Бесплатный автореферат и диссертация по наукам о земле на тему

Оперативное регулирование разработки залежей нефти методами нейросетевого моделирования

ВАК РФ 25.00.17, Разработка и эксплуатация нефтяных и газовых месторождений

Автореферат диссертации по теме "Оперативное регулирование разработки залежей нефти методами нейросетевого моделирования"

УДК 622.276.3 На правах рукописи

Варламов Денис Иванович

ОПЕРАТИВНОЕ РЕГУЛИРОВАНИЕ РАЗРАБОТКИ ЗАЛЕЖЕЙ НЕФТИ МЕТОДАМИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

Специальность: 25.00.17. Разработка и эксплуатация нефтяных

и газовых месторождений

Автореферат диссертации на соискание ученой степени кандидата технических наук

? 2 ГЕН 2008

Уфа - 2008

003446513

Работа выполнена в Центре химической механики нефти Академии наук Республики Башкортостан (ЦХИМН АН РБ).

Научный руководитель: доктор технических наук, профессор

Официальные оппоненты: доктор технических наук, профессор

Защита состоится « 25 » сентября 2008 г. в 15 часов 30 мин. на заседании диссертационного совета Д 222.002.01 в Государственном унитарном предприятии «Институт проблем транспорта энергоресурсов» (ГУП «ИПТЭР») по адресу: 450055, г. Уфа, проспект Октября, 144/3.

С диссертацией можно ознакомиться в библиотеке ГУП «ИПТЭР».

Автореферат разослан « 25 » августа 2008 г.

Ученый секретарь диссертационного совета,

Андреев Вадим Евгеньевич

Хисамутдинов Наиль Исмагзамович кандидат технических наук, Якименко Галия Хасимовна

Ведущее предприятие: Открытое акционерное общество

«Акмай»

(ОАО «Акмай», г. Альметьевск)

кандидат технических наук

Л. П. Худякова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы.

Развитие нефтяной промышленности России в последние годы происходит на фоне заметного ухудшения структуры запасов нефти, что в основном связано со значительной выработкой многих уникальных и крупных высокопродуктивных месторождений и их высоким обводнением, а также открытием и вводом в разработку месторождений в сложных геолого-физических условиях, приуроченных к коллекторам с высокой степенью геолого-физической неоднородности, карбонатным породам со сложным характером пустотного пространства, залежам с обширными водонефтяными зонами, газонефтяным залежам, залежам с высоковязкими нефтями и аномальными условиями залегания. Выработанность активных запасов достигла 65%, трудноизвлекаемых - 23%, по отдельным регионам обводненность превышает 90%.

В условиях ухудшения структуры ресурсной базы остро встает вопрос повышения точности обоснования и совершенствования систем и методов воздействия с целью увеличения конечной нефтеотдачи и поддержания стабильных уровней добычи нефти.

Цель работы.

Разработка методических приемов в области прогнозирования и оперативного регулирования систем разработки залежей нефти в сложных геолого-физических условиях с использованием средств интеллектуальной обработки информации на основе искусственных нейронных сетей (ИНС).

Основные задачи исследований:

1. Анализ современных представлений в области совершенствования систем разработки и методов прогнозирования конечной нефтеотдачи объектов нефтедобычи, находящихся в сложных геолого-физических условиях.

2. Классификация объектов разработки, приуроченных к карбонатным отложениям Башкортостана и юга Пермского края. Анализ структуры геологических и извлекаемых запасов по выделенным группам объектов, характера их распределения, и оценка степени их выработки. Выделение типичных объектов для дальнейших исследований.

3. На основе геолого-промыслового анализа разработки типичных объектов оценить степень влияния различных геолого-физических и

технологических факторов на конечную нефтеотдачу и на эффективность реализуемой системы разработки.

4. Разработать методику и создать модель оперативного регулирования процесса разработки с использованием средств интеллектуальной обработки информации на основе искусственных нейронных сетей.

Методы решения поставленных задач:

При решении поставленных задач использованы методы геолого-промыслового анализа и математической статистики, а также новейшие методы с использованием искусственных интеллектуальных систем на основе нейронных сетей.

Научная новизна выполненной работы:

1. Впервые проведена классификация объектов нефтедобычи, приуроченных к карбонатным коллекторам Башкортостана и юга Пермского края, с использованием ИНС.

Установлена структура геологических и извлекаемых запасов, характер их распределения и степень выработки дифференцированно по литологическому и стратиграфическому признакам.

2. На основе нейросетевого моделирования разработана методика, с помощью которой проведена оценка влияния геолого-технологических факторов на нефтеотдачу и эффективность применяемых систем разработки.

Установлено возрастающее влияние на конечный КИН и эффективность выработки запасов нефти технологических факторов при увеличении геолого-физической неоднородности пластов.

3. Формализована методика применения нейросетевого моделирования и получена модель для оперативного регулирования систем разработки объектов нефтедобычи, позволяющая существенно повысить точность прогнозирования конечного коэффициента извлечения нефти.

Основные защищаемые положения:

1. Классификация объектов разработки, приуроченных к карбонатным отложениям Башкортостана и юга Пермского края, выполненная на основе нейросетевого моделирования. Структура геологических и извлекаемых запасов нефти рассматриваемого региона,

характер их распределения и степень выработки дифференцированно по литологическому и стратиграфическому признакам.

2. Методика оценки влияния геолого-технологических факторов на конечный коэффициент извлечения нефти и эффективность выработки запасов с использованием нейросетевого моделирования.

3. Методика оперативного регулирования систем разработки с применением системы искусственного интеллекта на основе нейронных сетей.

Достоверность полученных результатов достигается путем обработки большого массива геолого-физических и промысловых данных, применением современных методов нейросетевого моделирования, а так же хорошей сходимостью результатов расчетов на нейросетевой и гидродинамической моделях.

Практическая ценность работы:

На основе разработанной автором методики был выполнен комплекс расчетов, позволивший рекомендовать мероприятия, направленные на совершенствование системы разработки залежей нефти башкирского яруса одного из месторождений юга Пермского края, при составлении проект а разработки которого (на этапе гидродинамических расчетов) были учтены рекомендации по увеличению плотности сетки скважин, их размещению и активизации системы воздействия, что позволило существенно повысить степень достоверности и надежности прогнозирования при одновременном сокращении затрат времени и средств на проведение исследований.

Апробация работы. Материалы диссертационной работы представлялись на: VI конгрессе нефтепромышленников России «Проблемы освоения трудноизвлекаемых запасов углеводородов», Уфа-2005; всероссийской научно-практической конференции «Большая нефть XXI века» - (АГНИ) Альметьевск-2006; 6-й международной конференции «Химия нефти и газа» - Инст итут химии нефти СО РАН, Томск-2006; научно-практической конференции «Энергоэффективность. Проблемы и решения» - Г УП ИПТЭР, Уфа-2006; научно-практической конференции «Проблемы и методы обеспечения надёжности и безопасности систем транспорта нефти, нефтепродуктов и газа» - ГУП ИПТЭР, Уфа-2008.

Публикации результатов исследования:

По теме диссертации опубликовано 10 печатных работ, одна из которых опубликована без соавторов, 2 статьи опубликованы в изданиях, входящих в перечень ВАК. В работах, опубликованных в соавторстве, соискателю принадлежат постановка задачи, участие в исследованиях, обобщение и анализ полученных результатов.

Структура диссертации:

Диссертация состоит из введения, четырех глав и заключения. Список использованной литературы включает 60 наименований. Текст изложен на 125 страницах, содержит 38 рисунков и 13 таблиц.

Автор искренне благодарен за помощь, ценные советы и консультации научному руководителю - д.т.н., профессору Андрееву В. Е., д.т.н., профессору Котенёву Ю. А., д.г.-м.н., профессору Хайрединову Н.Ш., а так же коллективу сотрудников Центра химической механики нефти АН РБ, плодотворная работа с которыми способствовала становлению, развитию идей и практической их реализации.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы исследования, определяются основные цели и задачи исследования, обосновываются научная новизна, основные защищаемые положения, практическая ценность и апробация работы.

Первая глава диссертации посвящена анализу современных представлений в области совершенствования систем разработки и методов прогнозирования конечной нефтеотдачи объектов нефтедобычи, приуроченных к карбонатным продуктивным отложениям, характеризующимся высокой геолого-физической неоднородностью.

Существенный вклад в развитие данного направления внесли: Амелин И. Д., Андреев В. Е., Аширов К. Б., Валитов Э. Т., Викторин В. Д., Выжигин Г. Б., Гавура В. Е., Газизов А. А., Гафаров Ш. А., Гильманова Р. X., Грайфер В. И., Громович В. А., Дементьев Л. Ф., Желтов Ю. П., Закиров С. Н., Зейгман Ю. В., Иванова М. М., Ковалев В. С., Котенев Ю. А., Ленченкова Л. Е., Лыков Н. А., Лысенко В. Д., Майдебор В. Н., Мирзаджанзаде А. X., Миронов Т. П., Молокович Ю. М., Муслимов Р.Х., Мухаметшин В. Ш., Наказная Л. Д., Нугаев Р. Я., Ованесов Г. П., Сазонов Б. Ф., Саттаров М. М., Сургучев М. Л., Токарев М. А., Чоловский И. П.,

Хаин И. И., Хайрединов Н. Ш., Хисамутдинов Н. И., Швецов И. А., Шустеф И. Н. и др.

Показано возрастающее значение карбонатных коллекторов как источников добычи нефти в старых и новых нефтяных районах нашей страны, а также необходимость повышенного внимания по контролю за разработкой таких объектов.

На основании накопленного геолого-промыслового опыта составлен перечень практических рекомендаций, способствующих повышению эффективности разработки объектов, находящихся в сложных геолого-физических условиях, и обоснована необходимость использования всех разновидностей вторичных (традиционных) методов воздействия перед применением третичных (новых) методов на объектах нефтедобычи, характеризующихся высокой геолого-физической неоднородностью.

Перечислены основные геолого-физические и технологические параметры, используемые при прогнозе конечной нефтеотдачи и оказывающие влияние на конечный коэффициент нефтеизвлечения и эффективность выработки запасов.

Показано развитие методов прогноза конечной нефтеотдачи и регулирования систем разработки. В отечественной и зарубежной практике большое внимание уделяется математическому аппарату, применяемому при оценке и прогнозе показателей разработки залежей углеводородов. В его состав входят: объемный метод; метод материального баланса; многомерное многофазное численное моделирование; методы статистического анализа; метод коэффициентов-сомножителей; аппроксимационный метод характеристик вытеснения и кривых падения давления и др.

Наибольшее распространение в нефтепромысловой практике получил метод многофакторного анализа на основе линейной регрессии. Несмотря на низкую надежность формально применяемых вероятностно-статистических методов, можно констатировать их широкое применение. При этом количественный разброс залежей в выборках, неравнозначность сочетаемых параметров и показателей, узость диапазонов их изменения лишают полученные регрессионные зависимости универсальности и унификации. Кроме того, отклонение линейной регрессии от реальности возрастает по мере удаления от средних значений параметров, по которым она строилась, в область, где преобладают нелинейные зависимости. Именно поэтому очень важно выбрать методику, которая бы учитывала нелинейные эффекты любой сложности.

Совершенно очевидно, что назрела необходимость применения качественно новых инструментов прогнозирования. Одним из них является метод интеллектуальной обработки информации на основе искусственных нейронных сетей.

Вторая глава посвящена обобщению и систематизации геолого-физической и промысловой информации о продуктивных объектах республики Башкортостан и юга Пермского края, их классификации, выявлению и дифференцированному анализу структуры запасов нефти и степени их выработки.

Уральский и Поволжский регионы России, объединяющие ряд республик и областей Приуралья, Среднего и Нижнего Поволжья, составляют второй по значению крупнейший нефтедобывающий центр России. В последнее время в результате геолого-разведочных работ открыты лишь мелкие, реже средние по запасам месторождения. Как следствие, основные сложности поддержания нефтедобычи в регионе будут связаны с высокой степенью выработанности основных эксплуатационных объектов и вводом в разработку низкопродуктивных коллекторов в сложных геолого-физических условиях.

Республика Башкортостан характеризуется наибольшей степенью выработанности запасов (83%). Большинство месторождений находится в стадии интенсивного снижения добычи и характеризуется низкими дебетами скважин и высокой обводненностью добываемой продукции. Без повышения эффективности вторичных и внедрения третичных методов воздействия добыча нефти в Поволжье будет резко падать, и в недрах останутся неизвлеченными сотни миллионов тонн нефти.

Стратиграфический диапазон осадочного чехла на анализируемой территории охватывает отложения от докембрийских (венд-рифейских) до верхнепермских. Нефтегазоносность приурочена к отложениям всего палеозойского чехла, от среднего девона до нижней перми. Около 80-85% мощности разреза палеозоя составляют карбонатные отложения.

В тектоническом отношении платформенная часть территории представляет собой несколько регионов, различающихся глубиной залегания кристаллического фундамента, фациальными особенностями отложений и относительной структурной разобщенностью. Глубина залегания кристаллического фундамента изменяется с запада на восток от 1,5 до 8-12 км.

Нефтегазоносность карбонатной части установлена практически по всему разрезу платформенной части, начиная с бийских (средний девон) и

заканчивая кунгурскими (нижняя пермь).

Залежи нефти в продуктивных толщах приурочены к тектоническим регионам в определенной закономерности. Так, в терригенной толще нижнего карбона (ТТНК) большинство значительных по размерам запасов залежей располагается в северной половине территории (северная часть Башкирского свода, Бирская седловина). В юго-западной части они также продуктивны, однако запасы их меньше. В терригенной толще девона наиболее значительные по запасам залежи приурочены к западной половине территории (южный склон Татарского свода, Благовещенская впадина). Залежи нефти и газа в рифовых массивах нижнепермского возраста расположены цепочкой вдоль западного борта Вельской впадины.

На сегодняшний день в разработке находится более 160 месторождений. Практически все они эксплуатируются уже долгое время. Большинство из них перешагнуло пик своей максимальной добычи и находится в поздней стадии разработки с высокой степенью обводненности добываемой продукции. Средняя выработанность начальных извлекаемых запасов (НИЗ) месторождений составляет 83%, в том числе по крупнейшим — Арланскому, Туймазинскому и Шкаповскому — 91,9%. Пласты, выработанные более чем на 70%, обеспечивают 2/3 текущей добычи нефти. В них содержится 42% текущих извлекаемых запасов (ТИЗ) нефти. Средняя обводненность добываемой продукции достигла 92%.

Основные запасы нефти сосредоточены в терригенных коллекторах девона и карбона - 70% начальных геологических (НГЗ) и 82% начальных извлекаемых запасов (НИЗ).

Изначально более сложная ситуация сложилась с разработкой карбонатных коллекторов. Доля текущей добычи нефти из карбонатных пластов составляет около 30% от суммарной добычи. При этом карбонатные пласты, выработанные более чем на 70%, обеспечивают 3/4 добычи нефти данного типа коллекторов. В них содержится 27% текущих извлекаемых запасов нефти (ТИЗ). Основная доля текущих извлекаемых запасов (50%) сосредоточена в объектах, находящихся в начальной стадии разработки с выработкой до 20%.

Количество разрабатываемых объектов республики Башкортостан и юга Пермского края составляет более 600 единиц, из них немногим более 50% в карбонатных коллекторах палеозоя.

В основном выработка разновозрастных продуктивных отложений палеозоя производиться достаточно равномерно. Исключение составляют лишь объекты нижнепермских и среднекаменноугольных карбонатных

продуктивных комплексов. Разработка первых осуществляется с опережением, а вторых - с отставанием от общих темпов отбора по карбонатным коллекторам. Так, доля ТИЗ объектов разработки в карбонатных отложениях среднего карбона увеличилась почти в 1,5 раза по сравнению с НИЗ (с 22,5% до 31,5%).

С целью более глубокого анализа была проведена классификация объектов, приуроченных к карбонатным отложениям, с помощью ИНС. Кроме 306 объектов республики Башкортостан в исходные данные вошел 51 объект юга Пермского края.

В основу классификации положены следующие параметры: эффективная нефтенасыщенная толщина (Лии), коэффициент проницаемости (Кпр), вязкость (р) пластовой нефти. В результате классификации были выделены 3 сравнительно однородные группы объектов (см. табл. 1).

Таблица 1- Характеристика выделенных групп

Группа стратиграфия Кол-во объекта Ьнн, м Кпр, мкм2 ц, мПа*с КИНпр КИЗ, %

1 02 6 1.5 0.027 4.8 0.176 67.6

Ш 42 4.1 0.045 9.5 0.226 51.0

С1 83 3.5 0.035 10.4 0.2! 7 44.8

С2 57 2.9 0.038 10.1 0.205 33.2

Р1 13 22.0 0.048 6.2 0.215 73.5

Среднее по группе 1 232 5.0 0.038 9.7 0.214 41.6

2 т 1 2.0 0.137 8.4 0.168 28.3

03 1 15.3 0.263 12.0 0.240 87.9

С1 15 5.1 0.384 15.3 0.242 62.8

С2 15 1.7 0.324 13.0 0.236 30.5

Р1 14 107.1 0.186 8.2 0.281 98.5

Среднее по группе 2 46 37.1 0.292 12.3 0.254 67.8

3 02 3 2.4 0.002 23 0.140 15.4

03 23 3.5 0.036 51.3 0.222 29.6

С1 33 4.5 0.042 39.8 0.175 56.2

С2 16 5.0 0.050 41.7 0.133 32.7

Р1 3 11.1 0.026 26.0 0.160 7.5

Среднее по группе 3 79 4.6 0.040 42.2 0.160 45.7

Среднее по грушам 357 9.1 0.072 17.2 0.251 52.4

Объекты первой группы характеризуются средними значениями нефтенасыщенных толщин, низкими значениями проницаемости и сравнительно низкими значениями вязкости. Проектные значения КИН по объектам данной группы ниже среднего значения для всех объектов,

выработка запасов по группе так же несколько ниже. Относительно лучше выработаны запасы нижнепермских рифовых массивов (73,5%), наименьшей выработкой характеризуются запасы объектов среднего карбона (33,2%). В целом по группе выработка запасов происходит неравномерно. По критерию проницаемости запасы нефти подавляющего большинства объектов данной группы следует отнести к категории трудноизвлекаемых.

Объекты второй группы приурочены в основном к отложениям нижнего и среднего карбона. Эксплуатационные объекты различных стратиграфических подразделений характеризуются существенно неравномерной выработкой. Так, наиболее выработанными являются нижнепермские рифогенные массивы (98,5%), как и в первой группе. Существенное отличие наблюдается в значениях эффективных нефтенасыщенных толщин по объектам нижнего и среднего карбона, где она в среднем в 3 раза ниже, и выработка существенно ниже, не смотря на то, что значения проектного КИН по данным объектам очень близки. В целом, для объектов второй группы характерна относительно лучшая геолого-физическая и фильтрационная характеристика, свидетельствующая в пользу отнесения запасов объектов данной группы к активным.

Объекты третьей группы приурочены в основном к отложениям верхнего девона и нижнего и среднего карбона, характеризуются существенно худшей геолого-физической и фильтрационной характеристикой.

По группам выработка запасов происходит неравномерно. Так, доля ТИЗ объектов второй группы снизилась на 13 п.п. (или 32,5%) по сравнению с НИЗ, а доля ТИЗ объектов первой группы увеличилась на 12 п.п. (или 21,8%), что свидетельствует об отставании выработки последних.

Основная часть запасов нефти сосредоточена в объектах первой и второй групп - 95% НИЗ. Более 73% объектов мелкие, средние - 21,3%, крупные - 5,3%. Текущая добыча нефти обеспечивается в основном за счет средних по запасам объектов - более 55% добычи, при средней выработанности 50% от НИЗ.

На долю объектов первой группы приходится 67% ТИЗ. Геолого-физическая характеристика пластовых систем характеризуется средними значениями: средняя продуктивная толщина 5,0 м, средняя проницаемость 0,038 мкм2, средняя вязкость пластовой нефти 9,7 мПа«с, средний по группе проектный КИН составляет 0,214 д.е., НИЗ выработаны более чем на 40%.

Несколько меньше (27%) составляют ТИЗ объектов второй группы. Геолого-физическая характеристика пластовых систем относительно лучше: средняя продуктивная толщина 37,1 м, средняя проницаемость 0,292 мкм2, средняя вязкость пластовой нефти 12,3 мПа-с, средний по группе проектный КИН составляет 0,254 д.е. Выработка НИЗ в среднем по группе приблизилась к 68%. Оставшиеся 6% составляют ТИЗ объектов третьей группы, характеризующиеся худшими геолого-физическими параметрами пластовых систем: средняя продуктивная толщина 4,6 м, средняя проницаемость 0,040 мкм2, средняя вязкость пластовой нефти 42,2 мПа*с, средний по группе проектный КИН составляет 0,160 д.е. Выработка НИЗ в среднем по группе составляет 45,7%.

Наименьшей выработкой запасов нефти и низкой эффективностью систем разработки характеризуются объекты башкирского и московского ярусов среднего карбона. Основная доля ТИЗ нефти данных объектов сосредоточена в сложных геолого-технологических условиях - низкие продуктивные толщины пластов и пропластков, низкая проницаемость коллекторов, обширные ВНЗ, высокая расчлененность. Высокая степень геолого-физической неоднородности с одной стороны, и несоответствующие ей системы разработки и воздействия с другой -обусловливают низкую эффективность нефтеизвлечения и низкую конечную нефтеотдачу.

В третьей главе приводятся результаты исследования влияния геолого-технологических факторов на нефтеотдачу на основе геолого-промыслового анализа разработки залежей нефти, приуроченных к карбонатным пластам башкирского яруса среднего карбона северного склона Башкирского свода.

Исследуемые объекты в т ектоническом отношении находятся на структуре II порядка - Куединском вале, осложняющем северный склон Башкирского свода. По генетическому признаку поднятия, осложняющие вал, относятся к тектоно-седиментационному типу. Структура представляет собой брахиантиклинальную складку сложной конфигурации, имеющую северо-западное простирание и осложненную тремя поднятиями, которые прослеживаются по всем маркирующим горизонтам. На основании проведенной корреляции в разрезе выделено 10 продуктивных пластов: каширо-верейский горизонт (КН ¡, В3В4), башкирский ярус (Бш,, Бш2), Яснополянский надгоризонт (Тл2^, Тя2.с„ Бб¡, Бб2), турнейский ярус (7) и пашийский горизонт (Д,).

Для решения поставленных задач были выбраны залежи нефти, приуроченные к карбонатным пластам башкирского яруса среднего карбона (1 группа), характеризующиеся высокой геолого-физической неоднородностью, наличием обширных водонефтяных зон, низкими продуктивными толщинами, высокой расчлененностью продуктивного разреза, низкой эффективностью выработки запасов нефти, а так же наличием большого объема геолого-физической и технологической информации.

Башкирский пласт разделён на 3 проницаемых пласта сверху вниз: Бшь Баь и Бш3. Выделенные пласты хорошо коррелируются от скважины к скважине в пределах месторождения. В составе каждого из пластов выделяется от 1 до 8 проницаемых прослоев. Верхние пласты Бш1 и Бш2 -нефтенасыщенные, к ним приурочены основные запасы нефти башкирского яруса. Об изменчивости геолого-физической характеристики пластов Бш дает представление табл. 2.

Таблица 2 - Характеристика изменчивости фильтрационно-емкостных свойств пластов Бш

Параметры Среднее значение Интервал изменения Коэффициент вариации, Д.е. Количество наблюдений

общая толщина, м 18.0 4.9 31.5 0.17

продуктивная толщина, м 5.8 0.4 13.6 0.38

доля коллектора, д.е. 0.33 0.02 0.68 0.38

пористость, % 13.80 7.20 25.4 0.18

вариация пористости, % 20 0 70 0.44 588

нефтенасыщешюсть, % 72.3 47.5 89.0 0.10

вариация нефтетсьиценности, % 14 0 30 0.53

проницаемость, мк»? 0.134 0.001 1.003 1.12

вариация пронищемости, % 118 0 270 0.43

расчлененность 6 1 14 0.40

К пласту Бш1 приурочена единая залежь нефти, которая в пределах принятого ВНК -855 - -859 м имеет размеры 21,5x5,2-11,5 км, этаж нефтеносности 51,3 м. Тип залежи пластовый, сводовый. Доля объема пласта от общего: нефтяной зоны - 63%, водонефтяной - 37%. Отношение эффективной толщины к общей составляет в среднем 0,34, расчленённость изменяется от 1 до 7, составляя в среднем 6.

В пласте Бш2 выделяется несколько залежей нефти, ограниченных ВНК -855 - -859 м. Размеры залежей составляют 0,3 - 10,9x0,2 - 5,8 км, этаж нефтеносности 41,3 м. Отношение эффективной толщины к общей составляет в среднем 0,34, расчлененность изменяется от 1 до 8, среднее значение 6.

Пластовое давление в зоне ВНК и в зоне отбора выше давления насыщения. Режим разработки основных залежей нефти - водонапорный.

В разрезе башкирского яруса преобладают биоморфные и детритово-биоморфные известняки, представленные преимущественно водорослевыми и фораминиферовыми разностями. Они же, чаще других, бывают коллекторами.

Коллекторские свойства пород башкирского яруса освещены 220 определениями пористости и 139 - проницаемости. Максимальные их значения для пласта Бш, равны 27% и 0,414 мкм2; максимальные для пласта Бш2 - 25% и 0,532 мкм2.

Для нефтенасыщенной части пластов Бш средняя пористость равна 14,1%, проницаемость 0,101 мкм2.

Нефть башкирских пластов описана по собственным глубинным пробам из скважин, расположенных на всех поднятиях. В целом по залежам пластов Бш приняты следующие параметры: давление насыщения 7,14 МПа, газонасыщенность 27,7 м3/т, вязкость 12,9 мПа*с, объёмный коэффициент 1,056, поверхностная нефть башкирских пластов тяжелая - от 0,883 до 0,904 т/м3, высокосмолистая, высокосернистая, парафинистая. Газы, растворённые в нефти, низкометановые, среднеазотные, высокожирные, содержат сероводород от 0,1 до 0,8%.

В результате проведенного геолого-промыслового анализа можно заключить:

1. Наивысшая эффективность системы разработки отмечается в зонах, с высокой плотностью сетки эксплуатационных скважин, с благоприятной фильтрационно-емкостной характеристикой и высокими начальными геологическими запасами нефти.

2. Недостаточная эффективность системы разработки залежей пласта Бш2 по сравнению с таковой залежи пласта Бш1 объясняется совокупностью геологических и технологических факторов: отношение запасов ЧНЗ к общим запасам (Бш1 - 0,67, Бш2 - 0,18), плотность сетки скважин (Бш! - 42,2 Га/скв., Бш2 от 64,5 до 132,8), доля перфорированной продуктивной толщины (Бш) - 0,92, Бш2 - 0,6).

3. Не достаточно эффективна система воздействия на ВНЗ залежей и зон, прилегающих к фронту нагнетания с высокой послойной неоднородностью.

4. Систему разработки залежи пласта Бш] в пределах северной площади можно характеризовать как эффективную. Значительно меньшей эффективностью характеризуется система разработки южной площади и залежей пласта Бш2.

5. Значительно снижает эффективность системы разработки и воздействия отставание с вводом эксплуатационных скважин и неравномерность в распределении объемов закачиваемой воды в пределах южной площади.

Для дифференцированного геолого-промыслового анализа в пределах рассматриваемых залежей выполнено обоснование границ участков на основании комплексного учета основных геологических и технологических факторов, характеризующих систему разработки: приуроченность к различным зонам залежи, реализуемая система воздействия (блоковая, площадная, избирательная, очаговая), плотность и система размещения скважин, характер распределения скважин по площади. Проведенный выбор эксплуатационных участков по рассмотренным критериям позволяет надеяться на репрезентативность выборки и на возможность на ее основе разрабатывать модели прогнозирования конечной нефтеотдачи.

В итоге было выделено 18 участков. Для выделенных участков были определены текущие значения 26 основных геолого-технологических параметров.

Для оценки влияния геолого-технологических факторов на нефтеотдачу были проведены корреляционный и функциональный анализы, показавшие наличие различных - линейных и нелинейных -зависимостей. При этом важно отметить, что с увеличением геолого-физической неоднородности участков возрастает влияние технологических факторов на нефтеотдачу, особенно ярко проявляющееся на заключительных стадиях разработки. К тому же многие зависимости имеют более высокий коэффициент корреляции при аппроксимации нелинейными функциями, что значительно усложняет применение линейных методов анализа.

Кроме того, влияние указанных факторов оценивалось на стадии подготовки к обучению нейронной сети. В результате была разработана методика оценки влияния геолого-технологических факторов на нефтеотдачу путём анализа весовых коэффициентов соответствующих факторов.

Центральные зоны залежей, имеющие высокие продуктивные толщины, повышенную расчлененность, и как следствие повышенную геолого-физическую неоднородность, характеризуются более плотной сеткой скважин, более жесткой системой воздействия и высокими значениями компенсации отборов жидкости, и как следствие хорошей выработкой запасов нефти.

Основные факторы, снижающие эффективность процесса нефтеизвлечения, - это система размещения скважин, неадекватная высокой геолого-физической неоднородности объекта, низкая плотность сетки по периферийным зонам (ВНЗ), где сосредоточено около 30% начальных геологических запасов (НГЗ) нефти, неравномерно распределенная по площади компенсация отборов. Значительная часть запасов нефти в активную разработку не введена.

Установлено, что процесс нефтеизвлечения контролируется множеством факторов. При этом указанное множество факторов характеризуется наличием сложной системы взаимовлияния и взаимозависимости, описать которую широко используемыми на сегодняшний день системами многофакторного анализа (линейной регрессии), при соблюдении требуемого уровня точности и качества, представляется практически невыполнимой задачей.

В четвёртой главе приводятся общие сведения об искусственных нейронных сетях, методология их применения для прогнозирования конечного коэффициента извлечения нефти и оперативного регулирования системы разработки, а так же рекомендации по применению нейронных сетей в прогнозировании и классификации в нефтедобыче.

Задачи прогнозирования и идентификации занимают ключевые места в общей проблеме управления. Возможности ее решения рассматриваются в применении новых информационных технологий, составной частью которых являются интеллектуальные средства обработки информации. Такими средствами в современных информационных технологиях являются искусственные нейронные сети (ИНС), применение которых дает возможность создания качественно новых аппаратных и программных средств, позволяющих существенно расширить классы решаемых задач и повысить точность их решения.

Основной элемент нейросистем стандартный формальный нейрон - составлен из входного сумматора, нелинейного преобразователя и точки ветвления на выходе. Входной (адаптивный) сумматор вычисляет скалярное произведение вектора входного сигнала х на вектор параметров а. Нелинейный преобразователь сигнала получает скалярный входной сигнал х и переводит его в ср(х). Точка ветвления служит для рассылки одного сигнала по нескольким адресам.

При построении нейронных сетей используются несколько стандартных архитектур. Выделяются две базовых архитектуры

нейронных сетей - слоистые (однонаправленные) и полносвязные (рекурентные) сети.

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 смешанная.

Перед моделированием необходимым этапом является подготовка входных данных, выбор архитектуры сети, алгоритма обучения и его параметров.

В данном случае была выбрана архитектура сети, отвечающая поставленной задаче - сеть прямого распространения на базе многослойного перцептрона, и основной алгоритм обучения - метод обратного распространения ошибки в виде пакетной (групповой) реализации алгоритма градиентного спуска.

Кроме того, было выполнено увеличение количества объектов наблюдения путем определения значений технологических показателей на различные даты с целью повышения качества обучения нейронной сети.

На втором этапе производилось создание исходной базы данных (ИБД). В ее основу вошли 14 основных показателей, характеризующих геолого-физические, фильтрационно-емкостные и технологические параметры выделенных участков, и их неоднородность.

Далее, из объема ИБД было создано три массива данных. Первый массив, содержащий около 75% ИБД, предназначен для обучения сети и носит название обучающей выборки (ОВ). Оставшаяся часть ИБД, за исключением целевых показателей (ЦВ), была заключена в так называемую тестовую выборку (ТВ).

В совокупности было обучено и протестировано множество нейронных сетей на базе многослойного персептрона, отличающихся количеством входов, скрытых слоев и нейронов в слоях, а также вариациями параметров основного алгоритма обучения. Обучение останавливалось при увеличении ошибки выходных сигналов сети на ТВ, для предотвращения ее переобучения.

В результате уменьшения размерности сети (путем исключения малоинформативных параметров) и применения алгоритмов повышающих устойчивость и ускоряющих процесс обучения удалось сократить время обучения в 70 раз (с первоначальных 70 тыс. до 1,0 тыс. эпох) и

одновременно повысить точность и надежность прогноза. На рис. 1 представлены: а) - принципиальная схема моделирования при помощи ИНС, б) - характеристика созданной ИНС.

После создания сети и установки необходимых параметров начинается процесс её обучения. На вход сети подается массив обучающей выборки (ОВ) определенное количество раз, после чего обучение останавливается. Далее осуществляется проверка обобщающей способности сети посредством предъявления на ее вход массива тестовой выборки (ТВ) и сравнения результатов прогноза по обеим выборкам.

Выбор архитектуры сети, парадигмы а) и алгоритма обучения

Подготовка входных данных СозданиеИБД

Оценка значимости входных параметров Корректировка ИБД

СоздамиеОВ

СозданиеТВ

Создание ЦВ

Предварительно обучение ИНС Уточнение архитектуры» параметров алгоритма обучения

Обучение нейронной сета с использованием ИБД

Оценка изменчивости весовых коэффициентов соответствующих параметров в процессе обучения

Корректировка ИБД

Обучение ИНС

Пополнение ИБД новыми данными

Модель прогноза

б)

Вход Скрытый слой 1

Скрытый слой 2

Выход

Рис. 1 - Принципиальная схема моделирования при помощи ИНС (а) и характеристика созданной ИНС (б).

После чего обучение сети продолжается пока не будет достигнут максимально возможный уровень точности прогноза и обобщающей

способности сети. Динамика процесса обучения созданной сети представлена в табл.3.

Уже на первом цикле обучения был достигнут достаточно высокий уровень точности прогноза. Момент начала переобучения сети видно на 7 цикле обучения, когда коэффициент корреляции на ТВ прекратил рост, а следующий цикл ознаменовался его уменьшением. При этом процесс обучения был остановлен.

Таблица 3 - Динамика прощсса обучения нейронной сети

Среднеква- Коэфф. корреляции Коэфф. корреляции

Цикл Эпоха дратическая фактич. и прогнозных фактич. и прогнозных

ошибка значений КИН на ОВ значений КИН на ТВ

1 100 0,526 0,692 0,831

2 200 0,362 0,791 0,910

3 300 0,270 0,849 0,920

4 400 0,220 0,885 0,929

5 500 0,178 0,907 0,937

6 600 0,152 0,920 0,941

7 700 0,137 0,930 0,941

8 800 0,120 0,937 0,940

9 900 0,110 0,942 0,940

На рисунках 2, 3 представлены сопоставления прогнозных и фактических значений (нормированных) КИН соответственно для обучающей и тестовой выборок после 9 циклов обучения.

Достаточно высокие значения коэффициентов корреляции свидетельствуют о способности сети с высокой точностью воспроизводить значения целевых параметров по совокупности входных данных обучающей выборки (рис. 2) и о сохранении, при этом, высокой обобщающей способности - что подтверждается точностью прогноза по совокупности входных данных тестовой выборки, которые впервые представлены сети (рис. 3).

Далее по всем участкам, кроме тех, по которым разработка практически завершена, были составлены матрицы исходных показателей для расчета на обученной ИНС. По каждому участку предложено к расчету несколько вариантов (совокупностей) технологических показателей. Анализ полученных значений КИН по участкам позволил выработать основные направления по регулированию системы разработки.

По результатам моделирования можно заключить, что основное влияние на конечный КИН и эффективность системы разработки оказывают: компенсация отборов жидкости, плотность сетки скважин и активность (жесткость) системы воздействия.

О 1 2

т факт

Рис. 2- Сопоставление прогнозных и фактических значений КИН обучающей выборки (ОВ)

-1.5 -1 -0 5 0 0.5 1 1.5 2 21

т факт

Рис. 3 - Сопоставление прогнозных и фактических значений КИН тестовой выборки (ТВ)

В лучшем случае КИН для объекта в целом может составить 0,285 д.е. при интервале изменения для различных участков от 0,223 д.е. (12 уч.) до 0,327 д.е. (15 уч.). При этом средняя плотность сетки скважин для объекта составит около 24 Га/скв., изменяясь в интервале от 19 до 38 Га/скв., жесткость системы воздействия - 2-3 ед., компенсация отборов жидкости - 1,6 д.е. Соотношение добывающих скважин равное 2 соответствует площадной семиточечной обращенной системе расположения скважин, которая рекомендуется в качестве основной. При

этом рекомендуется применение очагового и избирательного заводнения в зонах с повышенной геолого-физической неоднородностью.

Для оценки прогнозной способности ИНС результаты моделирования сравнивались с результатами расчета технологических показателей разработки пластов Бш, выполненных на цифровой гидродинамической модели. Так, прогнозный КИН на гидродинамической модели составил 0,29 д.е., при близких технологических показателях: соотношении добывающих и нагнетательных скважин, равном 3, и компенсации отборов жидкости закачкой воды в целом для объекта - 140150%.

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ:

Проведенные диссертационные исследования позволили получить следующие результаты:

1. Анализ современных представлений в области совершенствования систем разработки и прогнозирования конечной нефтеотдачи позволил сделать следующие основные выводы:

- показано возрастающее значение карбонатных коллекторов как источников добычи нефти;

составлен перечень практических рекомендаций, способствующих повышению эффективности разработки объектов, находящихся в сложных геолого-физических условиях;

- перечислены основные геолого-физические и технологические параметры, используемые в моделях прогноза конечной нефтеотдачи;

- показано развитие оперативных методов прогноза конечной нефтеотдачи и регулирования систем разработки;

- констатировано широкое применение для прогнозирования вероятностно-статистических методов, характеризующихся низкой надёжностью;

- обоснована необходимость применения качественно новых инструментов прогнозирования - одним из них является метод интеллектуальной обработки информации на основе искусственных нейронных сетей.

2. Классификация объектов разработки в карбонатных отложениях Башкортостана и юга Пермского края позволила:

- сгруппировать их по основным геолого-физическим показателям, характеризующим качество запасов нефти и выделить три сравнительно однородные группы объектов;

- в пределах выделенных групп провести сравнительный анализ структуры запасов нефти по литологическому и стратиграфическому признакам;

- выявить существенную неравномерность выработки запасов отдельных стратиграфических интервалов карбонатного разреза -наименьшей выработкой характеризуются запасы нефти башкирского и московского ярусов среднего карбона.

3. Разработана методика оценки влияния геолого-технологических факторов на конечный коэффициент извлечения нефти и эффективность реализуемой системы разработки. Установлено возрастающее влияние на конечный КИН и эффективность выработки запасов нефти технологических факторов при увеличении геолого-физической неоднородности пластов: плотность сетки скважин, компенсация отборов жидкости и активность (жёсткость) системы воздействия.

4. Формализованы методические приемы использования нейросетевого моделирования для классификации и прогнозирования в нефтедобыче. На основе разработанной методики создана модель прогноза конечного КИН, на которой произведены расчеты по регулированию системы разработки объектов исследования, показавшие высокую прогнозную точность и обобщающую способность модели.

5. Рекомендуется использовать разработанную методику при оперативном регулировании систем разработки как самостоятельно, так и совместно с гидродинамическим моделированием.

Основные результаты диссертации опубликованы в следующих печатных работах:

1. Султанов Ш.Х., Блинова О.Н., Варламов Д.И. Перспективы применения методов увеличения нефтеотдачи и интенсификации добычи нефти в карбонатных коллекторах Красноярско-Куединского месторождения // Материалы VI Конгресса нефтепромышленников России «Проблемы освоения трудноизвлекаемых запасов углеводородов»: Науч. тр.-Уфа,2005.-С. 31-34

2. Султанов Ш.Х., Варламов Д.И. Оптимизация системы разработки объектов на поздней стадии с помощью нейросетевого моделирования // Тез. Докл. Всерос. науч.-практ. конференции «Большая нефть XXI века»: Альметьевск: АГНИ, 2006. - С. 232-234

3. Султанов Ш.Х., Варламов Д.И. Перспективы использования искусственных интеллектуальных систем для решения прикладных задач

оптимизации нефтедобычи // Сб. науч. ст. - Уфа: НПФ «Геофизика», 2006. -С. 159-162

4. Султанов Ш. X., Варламов Д. И. Совершенствование систем воздействия на объектах нефтедобычи при помощи искусственных интеллектуальных систем // журнал «Технологии ТЭК», 2006 - №6. - С. 7075

5. Султанов Ш.Х., Варламов Д.И. Решение прикладных задач с использованием искусственных интеллектуальных систем // Тез. докл. 6-й межд. конф. «Хи:. *ия нефти и газа» - Томск: Институт Химии нефти СО РАН, 2006. - С. 243-244

6. Варламов Д.И. Оптимизация разработки карбонатных пластов путем создания нестационарных режимов воздействия // Тез. науч.-практ. конференции «Энергоэффективность. Проблемы и решения» - Уфа: ГУП ИПТЭР, 2006.-С.41-43

7. Нугайбеков P.A., Султанов Ш.Х., Варламов Д.И., Чибисов A.B. Сравнительный анализ применения искусственных нейросетей и метода главных компонент при классификации эксплуатационных объектов и прогнозе нефтедобычи // журнал «Нефтяное хозяйство», №10, 2007 г. - С. 70-72

8. Котенёв Ю.А., Султанов Ш.Х., Варламов Д.И. Состояние выработки запасов нефти крупных многопластовых месторождений в условиях сложного геологического строения (северо-запад Башкирского свода) // Сборник научных трудов «Проблемы освоения трудноизвлекаемых запасов нефти и газа». Выпуск V - Уфа: ЦХИМН АН РБ, 2008. - С. 109

9. Андреев В.Е., Варламов Д.И. Оперативная оптимизация систем разработки объектов нефтедобычи средствами интеллектуальной обработки информации // Тез. науч.-практ. конференции «Проблемы и методы обеспечения надёжности и безопасности систем транспорта нефти, нефтепродуктов и газа» - Уфа: ГУП ИПТЭР, 2008. - С. 29-31

10. Султанов Ш.Х., Чибисов A.B., Варламов Д.И. Решение задач классификации при помощи систем искусственного интеллекта // Сборник научных трудов «Проблемы освоения трудноизвлекаемых запасов нефти и газа». Выпуск V - Уфа: ЦХИМН АН РБ, 2008. - С.228-231

Отпечатано в ООО «Выбор» Лицензия ПД №01006 от 26.04.2001 Министерства Печати РФ Башкортостан, 450075, г. Уфа Пр. Октября, 129/3, тел. (347) 235-59-76. Бумага офсетная, формат 60x84/16. Отпечатано методом ризографии. Тираж 100 экз.

Содержание диссертации, кандидата технических наук, Варламов, Денис Иванович

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.:.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ НАУКИ В ОБЛАСТИ ГЕОЛОГО-ТЕХНОЛОГИЧЕСКОГО ОБОСНОВАНИЯ И СОВЕРШЕНСТВОВАНИЯ СИСТЕМ РАЗРАБОТКИ В СЛОЖНЫХ

ГЕОЛОГО-ФИЗИЧЕСКИХ УСЛОВИЯХ.

ГЛАВА 2. ГЕОЛОГИЯ, РАЗРАБОТКА И СТРУКТУРА ЗАПАСОВ НЕФТИ ОБЪЕКТОВ РАЗРАБОТКИ РЕСПУБЛИКИ

БАШКОРТОСТАН И ЮГА ПЕРМСКОГО КРАЯ.

2.1 Геологическое строение и характеристика структуры запасов нефти республики Башкортостан.

Стратиграфия.

Тектоника.

Нефтегазоносность.

2.2. Анализ общей структуры запасов нефти.

2.3 Дифференцированный анализ структуры и выработки запасов нефти карбонатных продуктивных объектов.

ГЛАВА 3. ГЕОЛОГИЧЕСКОЕ СТРОЕНИЕ И РАЗРАБОТКА ПРОДУКТИВНЫХ ПЛАСТОВ БАШКИРСКОГО ЯРУСА КРАСНОЯРСКО-КУЕДИНСКОГО МЕСТОРОЖДЕНИЯ.

3.1. Физико-географическая характеристика.

3.2. Тектоника.

3.3. Физико-гидродинамическая характеристика коллекторов.

3.4. Литолого-физическая характеристика пластов.

3.5. Свойства нефти, газа и воды.

Сведения о запасах нефти.

3.6. Анализ текущего состояния разработки и выработки запасов нефти.

ГЛАВА 4. ОПЕРАТИВНОЕ РЕГУЛИРОВНАИЕ СИСТЕМ РАЗРАБОТКИ ЗАЛЕЖЕЙ НЕФТИ МЕТОДАМИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

4.1 Введение в нейронные сети.

4.2 Построение и обучение ИНС.

4.3 Регулирование системы разработки на участках, характеризующихся низкой эффективностью процесса нефтеизвлечения.

4.4. Методические аспекты применения искусственных нейронных сетей для прогнозирования в нефтедобыче.

Введение Диссертация по наукам о земле, на тему "Оперативное регулирование разработки залежей нефти методами нейросетевого моделирования"

Развитие нефтяной промышленности России в последние годы происходит на фоне заметного ухудшения структуры запасов нефти, что в основном связано со значительной выработкой многих уникальных и крупных высокопродуктивных месторождений и их высоким обводнением, а также открытием и вводом в разработку месторождений с трудноизвлекаемыми запасами (ТрИЗ), приуроченными к коллекторам с высокой степенью геологической неоднородности, карбонатным породам со сложным характером пустотного пространства, газонефтяным залежам, залежам с высоковязкими нефтями и аномальными условиями залегания.

Все устойчивее проявляет себя тенденция увеличения доли запасов нефти в низкопроницаемых коллекторах, с неблагоприятными геолого-физическими условиями. Другой особенностью современного этапа является все возрастающий объем запасов, находящихся на поздней стадии разработки, с резким изменением их структуры. Выработанность активных запасов достигла 65%, трудноизвлекаемых - 23%. По отдельным регионам обводненность превышает 90%.

В связи с этим проблема рациональной разработки заводненных объектов, находящихся на III и IV стадиях разработки, является одной из самых актуальных задач, от решения которой зависит стабилизация уровней добычи нефти, а возможно и их увеличение.

Исходя из степени влияния различных факторов на конечную нефтеотдачу, в условиях увеличения доли трудноизвлекаемых запасов, а также дороговизной и малой изученностью третичных методов воздействия, основным направлением работ по повышению текущей и конечной нефтеотдачи и эффективности разработки видится оптимизация основных технологических факторов вторичных методов воздействия: плотности сетки скважин, системы их размещения, и реализуемой системы воздействия.

В работе рассматривается возможность использования современных интеллектуальных систем на основе искусственных нейронных сетей для решения прикладных задач в области совершенствования методических подходов обоснования и оптимизации систем разработки и воздействия в сложных геолого-физических условиях.

В нефтегазодобыче основной целью является рациональное использование запасов углеводородов. При этом основными критериями рациональности выступают коэффициент извлечения запасов и соответствующие ему экономические затраты. В условиях ухудшения структуры ресурсной базы остро встает вопрос повышения точности обоснования и совершенствования систем и методов воздействия с целью увеличения нефтеотдачи и улучшения экономических показателей разработки, в первую очередь, на объектах, находящихся на поздней стадии разработки.

К настоящему времени накоплен значительный по объему материал, как геолого-физических параметров пластовых систем и их разработки, так и применения различных методов увеличения нефтеотдачи (МУН), позволяющий проводить геолого-промысловый анализ объектов разработки, идентификацию по совокупности факторов и прогнозирование показателей их эксплуатации. Для этих целей широко применяются в достаточной степени формализованные инструменты распознавания образов и статистического анализа (МГК, дисперсионный, регрессионный, корреляционный). Однако указанные методы характеризуются наличием определенных ограничений и, нередко, значительными погрешностями в результатах.

В данном случае была предпринята попытка оценки возможности и эффективности применения моделей на основе искусственных нейронных сетей в прогнозировании конечного коэффициента извлечения нефти и регулировании системы разработки залежей нефти.

Цель работы.

Разработка методических приемов в области прогнозирования и оперативного регулирования систем разработки залежей нефти в сложных геолого-физических условиях с использованием средств интеллектуальной обработки информации на основе искусственных нейронных сетей (ИНС).

Основные задачи исследований:

1. Анализ современных представлений в области совершенствования систем разработки и методов прогнозирования конечной нефтеотдачи объектов нефтедобычи, находящихся в сложных геолого-физических условиях.

2. Классификация объектов разработки, приуроченных к карбонатным отложениям Башкортостана и юга Пермского края. Анализ структуры геологических и извлекаемых запасов по выделенным группам объектов, характера их распределения, и оценка степени их выработки. Выделение типичных объектов для дальнейших исследований.

3. На основе геолого-промыслового анализа разработки типичных объектов оценить степень влияния различных геолого-физических и технологических факторов на конечную нефтеотдачу и на эффективность реализуемой системы разработки.

4. Разработать методику и создать модель оперативного регулирования процесса разработки с использованием средств интеллектуальной обработки информации на основе искусственных нейронных сетей.

Методы решения поставленных задач

При решении поставленных задач использованы методы геолого-промыслового анализа и математической статистики, а также новейшие методы с использованием искусственных интеллектуальных систем на основе нейронных сетей.

Научная новизна работы.

1. Впервые проведена классификация объектов нефтедобычи, приуроченных к карбонатным коллекторам Башкортостана и юга Пермского края, с использованием ИНС. ,

Установлена структура геологических и извлекаемых запасов, характер их распределения и степень выработки дифференцированно по литологическому и стратиграфическому признакам.

2. На основе нейросетевого моделирования разработана методика, с помощью которой проведена оценка влияния геолого-технологических факторов на нефтеотдачу и эффективность применяемых систем разработки.

Установлено возрастающее влияние на конечный КИН и эффективность выработки запасов нефти технологических факторов при увеличении геолого-физической неоднородности пластов.

3. Формализована методика применения нейросетевого моделирования и получена модель для оперативного регулирования систем разработки объектов нефтедобычи, позволяющая существенно повысить точность прогнозирования конечного коэффициента извлечения нефти.

Основные защищаемые положения.

1. Классификация объектов разработки, приуроченных к карбонатным отложениям Башкортостана и юга Пермского края, выполненная на основе нейросетевого моделирования. Структура геологических и извлекаемых запасов нефти рассматриваемого региона, характер их распределения и степень выработки дифференцированно по литологическому и стратиграфическому признакам.

2. Методика оценки влияния геолого-технологических факторов на конечный коэффициент извлечения нефти и эффективность выработки запасов с использованием нейросетевого моделирования.

3. Методика оперативного регулирования систем разработки с применением системы искусственного интеллекта на основе нейронных сетей.

Достоверность полученных результатов достигается путем обработки большого массива геолого-физических и промысловых данных, методической составляющей нейросетевого моделирования, а так же хорошей сходимостью результатов расчетов на нейросетевой и гидродинамической моделях.

Практическая ценность работы.

На основе разработанной автором методики был выполнен комплекс расчетов, позволивший рекомендовать мероприятия, направленные на совершенствование системы разработки залежей нефти башкирского яруса одного из месторождений юга Пермского края, при составлении проекта разработки которого (на этапе гидродинамических расчетов) были учтены рекомендации по увеличению плотности сетки скважин, их размещению и активизации системы воздействия, что позволило существенно повысить степень достоверности и надежности прогнозирования при одновременном сокращении затрат времени и средств на проведение исследований.

Апробация работы.

Материалы диссертационной работы представлялись на: VI конгрессе нефтепромышленников России «Проблемы освоения трудноизвлекаемых запасов углеводородов», Уфа-2005; всероссийской научно-практической конференции «Большая нефть XXI века» - (АГНИ) Альметьевск-2006; 6-й международной конференции «Химия нефти и газа» - Институт химии нефти СО РАН, Томск-2006; научно-практической конференции «Энергоэффективность. Проблемы и решения» - ГУП ИПТЭР, Уфа-2006; научно-практической конференции «Проблемы и методы обеспечения надёжности и безопасности систем транспорта нефти, нефтепродуктов и газа» - ГУП ИПТЭР, Уфа-2008.

Публикация результатов исследования.

По теме диссертации опубликовано 10 печатных работ, одна из которых опубликована без соавторов, 2 статьи опубликованы в изданиях,1 входящих в перечень ВАК. В работах, опубликованных в соавторстве, соискателю принадлежат постановка задачи, участие в исследованиях, обобщение и анализ полученных результатов.

СОДЕРЖАНИЕ РАБОТЫ

Диссертация состоит из введения, четырех глав и заключения. Список использованной литературы включает 60 наименований. Текст изложен на 125 страницах, содержит 38 рисунков и 13 таблиц.

Заключение Диссертация по теме "Разработка и эксплуатация нефтяных и газовых месторождений", Варламов, Денис Иванович

Выход

Рисунок 35 - Принципиальная схема моделирования при помощи ИНС

Для создания нейронной сети используется следующая команда: newff=(minmax(p),[7,4,l],{'tcinsig', 'tansig', 'purelin'}, traingdm)» - где первая часть устанавливает количество слоев и нейронов в скрытых и выходном слоях, вторая — указывает функцию активации для нейронов . соответствующего слоя, и третья - алгоритм обучения.

После этого необходимо установить исходные параметры, влияющие на процесс обучения: «epochs» — обозначает количество раз (эпох) предъявления на вход сети массива обучающей выборки, «goal» — устанавливает минимальную среднеквадратическую ошибку, после достижения которой обучение останавливается, «time» - устанавливает время обучения, «mingrad» — устанавливает минимально допустимую величину градиента. Эти параметры устанавливают условия остановки (прекращения) обучения. Параметр «1г» — устанавливает величину изменения весовых коэффициентов и биасов (скорости обучения), чем больше его значение, тем больше шаг изменения и скорость обучения сети (при этом алгоритм может потерять устойчивость), чем меньше его значение, тем больше времени потребуется на обучение сети. Параметр «тс» позволяет учесть при смене весовых коэффициентов предыдущее их изменение и текущее значение градиента, при этом позволяет «перепрыгнуть» локальные минимумы на поверхности ошибки и, в итоге, избежать переобучения сети.

В данном примере значения рассмотренных параметров следующие: «epochs» - 10; «1г» - 0,07, «тс» - 0,7.

Процесс обучения сети выглядит следующим образом. После создания сети и установки необходимых параметров на вход сети подается массив обучающей выборки (ОВ) определенное количество раз, равное установленному в параметре «epochs», после чего обучение останавливается. Далее осуществляется проверка обобщающей способности сети посредством предъявления на ее вход массива тестовой выборки (ТВ) и сравнения результатов прогноза сети по ТВ и ОВ. После чего обучение сети продолжается пока не будет достигнут максимально возможный уровень точности прогноза по обеим выборкам. Динамика процесса обучения созданной сети представлена в табл. 9.

ЗАКЛЮЧЕНИЕ

В настоящее время неоспорим значительный потенциал карбонатных коллекторов как источников добычи нефти, как вновь вводимых в разработку месторождений, так и уже разрабатываемых длительное время по мере истощения запасов основных объектов эксплуатации, приуроченных к терригенным коллекторам с относительно лучшей геолого-физической характеристикой. При этом основные трудности поддержания стабильных уровней добычи нефти связаны со значительной выработкой многих крупных месторождений, находящихся на заключительных стадиях разработки, характеризующихся высоким обводнением добываемой продукции.

В этой связи актуальными становятся вопросы совершенствования систем разработки объектов нефтедобычи, приуроченных к карбонатным коллекторам, характеризующихся высокой геолого-физической неоднородностью. Решение этих проблем требует всестороннего изучения данных объектов, систематизации и обобщения накопленного к настоящему времени геолого-промыслового опыта, применения новых методов при прогнозировании и контроле за разработкой таких объектов.

Математический аппарат представляет ученым широчайший спектр методов прогноза при контроле за разработкой: от достаточно приближенных экстраполяционных методов, и более совершенных методов многофакторного анализа, до современных методов многомерного многофазного численного моделирования. Первые являются достаточно простыми в обращении и требуют небольшой объем исходной информации для проведения расчетов, при этом характеризуются невысокой точностью, последние, напротив, характеризуются максимальной точностью прогноза, однако требуют наличия большого объема различных данных, что не всегда возможно. К тому же, расчеты на таких моделях требуют значительных временных затрат, которые возрастают пропорционально количеству рассматриваемых вариантов.

В этой связи необходимо применение таких методов прогноза, которые объединяют в себе достоинства описанных методов: относительная простота использования и высокая прогнозная и обобщающая способность при минимизации временных затрат на их реализацию.

Одним из таких методов является метод интеллектуальной обработки информации на основе нейронных сетей, который позволяет исключить многие недостатки широко применяемого на сегодняшний день метода линейной регрессии: отклонение линейной регрессии от реальности по мере удаления от средних значений параметров, по которым она строилась, ее односторонность, невозможность формирования репрезентативной выборки данных, отвечающей основополагающим принципам статистического анализа, обеспечение полной независимости параметров и показателей, принципа репликации и рандомизации.

Предлагаемая методика позволяет решить комплексную задачу по регулированию системы разработки объектов нефтедобычи, находящихся в сложных геолого-физических условиях, начиная со сбора и анализа исходных данных, и заканчивая прогнозом конечного коэффициента извлечения нефти при вариации технологических показателей, характеризующих систему разработки. При этом обеспечивается высокий уровень прогноза и обобщающая способность модели.

Современные ИНС имеют ценные свойства: обучаемость, способность к обобщению, способность к абстрагированию. Свойство сети обучаться на примерах делает их более привлекательными по сравнению с системами, следующим определенной системе правил функционирования, сформулированной экспертами.

В последние годы ИНС находят широкое применение для решения прикладных задач в различных областях науки благодаря появлению мощных пакетов математического моделирования

Перечень некоторых проблем, решаемых в контексте ИНС и представляющих интерес для ученых и инженеров: классификация образов, кластеризация/категоризация, аппроксимация функций, прогнозирование, оптимизация, ассоциативная память, управление. Еще одна область применения ИНС — это производство полуэмпирических знаний из таблиц данных с помощью приведения ИНС к «логически прозрачному виду».

Сдерживающим фактором широкого внедрения ИНС является недостаточная методическая формализация для решения конкретных задач, и существование спорных вопросов при проектировании ИНС. Следует подчеркнуть, что решение конкретных прикладных задач с помощью ИНС на данном этапе развития систем искусственного интеллекта не только возможно, но и необходимо для дальнейшего совершенствования методических подходов в постановке задачи, выборе типа архитектуры сети, ее обучении и интерпретации полученных результатов.

С развитием фундаментальной науки появляются качественно новые инструменты, использование которых для решения задач прикладных наук способствует их дальнейшему совершенствованию, выявлению необходимых методических подходов, повышению качества и достоверности получаемых результатов. Развитие ИНС вызвало немало энтузиазма и критики. Некоторые исследования оказались успешными, другие — нет. Методы решения определенных задач пока недостаточно формализованы. Выбор лучшей технологии должен диктоваться природой задачи. Нужно понять возможности, предпосылки и область применения различных подходов и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем. Взаимодействие и совместные работы в области прикладного применения ИНС позволят не только избежать повторений, но и стимулируют и придают новые качества развитию отдельных направлений.

Библиография Диссертация по наукам о земле, кандидата технических наук, Варламов, Денис Иванович, Уфа

1. Викторин В. Д. Влияние особенностей карбонатных коллекторов на эффективность разработки нефтяных залежей. М.: Недра, 1988 - 160 с.

2. Викторин В. Д., Лыков Н. А. Разработка нефтяных месторождений, приуроченных к карбонатным коллекторам. М.: Недра, 1980 - 203 с.

3. Ханин И. Л., Палий В. Е., Гавура В. Е. Эффективность разработки литологически неоднородных коллекторов нефтяных месторождений Куйбышевского Поволжья. Куйбышев, Куйбышевское книжн. Изд-во, 1974.

4. Токарев М. А. Комплексный геолого-промысловый контроль за текущей нефтеотдачей при вытеснении нефти водой. М.: Недра, 1990 - 267 с.

5. Газизов А. А. Увеличение нефтеотдачи неоднородных пластов на поздней стадии разработки. М.: ООО «Недра-Бизнесцентр», 2002 -639 с.

6. Справочник по нефтепромысловой геологии. Н. Е. Быков, А. Я. Фурсов, М. И. Максимов и др. М.: Недра, 1981.

7. Мирзаджанзаде А. X., Степанова Г. С. Математическая теория эксперимета в добыче нефти и газа. — М.: Недра, 1983

8. Гомзиков В. К. Методы определения проектного коэффициента нефтеотдачи на основе аналогии геолого-промысловых условий разработки. — В кн.: Справочник по нефтепромысловой геологии. М.: Недра, 1981

9. Закиров С. Н. Анализ проблемы «Плотность сетки скважин — нефтеотдача. М.: Издательский дом «Грааль», 2002 - 314 с.

10. Сургучев М. Л. Вторичные и третичные методы увеличения нефтеотдачи пластов. М.: Недра, 1985

11. Гавура В. Е. Геология и разработка нефтяных и нефтегазовых месторождений. М.: ВНИИОЭНГ, 1995 - 495 с.

12. Шустеф И. Н., Четыркин А. И. Влияние давления нагнетания на обводнение скважин в порово-трещиноватых коллекторах. Нефтяное хозяйство, 1972, №3, с. 41-45.

13. Крылов А. Н., Алексеев А. М., Гужновский Л. П., Чудновский Г. Л. Моделирование развития и размещения нефтяной промышленности. -М.: Недра, 1981

14. Рабочая книга по прогнозированию./ Отв. Ред. В. И. Бестужев-Лада. -М.: Мысль, 1982

15. Мандрик И. Э., Шахвердиев А. X., Сулейманов И. В. Оценка и прогноз нефтеотдачи на основе моделирования нейронными сетями. — Нефтяное хозяйство, 2005, №10, с. 31-34

16. Борисов Ю. П., Войнов В. В., Рябинина 3. К. Влияние неоднородности пластов на разработку нефтяных месторождений. М.: Недра, 1970 -288 с.

17. Ключарев В. С., Зубик И. Л. Определение потерь нефти в неоднородных пластах в зависимости от плотности размещения скважин. Нефтяное хозяйство, 1964, №7, с. 34-38

18. Мелик-Пашев В. С. Определение плотности сетки скважин на различных стадиях разработки нефтяных залежей. Нефтяное хозяйство, 1975, №10, с. 29-31

19. Сатаров М. М., Кузилов И. А. Выбор оптимальной плотности сетки скважин при разработке нефтяных месторождений. Уфа: Башк. книжн. изд., 1966 - 96 с.

20. Ованесов Г. П., Золоев М. Т., Кобелева В. А. Состояние и перспективы разработки Туймазинского месторождения. Сб. Опыт разработки нефтяных и газовых месторождений. Гостоптехиздат, 1963, с. 42-49

21. Баишев Б. Т. Функция распределения проницаемости и учет неоднородности пласта при проектировании разработки нефтяных месторождений. — Труды ВНИИнефть, вып. XXVIII, Гостоптехиздат, 1960, с. 39-66

22. Некрасов В.И., Инюшин Н.В., Ленфрид А.В. и др. Анализ эффективности систем воздействия с применением методов увеличения нефтеотдачи. Нефтепромысловое дело, 2004, №4, с.

23. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М.: Горячая линия - Телеком, 2003

24. Anil K/Jain, Jainchang Мао, К.М. Mohiuddin Artificial Neural Networks: A Tuturial, Computer, Vol.29, №3, March/1996, pp. 31-44

25. Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей. -Методы нейроинформатики под ред. Горбаня А.Н. Красноярск: КГТУ, 1998

26. Заенцев И. В. Нейронные сети: основные модели., Учеб. пособ. Воронеж: Воронежский государственный университет, 1999

27. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. Сибирский журнал вычислительной математики, 1998, Т.1, №1. с. 12-24

28. Джафаров И.С., Боксерман А.А., Рожков Г.В. Ресурсная база и развитие нефтедобычи в России. СПб.: Недра, 2005 - 200 с.

29. Горбань А.Н. Нейронные сети на персональном компьютере. -Новосибирск: Наука, 1996

30. Howard Demuth, Mark Beale, Martin Hagan Neural Network Toolbox. -User's Guide Version 5, 2006

31. Дубровин В. И., Субботин С. А. Алгоритм ускоренного обучения персептронов.- «Нейроинформатика 2002» / Львов: Запорожский национальный технический университет, 2002

32. Вороновский Г.К., Махотило К.В., ПетрашевС.Н., Сергеев С.А. Генетичские алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: «Основа», 1997 - 107 с.

33. Тюменцев Ю.В. Интеллектуальные автономные системы вызов информационным технологиям. — М.: Московский авиационный институт им. С. Орджоникидзе, 2002

34. Kevin Swingler Applying Neural Networks. A practical Guide, (перевод Ю.П. Маслобоева), Academic Press, .

35. Круглов B.B., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. http://neuroschool.narod.ru

36. Крисилов В.А., Олешко Д.Н., Трутнев А.В. Применение нейронных сетей в задачах интеллектуального анализа информации. Труды Одесского политехнического университета, Вып.2 (8). 1999, с. 134

37. Крисилов В.А., Чумичкин К.В., Кондратюк А.В. Представление исходных данных в задачах нейросетевого прогнозирования. -http://neuroschool.narod.ru

38. Жуков JI.A. Использование нейросетевых технологий для проведения учебно-исследовательских работ Методы нейроинформатики под ред. Горбаня А.Н. - Красноярск: КГТУ, 1998

39. Сенашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов. Методы нейроинформатики под ред. Горбаня А.Н. - Красноярск: КГТУ, 1998

40. Крисилов В.А., Чумичкин К.В., Кондратюк А.В. Преобразование входных данных нейросети с целью улучшения их различимости. -http://neuroschool.narod.ru

41. Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС. Методы нейроинформатики под ред. Горбаня А.Н. - Красноярск: КГТУ, 1998

42. Тарасенко Р.А. Крисилов В.А. Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Труды Одесского политехнического университетата, Вып. 1. 2001 - с. 87-90

43. Тарасенко Р.А. Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Труды Одесского политехнического университетата, Вып. 1. 2001 - с. 90-93

44. Крисилов В.А., Олешко Д.Н., Лобода А.В. Методы ускорения нейронных сетей. Вестник СевГТУ. Информатика, электроника, связь, Вып. 32, 2001 - с. 19

45. Пересчет запасов нефти и газа Красноярско-Куединского месторождения/ Рук. темы Хайрединов Н.Ш. отчет ООО НПФ «Нефтегазразработка», г.Уфа. 2004г.

46. Закиров Э.С.: Трехмерные многофазные задачи прогнозирования, анализа и регулирования разработки месторождений нефти и газа. -М: Изд. Грааль, 2001, 302 с.

47. Абдулин Ф. С., Тарко Я. Б. Влияние трещиноватости проективных пород на заводнение месторождения Узень. // Нефт. хоз., № 8, 1980, с. 39-43.

48. Абдудмазигов Р. Г., Емельянова Г. Г., Гавура В. Е., Муслимов P. X., Полуян И.Х. Оценка потерь нефти от разрежения сетки скважин. // Нефт. хоз., № 3,1989, с. 21-24.

49. Абызбаев И. И., Леви Б. И. Повышение эффективности разработки водонефтяных зон нефтяных месторождений платформенного типа; -М: Изд. ВНИИОЭНГ, 1979, 48 с.

50. Абызбаев И. И., Насыров Г. Г. О факторах, влияющих на нефтеотдачу водонефтяных зон. // Геология нефти и газа, № 2, 1975, с, 60-63.

51. Аширов К. Б. О принципах рациональной разработки нефтяных месторождений. //Нефт. хоз., № 10, 1980, с. 33-36.

52. Аширов К.Б. Трещиноватость коллекторов месторождений Куйбышевского Поволжья. // Тр. Гипровостокнефть, вып. №3, Гостоптехиздат, 1961,с. 3-20.

53. Аширов К. Б., Боргест Т. М., Анисимов П. А. О необходимости внедрения новых технологий разработки залежей углеводородов. // Геол., геофиз. и разр. нефт. месторождений, №12,1997, с. 13-17.

54. Бадьянов В. А., Батурин Ю. Е., Ефремов Е. П., Пономарева И. А., Праведников Н.К. Совершенствование систем разработки месторождений Западной Сибири. Свердловск, Сред.-Урал. книж. изд., 1975,175 с.

55. Базив В.Ф., Лисовскии Н.Н. Вопросы отбора жидкости при разработке нефтяных месторождений. // Сб. Проектирование и разработка нефтяных месторождений. Материалы науч-практ. конфер, (г. Москва, ЦКР, 6-8 апр. 1999 г.), Изд. ВНИИОЭНГ, 1999г. с. 67-84.

56. Баймухаметов К. С., Викторов П.Ф., Гайнуллин К.Х. Лозин Е.В., Тимашев Э.М. Сравнительный анализ разработки нефтяных месторождений Башкортостана // Материалы совещания в г. Альметьевске, сент. 1995. Изд. ВНИИОНГ, 1996, с. 104-116.