisions and constraints such as the selection of suppliers, transportation-related facilities and distribution centres. Different optimization techniques have been applied to handle various SSCND problems. Meta- heuristic algorithms are developed from these techniques that are commonly used to solving supply chain related problems. Among them, Genetic algorithms (GA) and particle swarm optimization (PSO) are implemented as optimization solvers to obtain supply network design decisions. This paper aims to compare the performance of these two evolutionary algorithms in optimizing such problems by minimizing the total cost that the system faces to potential disruption risks. The mechanism and implementation of these two evolutionary algorithms is presented in this paper. Also, using an optimization considers ordering, purchasing, inventory, transportation, and carbon tax cost, a numerical real-life case study is presented to demonstrate the validity of the effectiveness of these algorithms. A comparative study for the algorithms performance has been carried out based on the quality of the obtained solution and the results indicate that the GA performs better than PSO in finding lower-cost solution to the addressed SSCND problem. Despite a lot of research literature being done regarding these two algorithms in solving problems of SCND, few studies have compared the optimization performance between GA and PSO, especially the design of sustainable systems under risk disruptions.
Źródło:: Advances in Science and Technology. Research Journal; 2021, 15, 4; 342-351
2299-8624
Pojawia się w:: Advances in Science and Technology. Research Journal
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 11.

Tytuł:: A novel fuzzy c-regression model algorithm using a new error measure and particle swarm optimization
Autorzy:: Soltani, M.
Chaari, A.
Ben Hmida, F.
Powiązania:: https://bibliotekanauki.pl/articles/330134.pdf
Data publikacji:: 2012
Wydawca:: Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:: model rozmyty Takagi-Sugeno
algorytm grupowania
metoda najmniejszych kwadratów
optymalizacja rojem cząstek
Takagi-Sugeno fuzzy models
noise clustering algorithm
fuzzy c-regression model
orthogonal least squares
particle swarm optimization (PSO)
Opis:: This paper presents a new algorithm for fuzzy c-regression model clustering. The proposed methodology is based on adding a second regularization term in the objective function of a Fuzzy C-Regression Model (FCRM) clustering algorithm in order to take into account noisy data. In addition, a new error measure is used in the objective function of the FCRM algorithm, replacing the one used in this type of algorithm. Then, particle swarm optimization is employed to finally tune parameters of the obtained fuzzy model. The orthogonal least squares method is used to identify the unknown parameters of the local linear model. Finally, validation results of two examples are given to demonstrate the effectiveness and practicality of the proposed algorithm.
Źródło:: International Journal of Applied Mathematics and Computer Science; 2012, 22, 3; 617-628
1641-876X
2083-8492
Pojawia się w:: International Journal of Applied Mathematics and Computer Science
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 12.

Tytuł:: Intelligent financial time series forecasting: A complex neuro-fuzzy approach with multi-swarm intelligence
Autorzy:: Li, C.
Chiang, T. W.
Powiązania:: https://bibliotekanauki.pl/articles/331280.pdf
Data publikacji:: 2012
Wydawca:: Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:: zbiór rozmyty
system neuronowo-rozmyty
optymalizacja rojem cząstek
szereg czasowy
complex fuzzy set
complex neuro fuzzy system
hierarchical multi swarm
particle swarm optimization (PSO)
recursive least squares estimator
time series forecasting
Opis:: Financial investors often face an urgent need to predict the future. Accurate forecasting may allow investors to be aware of changes in financial markets in the future, so that they can reduce the risk of investment. In this paper, we present an intelligent computing paradigm, called the Complex Neuro-Fuzzy System (CNFS), applied to the problem of financial time series forecasting. The CNFS is an adaptive system, which is designed using Complex Fuzzy Sets (CFSs) whose membership functions are complex-valued and characterized within the unit disc of the complex plane. The application of CFSs to the CNFS can augment the adaptive capability of nonlinear functional mapping, which is valuable for nonlinear forecasting. Moreover, to optimize the CNFS for accurate forecasting, we devised a new hybrid learning method, called the HMSPSO-RLSE, which integrates in a hybrid way the so-called Hierarchical Multi-Swarm PSO (HMSPSO) and the well known Recursive Least Squares Estimator (RLSE). Three examples of financial time series are used to test the proposed approach, whose experimental results outperform those of other methods.
Źródło:: International Journal of Applied Mathematics and Computer Science; 2012, 22, 4; 787-800
1641-876X
2083-8492
Pojawia się w:: International Journal of Applied Mathematics and Computer Science
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 13.

Tytuł:: Optimization algorithm for number and wells placement
Algorytm optymalizacji liczby i położenia odwiertów
Autorzy:: Łętkowski, Piotr
Powiązania:: https://bibliotekanauki.pl/articles/1834980.pdf
Data publikacji:: 2019
Wydawca:: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Tematy:: optimization
reservoir simulation
swarm intelligence
particle swarm optimization (PSO)
optimal number of wells
optimal well placement
optymalizacja
symulacje złożowe
inteligencja roju
optymalizacja rojem cząstek
optymalna liczba odwiertów
optymalne położenie odwiertów
Opis:: Determination of the optimal number and placement of production wells is crucial for the effective depletion of the hydrocarbon reservoir. Due to the strongly non-linearity of the problem and the occurrence of multiple local minimums in the response function the non-gradient optimization methods in combination with reservoir simulations are most commonly used for its solution. However, it should be noted that most of the research works dedicated to this issue describe the process of placement optimization but not the number of drilling wells assuming that it was arbitrary set. This is partly due to the fact that known and used optimization methods operate on a fixed number of optimization parameters, therefore the number of production wells can not change during the optimization process. The paper is dedicated to the attempt to build an algorithm that allows simultaneous optimization of the number and position of production wells with respect to the discounted profit in a given period of operation. The basic optimization method in the presented algorithm is the Particle Swarm Optimization (PSO) – one of the most effective non-gradient optimization methods that belongs to the group of methods applying the swarm’s intelligence. Taking into account the number of drilling wells in the optimization process means that the algorithm operates on a variable number of parameters. The objective algorithm starts optimization from an arbitrarily set number of producers, reducing it gradually. Efficiency tests conducted on the sample reservoir PUNQ-S3 indicated a satisfactory convergence of the proposed method. The computing program created implements the mechanisms of convergence enhancement by improving the boundary conditions for the optimization method. The minimum separation distance control between production wells was also introduced at the initial stage of optimization process. Although the algorithm is characterized by satisfactory convergence it would be advisable to improve it by using a hybrid method to increase its effectiveness in the local optimization phase and to introduce minimum well spacing during the entire optimization process.
Określenie optymalnej liczby i położenia odwiertów eksploatacyjnych jest kluczowe dla efektywnej eksploatacji złoża węglowodorowego. Ze względu na silnie nieliniowy charakter problemu oraz występowanie w funkcji odpowiedzi wielokrotnych minimów lokalnych do jego rozwiązania najczęściej wykorzystywane są bezgradientowe metody optymalizacyjne w połączeniu z symulacjami złożowymi. Należy jednak zauważyć, że większość prac poświęconych temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona dana arbitralnie. Wynika to po części z faktu, że znane i stosowane metody optymalizacyjne operują na stałej liczbie parametrów optymalizacyjnych, w związku z czym liczba odwiertów wydobywczych nie może zmieniać się w trakcie procesu optymalizacji. Artykuł jest poświęcony próbie zbudowania algorytmu umożliwiającego równoczesną optymalizację liczby i położenia odwiertów wydobywczych ze względu na zdyskontowany zysk w zadanym okresie eksploatacji. Podstawową metodą optymalizacyjną w prezentowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod wykorzystujących inteligencję roju. Próby efektywności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą zbieżność zaproponowanej metody, dla której na początkowym etapie zastosowano kontrolę minimalnej odległości pomiędzy odwiertami. Jakkolwiek algorytm charakteryzuje się zadowalającą zbieżnością, to jednak wskazane byłoby jego udoskonalenie poprzez wykorzystanie metody hybrydowej w celu zwiększenia jego efektywności w fazie optymalizacji lokalnej oraz wprowadzenie kontroli odległości minimalnej w trakcie całego procesu optymalizacji.
Źródło:: Nafta-Gaz; 2019, 75, 12; 744-750
0867-8871
Pojawia się w:: Nafta-Gaz
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 14.

Tytuł:: Optymalizacja położenia odwiertów wydobywczych ze względu na czas trwania plateau wydobycia
Well placement optimization for constant production rate
Autorzy:: Łętkowski, Piotr
Powiązania:: https://bibliotekanauki.pl/articles/31348130.pdf
Data publikacji:: 2022
Wydawca:: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Tematy:: optymalizacja
symulacje złożowe
inteligencja roju
optymalizacja rojem cząstek
optymalna liczba odwiertów
optymalne położenie odwiertów
mapa potencjału produktywności
optimization
reservoir simulation
swarm intelligence
particle swarm optimization
optimal number of wells
optimal well placement
productivity potential map
Opis:: Określenie optymalnego rozmieszczenia odwiertów eksploatacyjnych na złożu węglowodorów jest kluczowe dla jego efektywnej eksploatacji. Tak sformułowane zagadnienie stanowi złożony problem optymalizacyjny, którego rozwiązanie w postaci lokalizacji odwiertów zależy między innymi od sposobu zdefiniowania funkcji celu. W literaturze najczęściej występują dwie postacie funkcji celu: zysk bieżący netto (NPV) oraz sumaryczne wydobycie ropy naftowej. Rzadziej spotykana jest funkcja celu bazująca na równomierności sczerpania złoża. Artykuł jest poświęcony próbie zastosowania funkcji celu opartej na czasie wydobycia ropy ze stałą wydajnością (tzw. plateau). Optymalizację prowadzono dla sumarycznego wydobycia ropy oraz zysku bieżącego netto w czasie trwania fazy plateau. W tym celu zbudowano hybrydowy algorytm optymalizacyjny bazujący na optymalizacji rojem cząstek. Zastosowanie algorytmu hybrydowego łączącego trzy mechanizmy wynikało z jednej strony z konieczności poprawienia skuteczności podstawowej metody optymalizacyjnej, z drugiej zaś miało na celu ograniczenie tzw. przedwczesnej zbieżności. Cele te zostały zrealizowane poprzez wykorzystanie mapy potencjału produktywności oraz wprowadzenie mechanizmu mutacji. Optymalizację prowadzono dla dwóch różnych sposobów sterowania odwiertami: sterowania grupowego ze stałą wydajnością oraz sterowania indywidualnego. Zbudowany algorytm potwierdził efektywność, uzyskując wzrost wartości funkcji celu w stosunku do wartości pierwotnej od 40% do 300%. We wszystkich analizowanych przypadkach algorytm rozmieścił odwierty produkcyjne poprawnie, co do zasady. Odwierty zostały rozmieszczone w strefie ropnej w bezpiecznej odległości zarówno od kontaktu woda–ropa, jak i ropa–gaz, przy czym stwierdzono pewne różnice w zależności od przyjętej funkcji celu. Przeprowadzone symulacje potwierdziły możliwość zastosowania czasu trwania plateau jako funkcji celu dla optymalizacji położenia odwiertów produkcyjnych.
Determining the optimal placement of production wells in a hydrocarbon reservoir is crucial for the effective exploitation. The problem formulated in this way is a complex optimization problem, the solution of which in the form of the location of the wells depends, inter alia, on the method of defining the objective function. Two forms of the objective function are most often found in the literature. These are the net pay value (NPV) and total oil production. The objective function based on the uniformity of the reservoir depletion is less common. The article is devoted to an attempt to apply the objective function based on the duration of oil production with a constant production rate (the so-called production plateau). The optimization was carried out for the total oil production and for the net pay value for the plateau period. The need to use a hybrid algorithm combining three mechanisms resulted, on the one hand, from the need to improve the effectiveness of the basic optimization method, and on the other hand, to reduce the so-called “premature convergence”. For this purpose, a hybrid optimization algorithm based on particle swarm optimization was built. These goals were achieved through the use of a productivity potential map and a mutation mechanism. Optimization was carried out for two different well control methods: group control with constant production rate and individual well control. The developed algorithm confirmed the effectiveness, obtaining an increase in the value of the objective function in relation to the original value from 40% to 300%. As a rule, the algorithm placed the production wells correctly in all analyzed cases. The well were located in the oil zone at a safe distance from both water-oil and oil-gas contacts, with some differences depending on the target function adopted. The simulations carried out confirmed the possibility of using the plateau duration as a function of the objective for optimizing the location of production wells.
Źródło:: Nafta-Gaz; 2022, 78, 8; 598-607
0867-8871
Pojawia się w:: Nafta-Gaz
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 15.

Tytuł:: Optymalizacja liczby i położenia odwiertów eksploatacyjnych z wykorzystaniem mapy potencjału produktywności
Optimization of the number and placement of exploitation wells using a productivity potential map
Autorzy:: Łętkowski, Piotr
Powiązania:: https://bibliotekanauki.pl/articles/31344029.pdf
Data publikacji:: 2022
Wydawca:: Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Tematy:: optymalizacja
symulacje złożowe
inteligencja roju
optymalizacja rojem cząstek
optymalna liczba odwiertów
optymalne położenie odwiertów
mapa potencjału produktywności
optimization
reservoir simulation
swarm intelligence
particle swarm optimization
optimal number of wells
optimal well placement
productivity potential map
Opis:: Jednym z podstawowych elementów planu zagospodarowania złoża węglowodorów jest określenie liczby i położenia odwiertów eksploatacyjnych (produkcyjnych i zatłaczających). Należy jednak zauważyć, że zdecydowana większość prac poświęcona temu zagadnieniu opisuje proces optymalizacji położenia, a nie liczby odwiertów, przyjmując, że jest ona zadana arbitralnie. Wynika to z faktu, że znane i stosowane metody optymalizacyjne operują na stałej liczbie parametrów optymalizacyjnych, w związku z czym liczba odwiertów wydobywczych nie może zmieniać się w trakcie procesu optymalizacji. W artykule przedstawiono modyfikację podstawowej metody optymalizacyjnej uwzględniającą zmianę liczby odwiertów w czasie optymalizacji, przy czym optymalizacja położenia i liczby odwiertów przebiega równocześnie. Podstawową metodą optymalizacyjną w skonstruowanym algorytmie jest optymalizacja rojem cząstek (ang. PSO) – jedna z najbardziej efektywnych metod optymalizacji bezgradientowej, należąca do grupy metod stochastycznych. Została ona zmodyfikowana dla potrzeb przyjętego problemu optymalizacyjnego poprzez zmianę postaci funkcji celu oraz wprowadzenie zmiennej progowej, co pozwoliło na operowanie zmienną liczbą odwiertów. W celu poprawienia zbieżności algorytm uzupełniono o mechanizm mutacji oparty na mapie potencjału produktywności. Testy zbieżności metody przeprowadzone na przykładzie złoża testowego PUNQ-S3 wskazały na zadowalającą efektywność zaproponowanego rozwiązania. Algorytm potrzebował 150 iteracji i 750 wywołań funkcji celu, aby 2,5-krotnie zwiększyć początkową wartość NPV przy równoczesnej 3,5-krotnej redukcji liczby odwiertów produkcyjnych. Z kolei zastosowanie algorytmu do optymalizacji liczby i rozmieszczenia odwiertów zatłaczających przy zadanej liczbie konfiguracji odwiertów wydobywczych pozwoliło na zwiększenie zysku netto o 1/3 przy ponad 2-krotnej redukcji liczby odwiertów
One of the basic elements of the hydrocarbon reservoir development plan is to determine the number and location of production and injection wells. However, it should be noted that most of the research works dedicated to this issue describe the process of placement optimization but not the number of exploitation wells assuming that it was an arbitrary set. This is partly due to the fact that known and used optimization methods operate on a fixed number of optimization parameters, therefore the number of production wells can not change during the optimization process. The paper presents modification of the basic optimization method taking into account the change in the number of wells during optimization. The optimization of the placement and number of wells run simultaneously. The basic optimization method in the constructed algorithm is particle swarm optimization (PSO) – one of the most effective methods of non-gradient optimization, belonging to the group of stochastic methods. It was modified for the needs of the adopted optimization problem by changing the form of the objective function and introducing the threshold variable which allowed to change the number of wells. In order to improve the convergence, the algorithm is supported by a mutation mechanism based on the productivity potential map. The convergence tests carried out based on the example of the PUNQ-S3 benchmark field showed the satisfactory effectiveness of the proposed solution. The algorithm took 150 iterations and 750 objective function calls to increase the starting NPV value by 2.5 times while reducing the number of production wells by 3.5 times. On the other hand, the use of the algorithm to optimize the number and placement of injection wells for a given number of production wells configuration allowed to increase the NPV value profit by 1/3 with a reduction of more than 2 times in the number of wells.
Źródło:: Nafta-Gaz; 2022, 78, 12; 861-871
0867-8871
Pojawia się w:: Nafta-Gaz
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "particle-particle" wg kryterium: Temat

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język