Бесплатный автореферат и диссертация по наукам о земле на тему

Оперативное прогнозирование показателей добычи нефти методами нейросетевого моделирования

ВАК РФ 25.00.17, Разработка и эксплуатация нефтяных и газовых месторождений

Автореферат диссертации по теме "Оперативное прогнозирование показателей добычи нефти методами нейросетевого моделирования"

На правах рукописи

/

ХУСАИНОВ АРТЕМ ТАХИРОВИЧ

ОПЕРАТИВНОЕ ПРОГНОЗИРОВАНИЕ ПОКАЗАТЕЛЕЙ ДОБЫЧИ НЕФТИ МЕТОДАМИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность: 25.00.17—Разработка и эксплуатация нефтяных и газовых

месторождений

Авотреферат диссертации на соискание ученой степени кандидата технических наук

г 8 НОЯ 2013

005540791

Тюмень-2013

005540791

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Тюменский государственный нефтегазовый университет» (ТюмГНГУ) Министерства образования и науки Российской Федерации на кафедре «Разработка и эксплуатация нефтяных и газовых месторождений»

Научный руководитель - доктор технических наук

Стрекалов Александр Владимирович

Официальные оппоненты: - Захаров Александр Анатольевич

доктор технических наук, профессор, институт математики и компьютерных наук, ФГБОУ ВПО «Тюменский государственный

университет», заведующий кафедрой «Информационной безопасности»

- Мулявин Семен Федорович

кандидат технических наук, открытое акционерное общество «Сибирский научно — исследовательский институт нефтяной промышленности» (ОАО «СибНИИНП»), заведующий отделом разработки нефтяных и газовых месторождений

Ведущая организация - Общество с ограниченной ответственностью

«Тюменский нефтяной научный центр» (ОАО «Роснефть»)

Защита состоится 24 декабря 2013 года в 11.00 часов на заседании диссертационного совета Д.212.273.01 при ТюмГНГУ по адресу: 625027, г. Тюмень, ул. 50 лет Октября, 38.

С диссертацией можно ознакомиться в библиотечно-издательском комплексе ТюмГНГУ по адресу: 625027, г. Тюмень, ул. Мельникайте 72 а, каб. 32.

Автореферат разослан 22 ноября 2013 года

Ученый секретарь

диссертационного совета, I /

кандидат технических наук, доцент ^ „'• | Аксенова Наталья Александровна

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

Эффективная разработка нефтегазовых месторождений невозможна без полного и всестороннего моделирования процессов, происходящих в эксплуатируемом пласте-коллекторе. К числу наиболее важных задач относятся: прогноз величин дебитов нефтяных скважин; прогноз изменения полей пластовых давлений в пласте; оценка эффективности проводимых и планируемых геолого-технологических мероприятий (ГТМ).

Нефтегазоносный пласт-коллектор, вскрытый добывающими и нагнетательными скважинами, является сложной, динамической системой, требующей не тривиального, наукоёмкого, математического моделирования с целью планирования широкого спектра геолого-технических мероприятий и просто добычи нефти. На сегодняшний день трёхмерные детерминированные гидродинамические методы прогнозирования, основанные на теории фильтрации жидкостей и газа в пористых средах, позволяют достаточно точно воспроизводить происходящие процессы. Однако наибольшую трудность вызывает настройка или адаптация создаваемого цифрового аналога к реальному промысловому объекту. Существует целый ряд геологических параметров, который не может быть точно измерен. Значения таких параметров подбирается эмпирически на основе опыта геологов-экспертов и геолого-технической информации получаемой с промыслового объекта.

Применение традиционных методов прогнозирования процессов нефтедобычи с использованием методов решения краевых задач теории фильтрации, моделей трубок тока, характеристик вытеснения, статистических методов и т.д. сопряжено с трудностями такими как неполнота или искаженность информации, характеризующей поведение прогнозируемой системы и как следствие, не достаточной достоверности данного вида расчетов.

Одним из перспективных методов решения сложных задач нефтепромыслового прогноза показателей является имитационное моделирование, реализуемое на основе искусственных нейронных сетей (ИНС). Применение такой методологии в данной проблематике, представляется более целесообразным, так как ее особенностью является: обучаемость (самоадаптивность) особенностям моделируемого объекта, идентификация входящей зашумленной информации с соответствующей поправочной интерпретацией, интеллектуальность построения причинно-следственных связей о происходящих микропроцессах, скорость создания модели для проведения расчетных операций.

г /

У

Цель работы

Повышение качества контроля и управления разработки месторождений за счет уточнения проектных показателей при математическом имитационном моделировании нейросетевыми методами в условиях недостаточной геолого-технологической информации о промысловых объектах.

Основные задачи исследований

1. Исследовать возможности прогнозирования технологических показателей разработки месторождений нейросетевыми методами и определить класс сопутствующих задач.

2. Разработать принципы построения имитационных моделей на основе искусственных нейронных сетей, способные обеспечить качественный прогнозный показатель.

3. Разработать методы обучения сетей и исследовать их устойчивость к зашумлённым входным данным при моделировании процессов нефтедобычи на основе численных экспериментов.

4. Предложить и обосновать методику оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования направленную на повышение аналитической эффективности оценки выработки запасов УВ, на реальных промысловых данных Российских компаний занимающихся разработкой нефтяных месторождений Западной Сибири.

Объект и предмет исследования

Системы добычи нефти, объединяющие объекты разработки -продуктивные пласты, добывающие и нагнетательные скважины. Предметом исследования является возможность использования искусственных нейронных сетей для повышения надежности прогнозных показателей.

Научная новизна выполненной работы

1. Разработаны и исследованы новые имитационные модели добычи нефти с использованием нейронных сетей и погрешностью прогноза не более 15 %, отличающиеся использованием при их обучении промысловых данных совместно с результатами детерминированных гидродинамических моделей.

2. Экспериментально доказана устойчивость нейросетевых моделей, прогнозирующих процессы двухфазной фильтрации в пористых средах к зашумлениям (до 30 %) в обучающих выборках.

3. Разработан алгоритм обучения сетей, направленный на оптимальный подбор архитектур, а так же определение подходящей функции выявления взаимосвязей между входящими параметрами.

Основные защищаемые положения

1. Разработанные нейросетевые модели для решения задач прогнозирования динамики режимов работы скважин.

2. Результаты исследования устойчивости нейросетевых методов прогнозирования технологических показателей разработки к входным данным с высоким уровнем шума (до 30 %).

3. Методическое обеспечение нейросетевых компонентов, позволяющее решать основные задачи прогноза добычи на основе нейросетевого подхода.

4. Методика использования для обучения искусственной нейронной сети историю динамики режимов работы скважин и результатов гидродинамического моделирования.

Практическая ценность и реализация

1. Разработанные нейросетевые модели применяются для прогноза технологических показателей нефтедобычи: дебиты нефти добывающих скважин, суммарные дебиты группы скважин, приемистости нагнетательных скважин.

2. Разработанный метод имитационного моделирования процессов нефтедобычи на основе нейросетевых методов, позволяет за 10 - 12 часов создавать нейронные сети на основе промысловых данных и отличается от общепринятых методик нейросетевого моделирования рекомендациями по выбору типов и структуры обучающих выборок, а также использованием детерминированных моделей.

3. Авторское выполнение научно-исследовательской работы: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти». Код темы: ГРНТИ 52.47.19.28.17.19 от 18.01.2013

4. Апробация предложенной методики оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования на Ван-Еганском месторождении ОАО «Роснефть» и Савуйском месторождении ОАО «Сургутнефтегаз».

Соответствие диссертации паспорту научной специальности

Указанная область исследования соответствует паспорту специальности 25.00.17 — Разработка и эксплуатация нефтяных и газовых месторождений, а именно по пункту 3: Научные аспекты и средства обеспечения системного комплексного (мультидисциплинарного) проектирования и мониторинга процессов разработки месторождений углеводородов, эксплуатации подземных хранилищ газа, создаваемых в истощенных месторождениях и водонасыщенных пластах с целью рационального недропользования.

5: Научные основы компьютерных технологий проектирования, исследования, эксплуатации, контроля и управления природно-техногенными системами, формируемыми для извлечения углеводородов из недр или их хранения в недрах с целью эффективного использования методов и средств информационных технологий, включая имитационное моделирование геологических объектов, систем выработки запасов углеводородов и геолого-технологических процессов.

Апробация результатов исследований

Результаты работы докладывались на: региональной научно практической конференции молодых специалистов. Организатор - ОАО «Сургутнефтегаз» (Сургут, 2011 г.); XII конференции молодых специалистов, работающих в организациях, осуществляющих деятельность, связанную с использованием участков недр на территории Ханты-Мансийского автономного округа (Ханты-Мансийск, 2012 г.); международной заочной научно-практической конференции - теория «Методология и концепция модернизации в природопользование, математике, технике, физике» - НОУ ДПО «Санкт-Петербургский институт проектного менеджмента. (Санкт-Петербург 2013 г.); 67-й Международной молодежной научной конференции РГУ имени И.М. Губкина «Нефть и газ» (Москва, 2013 г.); государственный заказ НИР: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти», код темы: ГРНТИ 52.47.19.28.17.19 от 18.01.2013, Выполнение гранта Министерства образования и науки РФ, код темы: ГРНТИ 52.47.19.28.17.19 от 18.01.2013

Публикации

По материалам диссертации опубликовано 10 работ в журналах рекомендованных ВАК и одна монография.

Объем и структура работы.

Работа состоит из введения, трех разделов, заключения, списка использованных источников из 94 наименований. Объём основного текста диссертации составляет 152 страницы машинописного текста, иллюстрированного 91 рисунком и 10 таблицами.

СОДЕРЖАНИЕ РАБОТЫ

Во введении приведена характеристика работы, обоснована актуальность тематики, поставлена цель и основные задачи исследования, а также методы их решения. Показана научная и практическая значимость результатов исследований.

В первом разделе диссертационной работы проведён анализ существующих методов прогнозирования показателей разработки. Проведено исследование возможностей нейронных сетей и определён круг задач, решаемых искусственными нейронными сетями. Изучены основные вопросы, связанные с теоретическими и практическими аспектами применения ИНС представлены в многочисленных работах отечественных исследователей А.Н. Горбаня, B.JI. Дунина-Барковского, E.H. Соколова, В.А. Охонина, Н.П. Абовского Е.М. Миркеса, С.А. Терехова, Д.А. Россиева и др., а также зарубежных авторов, таких, как М. Minsky, D.E.Rumelhart, S. Haykin, G. Hinton, Т. Cohonen, R. Hecht-Nielsen, C.M. Bishop, S. Grossberg, J.J. Hopfield, D. Hebb и других.

Проблема прогнозирования показателей разработки месторождения тесно связана с моделированием месторождений, поскольку именно оно является единственным научным методом прогнозирования. Такой научно-исследовательский подход очень вариативен, начиная с физических и заканчивая цифровыми математическими аналогами соответственно.

В настоящее время для прогнозирования показателей разработки месторождений пользуются методами математического и имитационного моделирования. В отличие от детерминированных, все имитационные модели используют принцип черного ящика. Это означает, что они выдают выходной сигнал системы при поступлении в нее некоторого входного сигнала. Поэтому в отличие от аналитических парадигм для получения необходимой информации или результатов необходимо осуществлять "прогон" имитационных моделей, т. е. подачу некоторой последовательности сигналов, объектов или данных на вход и фиксацию выходной информации, а не "решать" их. Происходит своего рода "выборка" состояний объекта прообраза (состояния - свойства системы в конкретные моменты времени) из пространства (множества) состояний (совокупность всех возможных значений состояний). Насколько репрезентативной окажется эта выборка, настолько результаты будут соответствовать действительности. Кроме того отметим, что применение имитационного моделирования целесообразно при наличии одного из следующих условий:

1.He существует законченной математической постановки данной задачи, либо еще не разработаны аналитические методы решения.

2. Аналитические методы имеются, но математические процедуры столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи.

3. Кроме оценки определенных параметров, желательно осуществить на имитационной модели наблюдение за ходом процесса в течение определенного периода времени.

В настоящее время наиболее распространены следующие виды имитационных моделей.

1. Характеристики вытеснения (другое название, часто встречающееся в литературе, интегральные модели). Таких авторов как Назаров С. Н., С и паче в Н. В., Камбаров Г. С., Пирвердян А. М., Казаков А. А. и др.

2. Кривые падения (дифференциальные модели).Следующих авторов Кубагушев Н.Г., Пирвердян A.M., Сазонов М.Л., Абызбаев К.Б., Праведников Н.К. и др.

Оба вида основаны на регрессионном анализе информации о работе скважин и предназначены для прогноза показателей нефтедобычи.

При формировании прогнозов экстраполяцией обычно исходят из статистически складывающихся тенденций изменения тех или иных количественных характеристик объекта. Экстраполируются оценочные функциональные системные и структурные характеристики. Экстраполяционные методы являются одними из самых распространенных во всей совокупности методов прогнозирования.

Однако степень надежности (дальнейшей подтверждаемое™) такого рода прогнозов и соответственно мера доверия к ним, в значительной степени, обусловливаются аргументированностью выбора пределов экстраполяции и стабильностью соответствия «измерителей» по отношению к сущности рассматриваемого явления. Следует обратить внимание на то, что сложные объекты, как правило, не могут быть охарактеризованы одним параметром. В связи с этим можно сделать некоторое представление о возможности применения такого вида анализа в нефтегазовом комплексе.

Все сказанное выше существенно затрудняет применение традиционных методов прогнозирования процессов нефтедобычи с использованием методов решения краевых задач теории фильтрации, методов трубок тока, характеристик вытеснения и т.д.

Неполнота геолого-промысловой информации ведет к значительному увеличению доли чистой экспертной схематизации процесса фильтрации при постановке и решении задач подземной гидродинамики в естественных пластах. Поэтому при расчетах обычно используют ряд упрощающих предположений или допущений:

- значения толщин и проницаемости предполагаются одинаковыми в рамках каждого элемента сетки, которая разбивает пласт на конечные элементы;

- реальные пласты сложной геометрической формы заменяются пластами цилиндрической, конусообразной, прямоугольной формы.

Таким образом, существует потребность в новых математических и кибернетических методах имитирования систем разработки месторождений. В

настоящее время проводится целый ряд исследований по совершенствованию методов расчета фильтрационных моделей, анализируются все более сложные схемы фильтрации, решают трехмерные задачи фильтрации на ЭВМ. Однако применение на практике значительно затрудняется в связи с низкой точностью оценивания фильтрационных параметров моделей и граничных условий. В работах Шематовича В. И. и Змиевской Г. И. предлагается использовать для проектирования стохастические методы.

Существует целый ряд работ таких авторов как Беляева JI.C., Крумм JI.A., Алахвердиева Л.И., Хирагава С.А., в которых при расчетах нефтяных и газовых месторождений используются вероятностные методы. Однако при использовании стохастического подхода возникает целый ряд трудностей, связанных со сложностью получения плотностей распределения вероятностей для параметров, нерегулярными явлениями при решении стохастических дифференциальных уравнений. Алексеев A.B., Алтунин А.Е., Кандель А., Байатт У.Дж., предлагают использовать методы моделирования, основанные на нечёткой логике. Такой подход дает приближенные, но в то же время эффективные способы описания поведения систем, настолько сложных и плохо определенных, что они не поддаются точному математическому анализу. Недостатками данного подхода являются трудоёмкие процессы подбора функций принадлежности и интервальные вычисления.

Одним из возможных вариантов построения сложных систем является имитационное прогнозирование, реализуемое при помощи искусственных нейронных сетей. Основным принципом, которого является принцип "чёрного ящика" - моделируется не внутреннее, а внешнее функционирование системы. Такого вида подход является упрощённым. При этом упрощение необходимо понимать следующим образом: реальная система качественно более сложна, чем любая известная теоретическая модель, и чтобы в той или иной мере воспроизвести это качество сложности, система описывается так, как она проявляет себя для внешнего наблюдателя.

Необходимо упомянуть пригодность имитационных парадигм для количественно точных оценок прогнозируемых явлений. Изначально имитационная модель строится именно с целью точного или почти точного описания действительности, то есть задаваемого набора данных.

Вместе с тем имитационное конструирование должно обладать предсказательными (обобщающими) способностями для того, чтобы иметь возможность правдоподобно прогнозировать свойства новых, не участвовавших в настройке объектов. Модели, основанные на ИНС, в полной мере отвечают данным требованиям. Кроме того, необходимо упомянуть важные для решения поставленных задач особенности ИНС:

• универсальность - возможность решать различные задачи на основе минимального набора стандартных методов (набора сетей);

• внутренние регуляризирующие свойства нейросетевых алгоритмов;

• возможность моделировать физические процессы, трудно поддающиеся математической формализации;

• возможность обучать нейронные сети исходя из практического инженерного опыта.

Определим возможный круг задач, решаемых нейросетевыми методами имитационного проектирования:

• задачи прогноза добычи нефти для отдельных скважин и суммарной добычи нефти для группы скважин, прогноз базового уровня добычи;

• исследование интерференции скважин;

• классификация скважин по их технологическим назначениям.

В одной из первых моделей нейрона, называемой моделью МакКалока(МасСи11ос)-Питтса(Р1«з), предложенной в 1943 г., нейрон считается бинарным элементом. Входные сигналы х^=\,2,..., К) суммируются с учётом соответствующих весов и>у (сигнал поступает в направлении от узла г к узлу у) в сумматоре, после чего результат сравнивается с пороговым значением м^о-Выходной сигнал нейрона у{ определяется при этом зависимостью

(1)

аргументом функции выступает суммарный сигнал Р) - Д %х7 (г) + ^о -

Функция Лр{) называется функцией активации. В модели МакКалока-Питгса это пороговая функция вида:

Лр)= 1 для р>0; 0 для р<0 (2)

Функциональная схема нейрона, использовавшегося в этой модели, приведена на рисунке 1.

Рисунок 1 - Функциональная схема формального нейрона Мак-Калока и Питтса: х - вектор входных сигналов нейрона; м> - вектор синоптических весов нейрона; £ - входной сумматор нейрона; р=(м/,х) - выходной сигнал входного сумматора; / - функциональный преобразователь; у=Др) -выходной сигнал нейрона

В наиболее распространенном семействе сетей первого класса, называемых многослойным персептроном (multi-layer perceptron), нейроны расположены слоями и имеют однонаправленные связи между слоями. На рисунке 2 представлены типовые сети каждого класса. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети. Рекуррентные сети являются динамическими, так как в силу обратных связей в них модифицируются входы нейронов, что приводит к изменению состояния сети.

Исскуственныв нейронные сети (НС)

Рисунок 2 - Классификация нейронных сетей

Вопросы адекватности результатов аппроксимации нейронными сетями подтверждаются посредством проведения вычислительных экспериментов на модели и сверкой их результатов с реальными данными. Кроме того, А.Н. Колмогоров и В.И. Арнольд показали, что произвольную непрерывную функцию и переменных получить с помощью операций сложения, умножения и суперпозиции из непрерывных функций одного переменного.

Во втором разделе описана предлагаемая методика моделирования процессов нефтедобычи, основанная на использовании искусственных нейронных сетей. Рассмотрено решение следующих задач: прогнозирование режимов добычи нефти, режимов нагнетания.

Исследование решения задач прогнозирования технологических показателей разработки методами нейросетевого анализа предлагается проводить согласно следующей последовательности.

1. Физическая постановка задачи с целью построения обучающих выборок. Основой для создания обучающих выборок могут быть результаты численного гидродинамического моделирования процессов, протекающих в пластах-коллекторах, базы данных, содержащие историю разработки

месторождения и геологические характеристики пласта, изменяющиеся во времени.

2. Выбор архитектуры, топологии сети, а также выбор алгоритма ее обучения. Предварительная обработка данных и построение обучающих выборок.

3. Обучение, тестирование и возможное «дообучение» сети.

4. Анализ полученных результатов.

Как отмечалось ранее, для обучения многослойных персептронов, требуется обучающая выборка, состоящая из отдельных примеров, каждый из которых представляет собой задачу одного и того же типа с соответствующим набором входных параметров и ответом. В нашем случае исследуемая система -нефтяной пласт, совокупность добывающих и нагнетательных скважин, режимы эксплуатации скважин, время их работы и простоя, характеристики оборудования, геологические характеристики пласта и т.д. Всю доступную информацию можно условно разбить по следующим группам.

1. Время и периодичность отбора информации. Определяется выбранным периодом обучения и датами снятия замеров.

2. Характеристики нагнетательных скважин. Сюда могут включаться такие параметры как объем закачки, приемистость, время работы скважин, координаты и номера скважин и т.д.

3. Характеристики добывающих скважин. В эту группу могут быть включены такие параметры как объем добычи воды и нефти, отбор жидкости, дебиты скважин по воде и нефти, суммарные дебиты, либо суммарная добыча, время работы, координаты скважин или номера добывающих скважин и т.д.

Для проведения вычислительных экспериментов и обучения ИНС была создана исходная база данных (ИБД). В ее основу вошли основные показатели технологических параметров выделенного участка. Массив ИБД использовался для обучения сети и тестовой выборки (ТВ).

В контексте ИНС процесс обучения может рассматриваться как настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере итеративной настройки весовых коэффициентов в процессе обучения.

Существуют три парадигмы обучения: «с учителем», «без учителя» (самообучение) и смешанное обучение. В совокупности было обучено и протестировано множество нейронных сетей на базе многослойного персептрона, отличающихся количеством входов, скрытых слоев и нейронов, а также вариациями параметров основного алгоритма обучения (рисунок 3).

Рисунок 3 - Примеры схем связей и зависимостей ИНС

На рисунке 4 представлена принципиальная схема моделирования при помощи ИНС. После создания сети и установки необходимых параметров начинается процесс тестирования. На вход сети подается массив ИБД, определенное количество раз, после чего происходит анализ полученной информации, осуществляется проверка обобщающей способности сети посредством предъявления на ее вход массива тестовой выборки (ТВ) и сравнения результатов прогноза по обеим выборкам.

Обученную сеть можно использовать для прогнозирования любого количества последующих значений. В процессе обучения необходим контроль над такими параметрами, как скорость обучения, параметр сигмоиды, средняя и максимальная ошибка. Возможность сопоставить и проанализировать выходные параметры обучения, а далее, исходя из представляемых критериев, произвести выбор, удовлетворяющий цели расчетов. При этом не сложный выбор архитектуры позволяет произвести вычисления в различных вариантах, и проанализировать итоговые результаты.

В качестве примера расчета на основе ИНС используем эталонные экспериментальные данные комплекса универсального моделирования технических гидравлических систем поддержания пластового давления Hydraulic Simulator (Hydra'Sym).

Выбор архитектуры сети, парадигмы и алгоритма обучения

Подготовка входных данных Создание ИБД

Оценка значимости входных параметров Корректировка ИБД

Предварительно обучение ИНС Уточнение архитектуры и параметров алгоритма обучения

Обучение нейронной сети

с использованием ИБД

Оценка изменчивости весовых коэффициентов соответствующих параметров в процессе обучения

Корректировка ИБД

Рисунок 4 - Принципиальная блок-схема моделирования ИНС

В целях реализации представительности модельных расчетов проведем экспериментальное моделирование в условиях близких к реальным месторождениям, но для относительно малого элемента системы разработки. Размеры элемента продуктивного пласта 1000x1000 м с замкнутыми границами. Блок скважин состоит из 6 добывающих и 3 нагнетательных скважин. Сетка скважин сформирована не равномерно с целью демонстрации не тривиальных динамик режимов работы скважин и схемы вытеснения.

Описанный в работе алгоритм нейросетевой модели, позволяет прогнозировать дебиты скважин (рисунок 5).

Нейронных сети предполагают стабилизацию прогноза в виде монотонного падения всех параметров. В принципе стабилизация может иметь только три варианта: рост, падение или неизменное состояние.

Построение нейронной сети - экспериментальный процесс. Несмотря на необходимость экспериментирования, при разработке сети можно сделать некоторые достаточно надежные предсказания её поведения с теми или иными параметрами, исключая флуктуационные (шумовые) погрешности, применительно к оперативному анализу параметров нефтегазодобычи данный инструмент ИНС показал себя как эффективное средство для решения задач в условиях противоречивости или неточности исходной информации.

2/12

а)

б)

Рисунок 5 - Расчет динамики добычи нефти, полученный программным комплексом Soft Statica: а - Neural Analyst; б - комплексом Hydra' Sym

Третий раздел посвящен исследованию устойчивости нейросетевых моделей нефтедобычи на основе численных экспериментов. В рамках численных экспериментов рассмотрена работа нейросетевых моделей процессов нефтедобычи при различных уровнях шумов в промысловых

данных, а также исследована способность искусственных нейронных сетей (ИНС) фильтровать зашумления геолого-технологической информации. Также рассмотрена нейросетевая аппроксимация математической модели трёхмерной, двухфазной фильтрации.

Для проведения численного эксперимента по исследованию помехоустойчивости необходимы достоверные, неискажённые данные, поэтому информация, содержащаяся в базах данных МЭР (месячных эксплуатационных режимах) не всегда является валидной и не может использоваться в данном эксперименте.

Для исследования устойчивости нейросетевых моделей, предназначенных для прогноза показателей нефтедобычи, воспользуемся эталонными значениями, полученными при помощи программного комплекса Нуёга'Бут: при помощи методов математического моделирования создадим физическую модель пласта - коллектора, вскрытого системой нагнетательных и добывающих скважин. Пользуясь данной моделью, создадим базу данных истории разработки пласта, содержащую информацию аналогичную той, что собирается в ходе регламентных измерений технологических и геологических параметров скважин. Принимая во внимание то, что, в данном численном эксперименте исследуется возможность нейросетевого моделирования процессов нефтедобычи, то главным показателем будет являться сходимость прогноза.

В основе данной модели лежит, широко применяемая в гидрогеологии и нефтегеологии формула Тэйса, согласно которой понижение давления в Ар(г,() в любой момент времени / в точке пласта, расположенной на расстоянии — г от возмущающей скважины, определяется до и после остановки скважины следующей формулой:

(3)

¡>т

где £,.(-*) = I——<1и — интегральная показательная функция;

^ и

и

Q — среднесуточный дебит скважины, м/сут.; /г - динамическая вязкость жидкости, Па с; к — проницаемость пласта, мкм2; Ъ - толщина пласта, м.;

Х~ коэффициент пъезопроводности пласта, м2/с; Т- время остановки скважины, сек.

Также важно заметить, что формулу (3) можно преобразить относительно изменения давления (предлагается впервые в данной работе)

AQm{tj+l-tj)=-ZZ

ß w j=l

где AQm(t-tj) - изменение дебита в скважине, находящейся в точке наблюдения т;

Pi[tj+i)-P^j) — изменение забойного давления в г-скважине за время

(fj*-'Л

Рассмотрим решение поставленной задачи с помощью многослойных персептронов, линейной и радиально-базисной функции. Данный класс функций нейронных сетей при успешном проведении обучения способны с тем или иным процентом ошибок и флуктуационных выбросов решать сложные задачи прогнозирования (таблица 1). При проведении численных экспериментов нами использовался пакет прикладных программ «Statistika Neural Networks». Все результаты - усреднённые по 10 запускам сети. Проведём сравнительный анализ помехоустойчивости сетей в зависимости от уровня вносимой погрешности и конечного результата. В качестве примера рассмотрим результаты прогноза дебита нефти и воды (рисунки 6-7).

Таблица 1— Характеристики архитектур выбранных для проведения прогнозирования технологических параметров.

N Архитектура Произвол, обучения Контроль, произвол. Тест, произвол. Ошибка обучения Контроль, ошибка Тест, ошибка

1 МП s5 22:110-47 0,323138 0,123298 0,489375 0,076508 0,0290 0,11038

2 Линейная s2 25:50-6:6 0,016046 0,000174 1,414801 0,284701 0,0015 11,1370

3 Линейная s3 25:75-6:6 0,1914 59 0,000231 2,596104 0,116865 0,0008 2,01379

4 РБФ s5 25:125-27 0,002383 0,002191 0,007905 0,000097 0,0003 0,00074

5 РБФ s5 25:125-41-6 0,000979 0,002165 0,003734 0,000061 0,0000 0,00012

(4)

Рисунок 6 - Сравнительный график прогноза дебитов нефти архитектурами ИНС по скважине №5 экспериментального месторождения

т- т- т- см (М

гЗ

8

СМ 2 О о

1,сут

см (М о 2

о а С 3

со ' 4

о 5

450 | 400

"Е 350 с? 300 250

см см см см см см о

о! 1 р: ^ о

см о см о

1,сут

| 300 250

С? ^ 200

150

Рисунок 7 — Сравнительный график прогноза дебитов воды архитектурами ИНС по скважине №5 экспериментального месторождения

Анализируя графики можно заметить, что, для системы, максимальные ошибки прогноза заключаются во флуктуационных погрешностях. Более детальное рассмотрение позволяет заметить, что для обученных архитектур характерны подобные тренды прогноза. Лишь особенности связей

персептронов и количество скрытых нейронных ведет к уменьшению ошибок прогноза дебитов.

Действительно, проводя массивное обучение всех выбранных архитектур, мы независимым образом "зашумляли" значения для каждой из скважин. Естественно, что при этом погрешность определения согласно законам статистики должна увеличиваться. То же самое относится и к реальным данным.

Апробация нейросетевых методов проводилась на промысловых данных Савуйского ОАО "Сургутнефтегаз" и Ван-Еганского ОАО "Роснефть" месторождении соответственно. В качестве инструмента моделирования процессов разработки месторождений выступает программный комплекс ИНС Soft Statica Neural Analyst. Для данного исследования была взята промысловая информация для разрабатываемого пласта-коллектора БСю-

Репрезентативная выборка, отражающая не тривиальные способности прогнозирования технологических, показателей нейронных сетей отражена на примерах 6 добывающих скважин с номерами: №275, №299, №300, №315, №316, №759.

Основным приемом сравнения качества прогнозирования динамики добычи по скважинам является скрытие части фактических замеров для обучения ИНС (т.е. ИНС не знает данных о режимах, которые нам известны) с последующим сравнением прогнозных показателей (дебита нефти) по ИНС со скрытыми ранее фактическими замерами. Разумеется, прогнозирование динамики режимов работы скважин, на основе, обученной на фактических данных ИНС, является менее устойчивым, так как сопряжено с риском искажения причинно-следственной связи и накопления «разумного» опыта предыдущей истории работы скважин. Пример аппроксимации скважин №275 , №316 прогноза отражен на графиках (рисунки 8 — 9).

Прогнозирование проводилось на временной отрезок 10-15 % от общего времени работы скважин (интервала времени обучения). Проведённые численные эксперименты продемонстрировали, устойчивости архитектуры РБФ к информационным погрешностям процессов нефтедобычи для нейросетевых моделей.

Способность нейросетей к выявлению взаимосвязей между различными параметрами дает возможность выразить данные большой размерности более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс — восстановление исходного набора данных из части информации - называется (авто) ассоциативной памятью. Ассоциативная память позволяет также восстанавливать исходный сигнал образ из зашумленных поврежденных входных данных.

I ы

I I

V

500 1000 1500 2000 2500 3000

Рисунок 8 - Сравнение результатов расчета дебита нефти скважины №759 Савуйского м/р ИНС функцией РБФ с фактической

динамикои

500 1000 1500 2000 2500 3000

Рисунок 9 - Сравнение результатов прогноза дебита нефти скважины №759 Савуйского м/р ИНС функцией РБФ с фактической

динамикои

Вычислительные эксперименты, основанные на выбранной архитектуре ИНС - РБФ показали достаточно стабильный прогноз. Топология такой сети характеризуется тем, что количество нейронов в выходном слое, как правило,

равно количеству определяемых классов. При этом устанавливается соответствие между выходом нейронной сети и классом, который он представляет. Когда сети предъявляется некий образ, на одном из её выходов должен появиться признак того, что образ принадлежит этому классу.

В качестве итога проведенного исследования предлагается алгоритм, который в последующем можно совершенствовать по каждому из блоков

Выбор самого лучшего варианта архитектуры сети из обученных и тестированных ИНС

Рисунок 10 — Алгоритм обучения и тестирования ИНС для задач прогноза показателей нефтедобычи

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

Получены следующие основные научные и практические результаты. 1. Анализ существующих методов моделирования процессов нефтедобычи показал, что использование детерминированных математических моделей сопряжено со значительными трудностями, препятствующими

внедрению постоянно-действующих ГТМ. Данные сложности вызваны неполнотой и неточностью геолого-промысловой информации, часто ведущей к невозможности настройки математических моделей на фактическую историю показателей разработки промысловых объектов в сжатые сроки.

2. Проведён анализ нейросетевых технологий и обоснована необходимость разработки новых методик имитационного моделирования процессов нефтедобычи, основанных на использовании нейронных сетей.

3. Разработанные нейросетевые модели, прогнозирующие основные технологические показатели нефтедобычи, имеют способность к сглаживанию ошибок в обучающей выборке, что дает возможность повысить достоверность прогноза даже по сравнению с классическими гидродинамическими моделями..

4. Предложенный метод и алгоритм нейросетевого моделирования процессов нефтедобычи, основанный на комплексном обучении нейронной сети фактическими замерами режимов работы скважин и результатами детерминированных гидродинамических и аналитических моделей, показал низкую погрешность прогноза 4—17 %.

5. Исследование основных характеристик созданных нейронных сетей на качество аппроксимации обучающей выборки из данных детерминированных моделей показал совпадение аппроксимации вплоть до 99.6 %, а для выборки из фактических замеров режимов скважин совпадение в пределах 68.1-87.3 %.

6. Доказана устойчивость нейросетевых моделей процессов нефтедобычи к входным данным с высоким уровнем шумов (до 30 %) .

7. На реальных системах разработки Савуйского и Ван-Еганского месторождениях доказано, что использование предложенного метода позволяет оперативно достичь приемлемую точность прогноза режимов работы скважин с относительной погрешностью не более 17 %.

Основные положения диссертации опубликованы в следующих

работах

В изданиях, рекомендованных ВАК РФ

1. Хусаинов А.Т. Применение инструментария искусственных нейронных сетей для оперативного расчета нефтедобычи / Стрекалов A.B., Хусаинов А.Т. // Нефтегазовое дело. - 2013.- Т. 11.- №2. - С. 22-25

2. Хусаинов А.Т. Инновационный аналитический метод для расчета показателей нефтедобычи / Стрекалов A.B., Хусаинов А.Т. // Известия вузов. Нефть и газ.- 2013. - № 3. - С. 61-24

3. Хусаинов А.Т. Методика оперативного прогнозирования показателей нефтедобычи средствами программного комплекса с аналитическим модулем искусственных нейронных сетей / Стрекалов A.B., Хусаинов А.Т. // Нефтегазовое дело. - 2013. - T.l 1 №3. - С.44-51

4. Хусаинов А.Т. Изменение свойств осадочных пород при разработке залежей центральной части Западной Сибири по результатам исследований керна / Стрекалов A.B., Хусаинов А.Т.//Электронный научный журнал. Нефтегазовое дело.-2013.-№1.-С.248-258. http://www.ogbus.ru/authors/KhusainovAT/KhusainovAT_l.pdf

5. Стрекалов A.B. Интерпретация динамики режимов работы скважин для построения карты распределения нефтенасыщенности / Королев М.С., Стрекалов A.B., Хусаинов А.Т.// Электронный научный журнал Нефтегазовое дело.-2013 .-№ 1 .-С. 199-204.

http://www.ogbus.ru/authors/KorolevMS/KorolevMS_l.pdf

6. Баталов Д.А. Методика прогнозирования доизвлечения остаточных запасов на водоплавающих нефтяных залежах находящихся на поздних стадиях / Баталов Д.А., Хусаинов А.Т // Электронный научный журнал. Нефтегазовое дело. -2013. -№2.-С.161-167.

http://www.ogbus.ru/authors/ BatalovDA / BatalovDA _1 .pdf

7. Грачева C.K. Моделирование образования сети трещин при ГРП / Стрекалов A.B., Хусаинов А.Т. // Электронный научный журнал. Нефтегазовое дело,- 2013. -№2.-С. 168-183.

http://www.ogbus.ru/authors/ GrachevaSK / GrachevaSK _1 .pdf

8. Королев M.C. Технология распределенного управления гидравлическими системами сетевой структуры / Королев М.С., Стрекалов A.B., Хусаинов А.Т // Электронный научный журнал. Нефтегазовое дело.

-2013.-№4.-С. 109-121.

http://www.ogbus.ru/authors/KorolevMS/KorolevMS_2.pdf

9. Баталов Д.А. Технология интенсификации добычи нефти на водоплавающих залежах месторождений Западной Сибири / Баталов Д.А., Хусаинов А.Т. // Научно-технический журнал. Оборудование и технологии для нефтегазового комплекса. -2013.-№4. -С.56-58.

10. Королев М.С. Волновые процессы в гидравлической системе сетевой структуры / Королев М.С., Стрекалов A.B., Хусаинов А.Т //Электронный научный журнал Нефтегазовое дело.-2013.-№4.-С.96-108. http://www.ogbus.ru/authors/KorolevMS/KorolevMS_3.pdf

11. Стрекалов A.B. Математическое моделирование процессов нефтедобычи на основе нейронных сетей. Монография / Стрекалов A.B., Хусаинов А.Т.//-Тюмень: Типография БИК при ТГНГУ. -2013. 163 С.

sy"

Соискатель А.Т. Хусаинов

Подписано в печать 18.11.2013 Формат 60x90 1/16. Усл. печ. л. 1 Тираж 100 экз. Заказ № 1956

Библиотечно-издательский комплекс федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Тюменский государственный нефтегазовый университет». 625000, Тюмень, ул. Володарского, 38.

Типография библиотечно-издательского комплекса. 625039, Тюмень, ул. Киевская, 52.

Текст научной работыДиссертация по наукам о земле, кандидата технических наук, Хусаинов, Артем Тахирович, Тюмень

Министерство образования и науки РФ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Тюменский государственный нефтегазовый университет»

04201455091

На правах рукописи

Хусаинов Артем Тахирович

ОПЕРАТИВНОЕ ПРОГНОЗИРОВАНИЕ ПОКАЗАТЕЛЕЙ ДОБЫЧИ НЕФТИ МЕТОДАМИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность: 25.00.17 — Разработка и эксплуатация нефтяных

и газовых месторождений

ДИССЕРТАЦИЯ на соискание ученой степени кандидата технических наук

Научный руководитель:

доктор технических наук Стрекалов А.В.

Тюмень 2013

ВВЕДЕНИЕ................................................................................................................................................................4

РАЗДЕЛ 1 ОБЗОР МЕТОДОВ И ПОДХОДОВ К

ПРОГНОЗИРОВАНИЮ ПРОЦЕССОВ НЕФТЕИЗВЛЕЧЕНИЯ....................10

1.1. Цели и задачи моделирования нефтяных месторождений............................10

1.2. Методы математического и имитационного моделирования....................11

1.2.1. Теория фильтрации..............................................................................................................11

1.2.2. Имитационные модели......................................................................................................15

1.2.3 Классические - неспециальные способы экстраполяции..................18

1.3. Недостатки детерминированных и имитационных моделей......................23

1.4. Исследование возможности использования нейросетевых технологий для прогнозирования процессов нефтедобычи....................................35

1.4.1 Теоретические основы искусственных нейронных сетей..................35

1.4.2 Информационные системы, реализующие нейросетевые технологии..................................................................................................................................................48

ВЫВОДЫ ПО ПЕРВОМУ РАЗДЕЛУ..........................................................................................51

РАЗДЕЛ 2 ПОСТРОЕНИЕ ЭКПЕРИМЕНТАЛЬНЫХ

НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРОЦЕССОВ НЕФТЕДОБЫЧИ................52

2.1. Постановка задач разработки нейронных сетей для моделирования процессов нефтедобычи........................................................................................................................52

2.2. Алгоритм проведения расчетных операций..............................................................57

2.2.1. Выбор оптимальной архитектуры искусственной нейронной

сети....................................................................................................................................................................58

2.3. Тестовый прогноз нефтедобычи средствами эталонного гидродинамического симулятора и программного симулятора ИНС............61

ВЫВОДЫ ПО ВТОРОМУ РАЗДЕЛУ..........................................................................................76

РАЗДЕЛ 3 ЭКПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРОЦЕССОВ НЕФТЕДОБЫЧИ................77

3.1. Выбор и обоснование численно-аналитической модели ИНС..................77

3.2. Построение обучающих выборок по результатам численного моделирования технологических показателей нефтедобычи............... 81

3.3. Вариативный технологический прогноз показателей эксплуатации скважин выбранными архитектурами ИНС.................................... 85

3.3.1. Исследование свойств функции многослойного персептрона нейросетевых моделей........................................................... 93

3.3.2. Исследование свойств линейной функции нейросетевых моделей............................................................................. 98

3.3.3. Исследование свойств радиально-базисной функции нейросетевых моделей........................................................... 102

3.4. Оценка прогнозируемости системы поддержания пластового давления нейронными сетями...................................................... 107

3.5. Апробация нейронных сетей для прогнозирования по скважинной добычи нефти на Савуйском и Ван-Еганском месторождениях............. 111

3.5.1. Общая информация о пласте БСю Савуйского

месторождении................................................................... 111

3.5.2. Общая информация о пласте БВ6 Ван-Еганского месторождения.................................................................... 125

3.5.3. Оперативный расчет добычи нефти функцией РБФ нейросетевого моделирования на скважинах Савуйского и Ван-Еганского месторождения................................................ 128

ВЫВОДЫ ПО ТРЕТЬЕМУ РАЗДЕЛУ............................................. 141

ВЫВОДЫ И РЕКОММЕНДАЦИИ................................................ 142

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ............................. 144

ВВЕДЕНИЕ

Эффективная разработка нефтегазовых месторождений невозможна без полного и всестороннего моделирования процессов, происходящих в эксплуатируемом пласте-коллекторе. К числу наиболее важных задач относятся: прогноз величин дебитов нефтяных скважин; прогноз изменения полей пластовых давлений в пласте; оценка эффективности проводимых и планируемых геолого-технологических мероприятий (ГТМ).

Нефтегазоносный пласт-коллектор, вскрытый добывающими и нагнетательными скважинами, является сложной, динамической системой, требующей не тривиального, наукоёмкого, математического моделирования с целью планирования широкого спектра геолого-технических мероприятий и просто добычи нефти. На сегодняшний день трёхмерные детерминированные гидродинамические методы прогнозирования, основанные на теории фильтрации жидкостей и газа в пористых средах, позволяют достаточно точно воспроизводить происходящие процессы. Однако наибольшую трудность вызывает настройка или адаптация создаваемого цифрового аналога к реальному промысловому объекту. Существует целый ряд геологических параметров, который не может быть точно измерен. Значения таких параметров подбирается эмпирически на основе опыта геологов-экспертов и геолого-технической информации получаемой с промыслового объекта.

Применение традиционных методов прогнозирования процессов нефтедобычи с использованием методов решения краевых задач теории фильтрации, моделей трубок тока, характеристик вытеснения, статистических методов и т.д. сопряжено с трудностями такими как неполнота или искаженность информации, характеризующей поведение прогнозируемой системы и как следствие, не достаточной достоверности данного вида расчетов.

Одним из перспективных методов решения сложных задач нефтепромыслового прогноза показателей является имитационное моделирование, реализуемое на основе искусственных нейронных сетей (ИНС).

Применение такой методологии в данной проблематике, представляется

более целесообразным, так как ее особенностью является: обучаемость (самоадаптивность) особенностям моделируемого объекта, идентификация входящей зашумленной информации с соответствующей поправочной интерпретацией, интеллектуальность построения причинно-следственных связей о происходящих микропроцессах, скорость создания модели для проведения расчетных операций.Основные вопросы, связанные с теоретическими и практическими аспектами применения ИНС представлены в многочисленных работах отечественных исследователей А.Н. Горбаня, B.JI. Дунина-Барковского, E.H. Соколова, В.А. Охонина, Н.П. Абовского Е.М. Миркеса, С.А. Терехова, Д.А. Россиева и др., а также зарубежных авторов, таких, как М. Minsky, D.E. Rumelhart, S. Haykin, G. Hinton, Т. Cohonen, R. Hecht-Nielsen, CM. Bishop, S. Grossberg, J.J. Hopfield, D. Hebb и других.

В настоящее время сделаны только первые шаги в разработке нейросетевых моделей для решения задач оперативного прогноза показателей разработки месторождений [1, 2, 3, 4, 5, 6, 7].

На рынке программных продуктов существует множество нейроимитаторов, которые предоставляют широкие возможности для работы с нейронными сетями. Однако большинство, нацелено на работу с непосредственным участием пользователя в диалоговом режиме. Также необходимо отметить, что в существующих нейроимитаторах отсутствует возможность встраивания в информационные системы, давно применяющиеся в нефтедобывающей промышленности.

Всё вышеизложенное позволяет считать, что исследования в области нейросетевых методов моделирования процессов нефтедобычи, а также разработка нейроимитаторов, поддерживающих решение задач нефтепромыслового прогноза являются актуальными и представляют теоретический и практический интерес.

Целью диссертационной работы является повышение качества контроля и управления за разработкой месторождений за счет уточнения проектных показателей при математическом имитационном моделировании нейросетевыми

методами в условиях недостаточной геолого-технологической информации о промысловых объектах.

Для достижения этой цели необходимо решить следующие задачи:

1. Исследовать возможности прогнозирования показателей различных процессов нейросетевыми методами для определения круга задач, решение которых целесообразно для прогнозирования показателей разработки нефтяных месторождений.

2. Разработать принципы построения имитационных моделей на основе искусственных нейронных сетей для наиболее точного прогнозирования нефтедобычи.

3. Разработать методы нейросетевого моделирования и исследовать их устойчивость к зашумлённым входным данным при моделировании процессов нефтедобычи на основе численных экспериментов.

4. Предложить и обосновать методику оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования направленную на повышение аналитической эффективности оценки выработки запасов УВ на реальных промысловых данных, Российских компаний занимающихся разработкой нефтяных месторождений Западной Сибири.

Объект и предмет исследования

Объектом исследования являются системы добычи нефти, объединяющие объекты разработки - продуктивные пласты, добывающие и нагнетательные скважины. Предметом исследования является возможность использования искусственных нейронных сетей для повышения точности прогнозирования показателей разработки нефтяных месторождений.

Методы исследований

В работе использованы методы теории искусственных нейронных сетей, теории фильтрации жидкости в пористых средах, детерминированные численные гидродинамические модели, информатика.

Научная новизна

1. Разработаны и исследованы новые имитационные модели добычи нефти с использованием нейронных сетей и погрешностью прогноза не более 15 %, отличающиеся использованием при их обучении промысловых данных совместно с результатами детерминированных гидродинамических моделей.

2. Экспериментально доказана устойчивость нейросетевых моделей, прогнозирующих процессы двухфазной фильтрации в пористых средах к зашумлениям (до 30%) в обучающих выборках.

3. Разработан алгоритм обучения сетей, направленный на эффективный подбор архитектур, а так же определение подходящей функции выявления взаимосвязей между входящими параметрами.

Практическая ценность работы заключается в следующем:

1. Разработанные нейросетевые модели применяются для прогноза технологических показателей нефтедобычи: дебиты нефти добывающих скважин, суммарные дебиты группы скважин, приемистости нагнетательных скважин.

2. Разработанный метод имитационного моделирования процессов нефтедобычи на основе нейросетевых методов, позволяет за 10 - 12 часов создавать нейронные сети на основе промысловых данных и отличается от общепринятых методик нейросетевого моделирования рекомендациями по выбору типов и структуры обучающих выборок, а также использованием детерминированных моделей.

3. Выполнение научно-исследовательской работы: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти». Код темы: ГРНТИ 52.47.19.28.17.19 от 18.01.2013

4. Апробация предложенной методики оперативного прогнозирования показателей добычи нефти методами нейросетевого моделирования на Ван-Еганском месторождении ОАО «Роснефть» и Савуйском месторождении ОАО «Сургутнефтегаз».

Основные положения, выносимые на защиту

1. Разработанные нейросетевые модели для решения задач прогнозирования динамики режимов работы скважин.

2. Результаты исследования устойчивости нейросетевых методов прогнозирования технологических показателей разработки к входным данным с высоким уровнем шума (до 30%).

3. Методическое обеспечение нейросетевых компонентов, позволяющее решать основные задачи прогноза добычи на основе нейросетевого подхода.

4. Методика использования для обучения искусственной нейронной сети историю динамики режимов работы скважин и результатов гидродинамического моделирования.

Апробация работы

Результаты работы докладывались на: региональной научно практической конференции молодых специалистов. Организатор - ОАО «Сургутнефтегаз» (Сургут, 2011 г.); XII конференции молодых специалистов, работающих в организациях, осуществляющих деятельность, связанную с использованием участков недр на территории Ханты-Мансийского автономного округа (Ханты-Мансийск, 2012 г.); международной заочной научно-практической конференции -теория «Методология и концепция модернизации в природопользование, математике, технике, физике» - НОУ ДПО «Санкт-Петербургский институт проектного менеджмента. (Санкт-Петербург 2013 г.); 67-й Международной молодежной научной конференции РГУ имени И.М. Губкина «Нефть и газ» (Москва, 2013 г.); Выполнена научно-исследовательская работа: «Разработка высокоточных альтернативных численных моделей систем добычи нефти и газа в условиях проявления нелинейных законов фильтрации, трещинообразования и гидравлических волн для повышения энергоэффективности систем добычи нефти». Код темы: ГРНТИ 52.47.19.28.17.19 от 18.01.2013.

Публикации

По материалам диссертации опубликовано 10 работ в журналах рекомендованных ВАК и 1 монографии.

Структура и объём диссертации

Работа состоит из введения, трех разделов, заключения, списка использованных источников из 94 наименований. Объём основного текста диссертации составляет 152 страницы машинописного текста, иллюстрированного 91 рисунком и 10 таблицами.

В первом разделе диссертационной работы проведён анализ существующих методов прогнозирования показателей разработки. Проведено исследование возможностей нейронных сетей и определён круг задач, решаемых искусственными нейронными сетями.

Во втором разделе описана предлагаемая методика моделирования процессов нефтедобычи, основанная на использовании искусственных нейронных сетей. Рассмотрено решение следующих задач: прогнозирование режимов добычи нефти, режимов нагнетания. Формализован метод нейросетевого имитационного моделирования процессов добычи нефти.

Третий раздел посвящен исследованию устойчивости нейросетевых моделей нефтедобычи на основе численных экспериментов. В рамках численных экспериментов рассмотрена работа нейросетевых моделей процессов нефтедобычи при различных уровнях шумов в промысловых данных, а также исследована способность искусственных нейронных сетей (ИНС) фильтровать зашумления геолого-технологической информации. Также рассмотрена нейросетевая аппроксимация математической модели трёхмерной, двухфазной фильтрации.

В заключении в качестве выводов сформулированы основные результаты работы.

РАЗДЕЛ 1 ОБЗОР МЕТОДОВ И ПОДХОДОВ К ПРОГНОЗИРОВАНИЮ

ПРОЦЕССОВ НЕФТЕИЗВЛЕЧЕНИЯ

1.1 Цели и задачи моделирования нефтяных месторождений

Проблема прогнозирования показателей разработки месторождения тесно связана с моделированием месторождений, поскольку именно оно является единственным научным методом прогнозирования. Такой научно-исследовательский подход очень вариативен, начиная с физических и, заканчивая цифровыми математическими аналогами соответственно.

В настоящее время наиболее распространены детерминированные математические модели, предназначенные для прогнозирования показателей разработки и адресного анализа эффективности реализуемой системы воздействия на пласт, в более простом варианте их называются гидродинамическими.

Гидродинамическая модель месторождения - это математическая парадигма, воспроизводящая физические процессы, протекающие в месторождениях нефти или газа при его разработке. Математический аналог представляет собой систему дифференциальных уравнений в частных производных, объединяющую законы сохранения массы и энергии, а также деформационные процессы скелета пласта. Для решения таких систем дифференциальных уравнений применяют численные методы, основанные на конечно-разностном подходе к представлению о производных или на контрольных объемах.

Основная цель контроля разработки месторождения - предсказание его состояния в сочетании с определением путей увеличения текущей или конечной нефтеотдачи в зависимости от реализуемой системы воздействия и дренирования продуктивных пластов. В классических представлениях о теоретических аспектах разработки рассматриваются, в некотором смысле, осредненные свойства объектов (балансная модель), для которых невозможно учесть распределенного изменения параметров пласта и характеристик движения флюидов во времени и пространстве. При численном гидродинамическом проектировании с

использованием современных ЭВМ можно гораздо более детально изучать продуктивные пласты путем �