Эффективные вычислительные технологии для геолого-технологического моделирования и разработки нефтегазовых месторождений

• Автор: Власов, Сергей Пантелеевич
• Шифр специальности: 05.13.18, 25.00.17
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Ижевск
• Количество страниц: 192 с. : ил.

ОГЛАВЛЕНИЕ
Введение
1. Методы повышения эффективности создания трехмерных геологогидродинамических моделей нефтегазовых месторождений

1.1. Исходная информация для моделирования нефтегазовых месторождений.

1.2. Задачи обработки и анализа геофизической информации при разведочном бурении скважин

1.3. Методы и алгоритмы обработки геофизической информации

1.3.1. Методы кластеризации

1.3.2. Деревья решений.

1.3.3. Статистические подходы анализа данных.

1.3.4. Метод ближайших соседей.

1.3.5. Нейронные сети

1.3.6. Методы нечеткого логического вывода.
1.4. Проблема компьютерного моделирования месторождений.
1.5. Гидродинамическое моделирование на базе метода линий тока .
1.5.1. Наглядная визуализация потока флюидов.
1.5.2. Моделирование в масштабе всего месторождения
1.5.3. Эффективность и скорость вычислений.
1.5.4. Возможность постепенного усложнения физических свойств потока.
1.5.5. Поток несжимаемой жидкости и управление скважинами
1.5.6. Новая специфическая для метода линий тока информация .
1.6. Постановка цели и задач исследований.
2. Методика экспрессоценки запасов углеводородов по результатам
геофизических исследований скважин с применением нечетких деревьев решений.
2.1. Метод классификации, основанный на деревьях решений с вероятностным и возможностным критериями разбиения.
2.2. Метод построения нечетких деревьев решений.
2.3. Оценка начальных запасов нефти и газа на основе объемного метода
2.4. Применение дискретного вейвлетпреобразования для проведения геофизической интерпретации
2.5. Параметрическая настройка дерева решений для задачи литологического разделения.
2.6. Методика оценки продуктивности скважины
2.7. Полученные результаты и выводы.
3. Методические аспекты геоло отехнологического моделирования нефтегазовых месторождений.
3.1. Укрупненные этапы создания трехмерных геологогидродинамических моделей нефтегазовых месторождений
3.2. Геологическое моделирование
3.2.1. Методика и результаты интерпретации данных керна и ГИС.
3.3. Построение трехмерной геологической модели месторождений.
3.3.1. Обоснование объмных сеток параметров модели.
3.3.2. Построение структурной модели
3.3.3. Построение литологической модели и распределение ФЕС.
3.3.4. Построение модели насыщения пласта флюидами
3.4. Подсчет запасов нефти
3.5. Цифровая фильтрационная модель.
3.5.1. Математические модели расчета фильтрационных про
цессов на месторождении.
3.5.2. Исходные данные для построения цифровой фильтрационной модели.
3.5.3. Требования к точности исходных данных
3.6. Полученные результаты и выводы
4. Применение метода линий тока при комплексной интерпретации данных .
4.1. Методика ранжирования геостатистических моделей пласта
4.1.1. Методика ранжирования
4.1.2. Рабочий пример месторождения.
4.2. Методика ремасштабирования геологической модели коллектора
4.2.1. Процедура ремасштабирования
4.2.2. Рабочие примеры месторождений
4.3. Методики качественной оценки эффективности схемы размещения скважин.
4.3.1. Методика баланса схемы расположения скважин
4.3.2. Методика оценки эффективности нагнетания.
4.3.3. Методика оценки эффективности добычи.
4.4. Полученные результаты и выводы.
Заключение.
Список литературы


В большинстве других методов iv i исследование начинается, когда данные уже предварительно расклассифицированы, хотя бы на обучающее множество данных и данные, по которым проверяется найденная модель или для которых надо предсказать целевую переменную. Для этапа кластеризации характерно отсутствие какихлибо различий как между переменными, так и между записями. Напротив, ищутся группы наиболее близких, похожих записей. Когда кластеры обнаружены, используются другие методы , чтобы попытаться установить, а что означает такое разбиение на кластеры, чем оно вызвано. Для решения задачи классификации результатов геофизических измерений применяются алгоритмы ненаблюдаемого обучения нейронных сетей, являются менее требовательными к объему данных. Будем использовать нейросети, обучаемые по правилу Кохонена самоорганизующиеся карты. Размерность входного слоя нейронов определяется размерностью вектора признаков X Число выходных нейронов равно числу предполагаемых классов. Обучение заключается в минимизации разности между входными сигналами нейрона, поступающими с выходов нейронов предыдущего слоя ух и его весовыми коэффициентами 3. Коррекция весовых коэффициентов производится для нейроиапобедителя, т. В укх и2 . Я на первых итерациях большая, так что обучаются все нейроны, но с течением времени она уменьшается до нуля. Таким образом, чем ближе конец обучения, тем точнее определяется группа нейронов, отвечающих каждому классу образов. АЯ,Аа коэффициенты, регулирующие изменение радиуса и скорости обучения. Данный алгоритм называется обучением без учителя и позволяет выделить классы объектов с похожими свойствами. Другой разновидностью кластеризации является метод нечеткой самоорганизации Стеат. Х7 к центру С,. К 7, ехр2 Я.