Учебное пособие 2166
.pdfИскусственная нейронная сеть содержит нейроны, являющиеся узлами, и синаптические связи [3]. Каждый нейрон представляется как:
Vk = ∑ωkj x j , |
(1) |
j |
|
где xj – входные импульсы; ωk - веса синаптических связей для нейрона k.
Функционирование нейрона в математическом моделировании представляется как: |
|
Yk = f (Vk +hk ), |
(2) |
где f(x) – функция активации; hk – порог; Vk – выход линейного сумматора; Yk – выходной сигнал нейрона.
В зависимости от способа преобразования сигнала и характера активации возникают различные виды нейронных структур. Существуют детерминированные нейроны, когда активизирующая функция однозначно вычисляет выход по входу, и вероятностные нейроны, состояние которых в момент t есть случайная функция потенциала и состояния в момент t-1.
Нейронные сети не программируются в привычном смысле этого слова. Нейросети обучаются, что составляет их главное отличие и преимущество перед традиционными алгоритмами. При обучении происходит поиск синаптических коэффициентов связи между нейронами. Для этого производится решение нейронной сетью задач, в которых задано эталонное решение. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.
Одним из способов обучения нейросети является обучение с учителем. При применении этого способа обучение нейронной сети можно представить как задачу оптимизации. При этом происходит оптимизация функции оценки работы сети. В качестве функции оценки погрешности нейронной сети использовалось суммарная квадратичная ошибка:
|
1 |
M |
|
E = |
∑∑(dki − yki )2 , |
(3) |
|
|
2 k =1 i |
|
где M – размерность выходного вектора; {d} – желаемый выходной вектор; {y} - множество реакций нейронной сети на вход {x}.
Обучение нейронной сети происходило методом обратного распространения ошибки. При этом веса изменяются таким образом, чтобы минимизировать функцию ошибки. Минимизация этой функции осуществляется с помощью метода градиентного спуска. На
каждом шаге изменение весов составит: |
|
||
ω = −η |
∂E |
, |
(4) |
|
|||
ij |
∂ωij |
|
|
|
|
|
где η – входной параметр для обучения, называемый коэффициентом обучения.
Для обучающего множества, состоящего из L элементов, вычисление частных производных для использования метода градиентного спуска происходит следующим образом. Вес входа i-го нейрона, идущего от j-го нейрона, пересчитывается по формуле:
L |
∂Ek |
L |
∂Ek |
|
∂Vki |
L |
i |
i |
|
|
ωij = −η* ∑ |
|
= −η* ∑ |
i |
* |
|
= −η* ∑δk |
* xk |
, |
(5) |
|
∂ω |
∂ω |
|||||||||
k =1 |
ij |
k =1∂Vk |
|
ij |
k =1 |
|
|
|
|
где xki - i-й вход k-го образца.
Расчет δik производится через последующий слой. Так производится передача ошибок в обратном направлении. Для выходных элементов расчет происходит следующим образом:
δi |
= −(d i |
− xi |
) f '(vi |
). |
(6) |
k |
k |
k |
k |
|
|
|
|
|
|
|
172 |
|
В качестве сети выбран многослойный персептрон, наиболее часто используемый в |
|||||||||||||
прогнозировании. Пример многослойного персептрона приведен на рис. 1. |
|
|
||||||||||||
|
|
|
|
|
Рис. 1. Пример нейронной сети |
|
|
|
|
|||||
|
Поиск наилучшего типа и архитектуры сети существенным образом зависит от |
|||||||||||||
качества и скорости алгоритмов обучения сети. Для обучения многослойных персептронов |
||||||||||||||
реализован, прежде всего, метод обратного распространения - с меняющимися во времени |
||||||||||||||
скоростью обучения и коэффициентом инерции. |
|
|
|
|
|
|
|
|||||||
|
Непосредственный прогноз получается прогоном наблюдений через нейронную сеть – |
|||||||||||||
строится проекция временного ряда. Задав проекцию на 5 наблюдений (на 2009-2013 годы) |
||||||||||||||
можно получить будущие значения и построить графики удлинения исходного временного |
||||||||||||||
ряда. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Полученные результаты можно считать вполне достоверными, так как значения |
|||||||||||||
исходного ряда за 1956-2008 годы и спрогнозированные нейромоделями на базе |
||||||||||||||
многослойного персептрона за тот же период практически идентичны. Однако, логично |
||||||||||||||
предположить, что спрогнозированные значения годы будут менее точны, чем аналогичные |
||||||||||||||
за период 1956-2008 (и чем дальше от исходного ряда, тем больше величина ошибки), |
||||||||||||||
поскольку во временное окно будут попадать спрогнозированные значения, в которых уже |
||||||||||||||
заложена некоторая погрешность. |
|
|
|
|
|
|
|
|
|
|||||
, м |
3000000 |
|
|
|
|
|
|
2500000 |
|
|
|
|
|
|
протяженность газопроводов |
|
|
|
|
|
|
|
|
|
|
|
|
||
2500000 |
|
|
|
|
|
протяженность подземных |
2000000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
2000000 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
1500000 |
|
|
|
|
|
|
||
1500000 |
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
1000000 |
|
|
|
|
|
|
||
1000000 |
|
|
|
|
|
газопроводовм, |
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|||
Общая |
500000 |
|
|
|
|
|
Общая |
500000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
0 |
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
1956 |
1966 |
1976 |
1986 |
1996 |
2006 |
|
1956 |
|
1966 |
1976 |
1986 |
1996 |
2006 |
|
|
|
|
|
|
Год |
|
|
|
|
|
|
|
Год |
|
|
|
а) |
|
|
|
|
|
|
|
б) |
|
|
|
|
|
|
протяженностьнадземных |
700000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
600000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
500000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
400000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
300000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
газопроводовм, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Общая |
200000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
100000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1956 |
1966 |
1976 |
|
1986 |
1996 |
|
2006 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Год |
|
|
|
Рис. 2. Прогноз развития наружных газопроводов: |
в) |
|
|
|
|
|
|
|
||||||
- факт; |
|
- прогноз; а) наружные газопроводы всех |
||||||||||||
видов прокладки, сеть MPL 1-6-1, коэффициент корреляции 0,998407; б) наружные подземные газопроводы, |
||||||||||||||
сеть MPL 1-12-1, коэффициент корреляции 0,97356; в) наружные надземные газопроводы, сеть MPL 1-18-1, |
||||||||||||||
|
|
|
|
|
коэффициент корреляции 0,96981 |
|
|
|
|
173
На рис. 2 приведены прогнозы развития наружных газопроводов в целом (рис. 2а),а также по видам прокладки: наружные подземные газопроводы (рис. 2б) и наружные надземные газопроводы (рис. 2в).
На рис. 3 приведены прогнозы развития наружных газопроводов высокого (рис. 3а), среднего (рис. 3б) и низкого давления (рис. 3в).
протяженностьгазопроводов |
высокого давления, м |
Общая |
|
300000 |
протяженностьгазопроводов |
250000 |
250000 |
давлениясреднего, м |
|
|
|
200000 |
200000 |
|
|
|
|
150000 |
150000 |
|
|
|
|
100000 |
100000 |
|
|
50000 |
Общая |
50000 |
|
||
|
|
0 |
|
|
|
|
|
0 |
|
|
|
|
|
1956 |
1966 |
1976 |
1986 |
1996 |
2006 |
1956 |
1966 |
1976 |
1986 |
1996 |
2006 |
|
|
|
|
|
Год |
|
|
|
|
|
Год |
|
|
|
|
|
а) |
|
|
|
|
|
б) |
|
|
протяженностьгазопроводов |
2500000 |
|
|
|
|
|
|
|
|
|
|
давлениянизкого, м |
|
|
|
|
|
|
|
|
|
|
|
|
2000000 |
|
|
|
|
|
|
|
|
|
|
|
1500000 |
|
|
|
|
|
|
|
|
|
|
|
1000000 |
|
|
|
|
|
|
|
|
|
|
Общая |
500000 |
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1956 |
1966 |
1976 |
1986 |
1996 |
2006 |
|
|
|
|
|
|
|
|
|
|
|
Год |
|
|
|
|
|
|
|
|
|
|
|
в) |
|
|
|
Рис. 3. Рост сети наружных газопроводов по ступеням давления: - факт; - прогноз;
а) наружные газопроводы высокого давления, сеть MPL 1-18-1, коэффициент корреляции 0,94119; б) наружные газопроводы среднего давления, сеть MPL 1-10-1, коэффициент корреляции 0,96567; в) наружные газопроводы низкого давления, сеть MPL 1-6-1, коэффициент корреляции 0,989751
Полученные прогнозы имеют достаточно высокую точность и позволяют оценить развития газораспределительных сетей высокого, среднего и низкого давления г. Воронежа на пятилетнюю перспективу.
Предложенный метод реализован в виде компьютерной программы на языке C++. Для реализации использовался компилятор C/C++ из GNU Compiler Collection.
Выводы В работе успешно применены методы с использованием нейронных сетей для
обработки информации для решения задач прогнозирования развития газораспределительных сетей. Прогнозирование выполнено достаточно эффективно, его результаты могут быть использованы в планировании инвестиций. Получена возможность нейросетевого моделирования отдельных структурных элементов газораспределительных сетей различных ступеней давления.
Исследователь при этом получает очень эффективную модель проблемной области и может очень просто моделировать различные ситуации, предъявляя сети различные данные и оценивания ответ, выдаваемый сетью. Сеть позволяет также количественно оценить влияние входных признаков на точность получаемого прогноза.
Результаты работы могут быть использованы в производственной практике предприятий газоснабжения и теплоснабжения.
174
Библиографический список
1.Суровцев И.С. Нейронные сети. Введение в современную информационную технологию /И.С.Суровцев, В.И. Клюкин, Р.П. Пивоварова. - Воронеж: Воронежский гос. ун-
т, 1994. - 224с.
2.Горбань А.Н. Обучение нейронных сетей/А.Н.Горбань. М.: Изд. СССР-США СП
"ParaGraph", 1990. - 160с.
3.Горбань А.Н. Нейронные сети на персональном компьютере/ А.Н.Горбань, Д.А.Россиев. - Новосибирск: Наука, 1996.- 276с.
4.Кузнецов С.Н. Управление надежностью газораспределительных сетей/ С.Н.Кузнецов, А.В.Черемисин // Научный вестник ВГАСУ. Строительство и архитектура.- 2009.- №1(13). - С.36-42.
Bibliographic list
1.Surovtsev I.S. Neural networks. An introduction to modern informational technologies. /I.S. Surovtsev, V.I. Klyukin, R.P. Pivovarova.-Voronezh: VGU, 1994. – 224p.
2.Gorban A.N. Teaching neural networks/ A.N. Gorban. M.:publ. USSR-USA SP "ParaGraph", 1990. 160 p.
3.Gorban A.N. Neural networks on a personal computer/ A.N. Gorban, D.A. Rossiev.- Novosibirsk: Nauka, 1996.-276p.
4.Kuznetsov S.N. Managing the reliability of gas distribution networks / S.N. Kuznetsov, A.V.Cheremisin // Nauchniy Vestnik VGASU. Stroitelstvo i arhitektura.-2009.-№1(13).- P.36-42.
Ключевые слова: Газораспределительные сети, прогнозирование развития
Keywords: Gas distribution networks, forecast of development
175
Водоснабжение, канализация, строительные системы охраны водных ресурсов
УДК628.14 ББК 38.762 |
|
|
|
Воронежский государственный |
|
The Voronezh State University of Architecture |
|
архитектурно-строительный университет |
and Construction |
||
Д-р техн. наук, проф. М.Я. Панов |
|
D.E., the professor M.Y. Panov department of |
|
Ассистент |
кафедры |
гидравлики, |
heat and gas supply |
водоснабжения и водоотведения |
|
The assistant of Hydraulics, Water supply |
|
И.Ю.Пурусова |
|
|
and Water disposal chamber Department |
Д-р техн. наук, проф. кафедры гидравлики, |
I. Y. Purusova |
||
водоснабжения и водоотведения |
|
D.E., the professor of Hydraulics, Water |
|
В.И.Щербаков |
|
|
supply and Water disposal chamber |
Россия, г. Воронеж, тел. +7(4732)71-58-54 e- |
Department V. I Shcherbakov |
||
mail: scher@vgasu.vrn.ru |
|
Russia, Voronezh, tel. +7(4732)71-58-54 |
|
|
|
|
e-mail: scher@vgasu.vrn.ru |
М.Я. Панов, И.Ю. Пурусова, В.И. Щербаков
РАЗРАБОТКА МАТЕМАТИЧЕСКОЙ МОДЕЛИ УПРАВЛЕНИЯ ФУНКЦИОНИРОВАНИЕМ ВОДОПОДЪЁМНОЙ СТАНЦИИ
В работе рассматриваются вопросы формирования модели управления функционированием водоподъёмной станции. За основу принята модель возмущённого состояния системы, совмещённая с моделью обратной связи между режимом водоподачи от скважин и гидравлической настройкой управляемых из компьютерного центра дросселей.
M.Y. Panov, I. Y. Purusova, V. I Shcherbakov
MATHEMATICAL MODEL OF ELEVATOR PUMP STATION OPERATING
DEVELOPMENT
In this article the problems of mathematical model of elevator pump station operating development are examined. The perturbed state model is taken as the basic one and it is united with the feedback model within the periods of water feed and valves operating from the computer center.
Водоподъёмная станция (ВПС), подающая воду от отдельных скважин в общий коллектор, питающий резервуар чистой воды (РЧВ, поз. 16, рис.1), оснащена погружными насосами центробежного типа (поз. 1-5, рисунка).
Добыча подземных вод может осуществляться несколькими способами: фонтанным, эрлифтным, с использованием глубинных штанговых насосов и с использованием погружных электронасосов.
Наиболее прогрессивным и экономичным является использование погружных центробежных износоустойчивых электронасосов типа ЭЦВ.
В настоящее время отечественной промышленностью освоено производство таких насосов с подачей до 140-200 л/с и рабочим напором до 450-500 м соответственно.
176
Скважинные центробежные насосы применяют в геологоразведочной и горной промышленности. На режим работы каждого насоса оказывают влияние внешние и внутренние характеристики системы «гидрогеологическая скважинапогружной насосвнешняя сеть трубопроводов».
Рис. 1 Расчётная схема ВПС:
|
- скважины с погружными |
|
насосами; - управляемый дроссель; |
|
|||
|
-неуправляемый дроссель; 16 |
– резервуар чистой воды |
|
|
|||
|
Внешняя сеть трубопроводов включает в данном случае трубопроводную сеть ВПС, представляющую собой разветвлённый, планарный орграф с 4-мя управляемыми из компьютерного центра дросселями и одним (согласно постановке задачи) неуправляемым дросселем. Насосы второго подъёма забирают воду из РЧВ и подают в распределительную водопроводную сеть города.
Трубопроводная сеть ВПС ограничена со стороны скважин узлами (поз. 1-5, рисунка), в которых сформированы определённые формы граничных условий (ГУ) II рода, а со стороны потребителей – узлом РЧВ с определёнными граничными условиями I рода [1]. Последнее обусловлено тем, что РЧВ имеет свободную поверхность под давлением окружающей среды, что исключает взаимосвязь режима работы ВПС с режимами эксплуатации системы подачи и распределения воды (СПРВ).
Определённые формы ГУ позволяют рассматривать ВПС как автономный объект для моделирования, функционирующий независимо от СПРВ.
Модель управления функционированием ВПС строится на основе модели возмущённого состояния для одномерного квазистационарного течения вязкой несжимаемой жидкости в трубах. Она включает систему уравнений Бернулли с определенной (благодаря определённым формам ГУ) правой частью, в форме цепных уравнений для системы линейнонезависимых цепей; в качестве функциональных ограничений используется первый закон Киргофа в форме узловых балансовых уравнений для множества узлов с незаданным потенциалом [2]:
177
∑∑sgn |
Pij = ∑ ∑sgn SijQij2 |
= ∑[(Z + H )N − ZR ]j , |
(1) |
|
j J p j Jγ |
j J p j Jγ |
|
j J p |
|
|
|
|
|
|
|
|
z |
= 0 , |
(2) |
|
∑ ∑sgn Qij + qj |
|||
|
j Jμ j J ε |
|
|
|
где JP , Jγ – множество независимых |
цепей, множество участков |
в составе |
независимой цепи j соответственно; Sij, Qij – коэффициент гидравлического сопротивления и расчётный расход участка i в составе цепи j; Jμ , Jε – множество узлов с незаданным
потенциалом, множество участков, инцидентных узлу j соответственно; qzj –
сосредоточенный заданный отбор (приток) от узла j; (Z+H)N – геодезический уровень установки и напор, вырабатываемый погружным насосом в составе цепи j, ZR– геодезический уровень установки РЧВ в составе цепи j.
Правило присвоения положительных знаков слагаемым (1), (2): sgn Pij = + Pij - в случае совпадения направления течения потока на участке i с положительной ориентацией по цепи j; sgn Qij = + Qij - в случае притока участкового потока к узлу j. Отрицательные знаки
присваиваются в противоположных случаях. Слагаемому qzj присваивается знак (+) в случае
притока воды к узлу j от источника, отрицательный – в случае стока от узла к потребителю. Для формирования обратной связи, реализующей режим подачи воды от скважин, задаваемый пользователем, необходимы дополнительные (избыточное по отношению к уравнениям (1), (2)), аналитические связи. Поиск таких связей в недрах вариационных принципов аналитической механики малоперспективен, поскольку последние исчерпали себя. С этой целью предлагается использовать суррогатный (не основанный на физических законах) принцип Лежандра-Гаусса, получивший известность как метод наименьших
квадратов (МНК).
Квадратичный функционал, составленный на основе МНК, представляет из себя некую остаточную функцию F, составленную путём сопоставления расходов воды, поступающей из скважины согласно компьютерной версии и версии пользователя, формирующих в совокупности режим подачи воды в РЧВ.
2 |
|
∑Qiπz − ∑Qiη |
|
|
|
F = ∑(Qiπz −Qiπ ) |
+ λ |
, |
(3) |
||
i Iπ |
i Iπ |
i I R |
|
|
где Qiπz , Qiπ - расчётный расход участка i, подающего воду из скважины согласно версии пользователя и компьютерной версии соответственно; Qiη – расчётный расход
участка i, подающего воду в РЧВ; Iπ – множество участков, подающих воду от погружных насосов; IR – множество приёмных РЧВ; λ - неопределённый множитель Лагранжа.
Вторая группа слагаемых (3) отражает сохранение сплошности потоков воды в условиях произвола задаваемых значений Qiπz , который должен быть ограничен означенным
условием сплошности.
В отличие от МНК, оперирующим с различными погрешностями измерений искомой величины, значения весовой функции Wk в составе целевого функционала (3) принимаются
одинаковыми и не влияющими на положение экстремума (3).
Реализация минимума (3), после исключения λ , позволяет синтезировать дополнительные независимые связи в форме системы нормальных уравнений, размерностью е-1 (где е – число насосных узлов в составе ВПС с фиксированным потенциалом), формирующих механизм обратной связи между заданным режимам водоподачи из скважин и гидравлической настройкой УД:
178
если SDi(k ) ≤ S0i , то SDi(k ) = S0i .
Допускается, что итерационное возмущение δQiπz распределяется равномерно по заданному количеству итераций К, то есть:
|
|
πz |
|
2(Qπz −Qπ (0)) |
, |
(11) |
|
|
|||||
δQi |
= (Qiπz + Qiπz )K |
|||||
|
|
|
|
i i |
|
|
Рассмотрим результаты численного моделирования процесса управления функционированием ВПС, рис.1, оснащённой погружными насосами первого подъёма.
Исходная информация и начальное приближение по параметрам водопотоков сетевой системы ВПС представлены ниже. Процедура моделирования включала итерационный поиск решения системы уравнений (5)-(7) по программе Math Lab.
Таблица 1
Исходная информация и начальное приближение по узлам (рис.1)
№ узла |
|
Марка насоса |
QN |
(0) , л/с |
Z, м |
НN |
(0) , Н(0) ,м |
(Z + H )N |
(0) , м |
|
|
|
|
|
|
|
|
|
|
(Z + H )(0) , м |
|
Насосные |
|
1 |
ЭЦВ 10-120-60 |
35,56 |
79,36 |
52,917848 |
132,277848 |
|||
узлы |
|
2 |
ЭЦВ 10-120-60 |
33,466 |
60,55 |
|
59,301 |
119,854 |
||
|
|
3 |
ЭЦВ 10-65-65 |
14,835 |
79,066 |
|
76,661 |
155,727 |
||
|
|
4 |
ЭЦВ 10-65-65 |
17,22 |
85,952 |
69,7749 |
155,7269 |
|||
|
|
5 |
ЭЦВ 10-120-60 |
32,722 |
73,019 |
|
61,27 |
134,289 |
||
Сетевые |
|
6 |
|
|
|
97,15 |
|
30,418 |
127,568 |
|
узлы |
|
7 |
|
|
|
82,15 |
14,3405 |
96,49 |
||
|
|
8 |
|
|
|
80,0 |
|
15,0 |
95,0 |
|
|
|
9 |
|
|
|
97,01 |
|
18,344 |
115,354 |
|
|
|
10 |
|
|
|
75,0 |
|
21,306 |
96,306 |
|
|
|
11 |
|
|
|
70,0 |
|
26,821 |
96,821 |
|
|
|
12 |
|
|
|
100,37 |
|
50,861 |
151,727 |
|
|
|
13 |
|
|
|
106,4 |
44,8248 |
151,7269 |
||
|
|
14 |
|
|
|
87,5 |
42,8075 |
130,3075 |
||
|
|
15 |
|
|
|
85,0 |
|
11,642 |
96,642 |
|
|
|
16 |
|
|
|
94,0 |
|
0 |
94,0 |
|
Здесь QjN , H jN - подача и напор, вырабатываемый погружным насосом j; S0i -
коэффициент гидравлического сопротивления УД в состоянии полного открытия, совместно с сопротивлением трубопровода участка i.
|
|
|
Таблица 2 |
|
Напорные характеристики насосов |
||
|
|
|
|
Марка насоса |
|
Уравнение напорной характеристики |
|
ЭЦВ 10-120-60 |
|
НN |
= −0,17(QN )2 +8,686QN − 40,989 |
ЭЦВ 10-65-65 |
|
НN |
= −0,151(QN )2 +1,953QN +80,92 |
180
|
Исходная информация и начальное приближение по участкам |
Таблица 3 |
||||
|
|
|||||
Обозначение |
L, м |
Dу , мм |
S(0) *103 для |
Q (0) , л/с |
h(0) , м |
S0 *103 |
участка |
|
|
Q, л/с |
|
|
для Q, л/с |
1-6 |
25 |
150 |
3,55868059 |
35,56 |
4,5 |
|
6-7 |
90 |
150 |
24,74299 |
35,56 |
31,287851 |
2,76 |
9-7 |
15 |
150 |
16,84326 |
33,466 |
18,864 |
0,52 |
2-9 |
25 |
150 |
4,01795345 |
33,466 |
4,5 |
|
7-8 |
100 |
300 |
0,301272374 |
69,026 |
1,49 |
|
4-13 |
25 |
150 |
15,175612 |
17,22 |
4,5 |
|
13-11 |
85 |
150 |
183,47652 |
17,22 |
54,406 |
11,13 |
3-12 |
25 |
150 |
20,447367 |
14,835 |
4,5 |
|
12-11 |
15 |
150 |
247,213222 |
14,835 |
54,406 |
|
11-10 |
50 |
250 |
0,50120531 |
32,055 |
0,515 |
|
5-14 |
25 |
150 |
4,202743 |
32,722 |
4,5 |
|
14-15 |
15 |
150 |
30,957404 |
32,722 |
33,147 |
0,543 |
15-10 |
300 |
300 |
0,31380481 |
32,722 |
0,336 |
|
10-8 |
80 |
300 |
0,31124438 |
64,777 |
1,306 |
|
8-16 |
5 |
400 |
0,0558558 |
133,803 |
1,0 |
|
По заданному прогнозу водоподачи Q πz , |
i I |
D |
определялись итерационные значения |
|||||
|
|
|
|
|
i |
|
|
|
Q (k ) , i I |
и |
S |
(k ) , i I |
D |
, обеспечившие с высокой точностью (около 0,5%) исполнение |
|||
i |
|
i |
|
|
|
|
|
|
прогноза благодаря МНК. |
|
|
|
|
||||
Результаты |
|
численного моделирования |
представлены в форме дроссельных |
характеристик, то есть зависимости расхода воды, подаваемой из скважины погружным насосом через дроссель, от его коэффициента гидравлического сопротивления, рис.2
Каждая расчётная точка на дроссельной характеристике – результат решения системы уравнений (8)-(10). Общее число таких точек К=104 , однако, для построения характеристик выбрано ограниченное их количество. Дисперсия дроссельной характеристики, отражающая взаимное влияние переменности настройки множества дросселей, не превышает 1%. Это свидетельствует об индивидуальной устойчивости конфигурации дроссельных характеристик в условиях параметрических возмущений, вносимых в систему.
В соответствии с постановкой задачи одна подающая линия не оснащена УД и исполнение прогноза водоподачи по этой линии (из-за отсутствия механизма его исполнения) не реализуемо. Это недостаток данной модели, однако, погрешность исполнения прогноза, обусловленная этой неконтролируемой линией, уменьшается по мере увеличения масштабов системы, то есть количества скважин.
181