油田巡检路径规划中的深度学习算法应用.pdfVIP

技术应用

油田巡检路径规划中的深度学习算法应用

李淼梁雪娇

摘要：采油厂特殊地区因建设时期短，面临井位分散、地形复杂、人员配备少等问题。针对巡检维护工作中

信息更新周期长、巡检路线难规划、力量分散、突发情况多等难点，设计基于遗传算法巡检路径规划方法。

利用MATLAB软件建立仿真平台，分别对8个地点、30个地点进行路径规划实验。结果表明：8个地点最短路径

2.8937，100次实验中98次收敛到最优解；30个地点最短路程424.8693。实验验证遗传算法在30个地点以下规模

场景中效果显著，为油田特殊地区巡检工作提供科学路径参考，具有较强实用价值。

关键词：油田巡检；路径规划；遗传算法；MATLAB仿真；机器人仿真

一、前言体间信息交换完成搜索，广泛应用于组合优化、机器学

采油厂特殊地区井巡检维护工作面临诸多挑战。受习、自适应控制等领域[2]。几何规划方法利用几何图形

限于建设时期短，出现人员配备少、井位分散、地形复知识在满足优化准则条件下进行路径规划，通过几何计

杂等问题。部分区块为产气井，地形高度差大，道路多算判断碰撞可能性，将多种曲线组合作为越过障碍物路

为山路。信息更新周期长，流转难以标准化、实时化，径。采油厂特殊地区因地形复杂、井位分散，在井巡检

相关数据监督困难。巡检路线规划难度大，巡检力量分工作中面临信息更新滞后、路线规划困难、巡检力量分

散，配置难以优化。巡检途中突发情况频发，安全风险散等问题。针对这些难点，通过遗传算法对巡检路径进

突出。遗传算法作为一种智能优化方法，通过群体搜索行优化设计，建立MATLAB仿真实验平台，实现机器

策略实现路径优化，对解决巡检路径规划问题具有重要人仿真路径规划辅助决策。

意义。

三、遗传算法基本原理与设计

二、机器人仿真路径规划概述（一）遗传算法基本原理

路径规划技术是机器人仿真研究领域中重要组成部遗传算法模拟自然界生物进化过程，通过群体搜索

分。在有障碍物工作环境下，按照运动路线最短、所用策略实现优化。算法将优胜劣汰、适者生存原理引入优

时间最少等评价标准，机器人仿真需从起点到终点寻找化参数编码串联群体中，按适配值函数筛选个体。通过

一条安全运动路径。路径规划方法主要包括智能规划、复制、交叉、变异对个体进行操作，保留适配值高个体

几何规划等类型。智能规划方法中，遗传算法源于生物组成新群体[3]。复制操作根据位串适配值进行选择，具

界自然选择机制，由美国Michigan大学Holland教授于有高适配值位串在下代产生更多子孙。交叉操作模拟生

1962年提出，70年代DeJong在计算机上进行大量纯物繁殖现象，通过染色体交换组合产生新品种。变异操

数值函数优化实验，80年代由Goldberg归纳总结形成作模拟基因突变，随机改变遗传基因值。遗传算法计算

基本框架。遗传算法采用群体搜索策略，通过群体个两点间距离采用公式（1）：

信息系统工程055

√技术应用

四、基于MATLAB的路径规划仿真实验

dist(m,n)=(xm-xn)²+(ym-yn)²(1)（一）实验环境与参数设置

MATLAB提供多种遗传算法工具箱，其中，英国

m、n表示两个地点编号，x、y为对应坐标值。