Оперативное прогнозирование показателей добычи нефти методами нейросетевого моделирования

• Автор: Хусаинов, Артем Тахирович
• Шифр специальности: 25.00.17
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Тюмень
• Количество страниц: 152 с. : ил.

ВВЕДЕНИЕ

РАЗДЕЛ 1 ОБЗОР МЕТОДОВ И ПОДХОДОВ К

ПРОГНОЗИРОВАНИЮ ПРОЦЕССОВ НЕФТЕИЗВЛЕЧЕНИЯ

1.1. Цели и задачи моделирования нефтяных месторождений

1.2. Методы математического и имитационного моделирования.

1.2.1. Теория фильтрации

1.2.2. Имитационные модели

1.2.3 Классические - неспециальные способы экстраполяции

1.3. Недостатки детерминированных и имитационных моделей..

1.4. Исследование возможности использования нейросетевых технологий для прогнозирования процессов нефтедобычи
1.4.1 Теоретические основы искусственных нейронных сетей
1.4.2 Информационные системы, реализующие нейросетевые технологии
ВЫВОДЫ ПО ПЕРВОМУ РАЗДЕЛУ
РАЗДЕЛ 2 ПОСТРОЕНИЕ ЭКПЕРИМЕНТАЛЬНЫХ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРОЦЕССОВ НЕФТЕДОБЫЧИ
2.1. Постановка задач разработки нейронных сетей для моделирования процессов нефтедобычи
2.2. Алгоритм проведения расчетных операций
2.2.1. Выбор оптимальной архитектуры искусственной нейронной сети
2.3. Тестовый прогноз нефтедобычи средствами эталонного гидродинамического симулятора и программного симулятора ИНС
ВЫВОДЫ ПО ВТОРОМУ РАЗДЕЛУ
РАЗДЕЛ 3 ЭКПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ПРОЦЕССОВ НЕФТЕДОБЫЧИ
3.1. Выбор и обоснование численно-аналитической модели ИНС

3.2. Построение обучающих выборок по результатам численного моделирования технологических показателей нефтедобычи
3.3. Вариативный технологический прогноз показателей эксплуатации скважин выбранными архитектурами ИНС
3.3.1. Исследование свойств функции многослойного персептрона нейросетевых моделей
3.3.2. Исследование свойств линейной функции нейросетевых моделей
3.3.3. Исследование свойств радиально-базисной функции нейросетевых моделей
3.4. Оценка прогнозируемости системы поддержания пластового давления нейронными сетями
3.5. Апробация нейронных сетей для прогнозирования по скважинной добычи нефти на Савуйском и Ван-Еганском месторождениях
3.5.1. Общая информация о пласте БСю Савуйского
месторождении
3.5.2. Общая информация о пласте БВ6 Ван-Еганского месторождения
3.5.3. Оперативный расчет добычи нефти функцией РБФ нейросетевого моделирования на скважинах Савуйского и Ван-Еганского месторождения
ВЫВОДЫ ПО ТРЕТЬЕМУ РАЗДЕЛУ
ВЫВОДЫ И РЕКОММЕНДАЦИИ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

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 геологотехнологических 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

• исследование интерференции скважин;
• классификация скважин по их технологическим назначениям.
Интеллектуальные вычисления в нефтяной, научно исследовательской
области, пока еще не нашли широкого применения. Однако разработки в этой области уже ведутся.
В работах [58, 59] предлагается использовать нейросетевые технологии в технологических процессах нефтепереработки для синтеза моделей химических систем в виде смесей углеводородов, представляющих нефтепродукты. Посредством использования нейронных сетей были созданы калибровочные модели смесей углеводородов типа бензинов для следующих параметров: октановое число, фракционный состав, плотность, давление насыщенных паров для автоматизированной системы контроля параметров бензина.
В научных трудах [60] описывается нейросетевой подход к разработке программно - аппаратных комплексов для непрерывного мониторинга и диагностики состояния участков магистральных нефтепроводов по текущим эксплуатационным параметрам.
Кроме того, следует упомянуть работу [22] в которой описывается методика применения теории нечетких множеств, при решении задач контроля и управления процессами разработкой газовых месторождений и объектов системы газодобычи в условиях неопределенности.
Применение ИНС для решения задач прогнозирования среднесуточных дебитов и полей пластовых давлений, упоминается в [8], однако данная работа носит декларативный, поверхностный характер.
1.4 Исследование возможности использования нейросетевых
технологий для прогнозирования процессов нефтедобычи
1.4.1 Теоретические основы ИНС
Развитие искусственных нейронных сетей вдохновляется биологией. Рассматривая сетевые конфигурации и алгоритмы, исследователи мыслят их в терминах организации мозговой деятельности. Но на этом аналогия может и