ФНГ / РЭНГМ / Применение метода на основе ИИ для выбора объекта и технологии увеличения нефтеотдачи пласта.
(автор - student, добавлено - 22-01-2013, 23:04)
Применение метода на основе ИИ для выбора объекта и технологии увеличения нефтеотдачи пласта.
В мировой практике известны исследования аналитических технологий на основе ИИ для задач выбора и оптимизации построения геологических моделей и процессов разработки нефтяных месторождений, проводимые как в России, так и за рубежом. Однако прямое использование результатов этих исследований в условиях Татарстана невозможно по следующей причине основным способом разработки месторождений РТ на поздней стадии является избирательное заводнение, а применение многих различных технологий увеличения нефтеизвлечения локализовано в ближайшей окрестности нагнетательных и добывающих скважин и призвано улучшить продуктивные характеристики системы пласт-скважина. Это значит, что объектом воздействия являются запасы нефти весьма малого природного объекта, а спектр возможных вариантов применения технологий воздействия на пласт широк и разнообразен. Кроме того для условий разработки месторождений велика роль параметров, характеризуемых на уровне качественных понятий (наилучшее, наихудшее и др.) т.о., задачи определения оптимальных МУН и ОПЗ является трудно формализуемыми, поэтому в качестве метода решения определена разработка аналитической системы ИИ на основы нейтральных сетей. При выборе вида воздействия для условий конкретной скважины обычно возникают сложности, определяющиеся рядом факторов: некоторые технологические процессы в функциональном отношении предназначены для применения сходных условиях; регламентами применения некоторых технологий не определяется полный перечень критериев эффективного использования технологий; исторически сложившиеся техническими и технологическими пред-почтениями в практике работы операторов месторождений; недостаточностью геолого-промысловой информации по конкретным скважинам, которая возможно неполна, нерегулярна, неточна. Поэтому успешность осуществления воздействия может в значительной мере зависеть от информированности, опыта и навыков работы промыслового геолога, принимающего решения в конкретной ситуации. Решением указанной задачи явилось создание программных средств, позволяющих не только подготовить проектные решения по оптимизации разработки залежи за счет применения технологий увеличения нефтеизвлечения, но и обеспечить выдачу рекомендаций по оперативному выбору вида воздействия на пласт в условиях конкретной скважины или участка. Обоснование модели решения задачи. Проблема подбора воздействия для условий конкретной скважины относится к задачам классификации. Отметим, что задачи классификации (класса распознания понятий по символам) плохо алгоритмируются. Возможны различные пути решения задачи. В последнее время наблюдается активное развитие аналитических технологий искусственного интеллекта (ИИ), основанных на имитации природных явлений ( таких как мыслительная деятельность нейтронов мозга или процесс естественного отбора). Их использование представляется предпочтительным в случаях выбора, оптимального решения на основе анализа большого объема разнородной и неполной информации, где жесткого аналитического решения добиться очень трудно или вообще невозможно. Наиболее перспективными из этих технологий представляются нейронные сети и генетические алгоритмы. Искусственная нейронная сеть (нейросеть) – это набор соединенных между собой самостоятельных узлов анализа (нейронов). Как правило, передаточные функции всех нейтронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весом сети. Нейросети способны принимать решения основываясь на выявляемых или скрытых закономерностях в многомерных данных. Отличительное свойство нейросетей от экспертных систем состоит в том, что они не программируются – не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. Это особенно актуально при работе с изученными объектами, характеризующими большим числом входных параметров со схожими признаками принадлежности к определенному виду. Нейронный метод обучения хорошо работает с многочисленными, разнородными данными. результат представляет собой многовариантную ранжированную классификацию. Они предназначены для решения разнообразных, нечетких задач. В таких задачах, где традиционная технологии малоэффективны, нейронная сеть может оказаться единственной моделью решения. Генетические алгоритмы предназначены для поиска оптимальных решений в сфере науки и техники путем реализации идеи естественного отбора среды живых организмов в природе. Генетический метод обучения лучше себя проявляет с более определенными, но менее насыщенными данными. Позволяет выдать результат в виде однозначного решения в отличие от нейронного метода. Генетические алгоритмы часто применяются совместно с нейронными сетями, позволяя создавать весьма быстрые, гибкие и эффективные инструменты анализа данных. В случае критического «недонасыщения» данными генетический метод откажется выдавать какую-либо рекомендацию, нейронный же метод выдаст рекомендацию в виде равномерного распредления классификации на все технологии, что не является правильным решением. Программные средства ТатНИПИнефть основаны на нейронной сети, адаптированной к условиям разработки месторождений ОАО «Татнефть» и способной синтезировать рекомендации на основе обучения на примерах ус-пешного опыта реализации геолого-технических мероприятий на аналогичных объектах. Главными преимуществами нейросетей по сравнению с логическими и вычислительными методами принятия решений является нестрогие требования к точности, полноте и непротиворечивости исходных данных, опираясь на опыт. Результаты исследований промыслового применения в наиболее рас-пространенных технологий (табл. 4.3 и 4.4), реализованных через нагнетательные и добывающие скважины, ОАО «ТН» выделено четыре группы параметров (табл. 4.5). Первая группа параметров включает данные о коллекторе: карбонатность, глинистость, проницаемость, нефтенасыщенность, расстояние до водонасыщенного пласта, толщина нефтенасыщенного пласта. Вторая группа параметров включает данные о платсовых жидкостях: температура, вязкогсть, содержание асфальтенов и смол, содержание парафинов, минерализация пластовой воды. Третья группа параметров включает данные о системе заводнения: соотношение добывающих и нагнетательных скважин, приемистость нагнетательной скважины, минерализация закачиваемой воды, производительность нагнетательной скважины, температуры изменения приемистости скважины. Четветая группа параметров включает данные о системе отбора: пластовое давление, плотность отбираемой воды, температурное изменения плотности отбираемой воды, дебит жидкости, температурное изменения дебита жидкости, коэффициент вариации дебитов жидкости, дебит нефти, обводненность отбираемой продукции, температурное изменения обводненности отбираемой продукции, расстояние до контура нефтеносности, количество проведенных ранее воздействий по стимуляции (ОПЗ) и водоограничению в добывающих скважинах. Коме того, технологии охарактеризованы группой параметров, отражающих и другие особенности применения технологий: стоимость, успешность, технологическая эффективность, класс опасности реагента, продолжительность операций. Программные средства обучены в общей сложности на более чем 2200 примерах, отражающих корректные условия реализации воздействия рассматриваемыми технологиями. Выявлена степень влияния того или иного геолого-промыслового параметра на итоговое решение (рис. 4.1 и рис. 4.2). Программные средства тестировались на предмет распознавания произвольно заданной выборки из обучаемого набора данных (табл. 4.6). тестирование показало, что для девонского горизонта уверенно распознается более 98% наборов данных соответствующих заданным критериям применимости технологий, реализируемых через нагнетательные скважины, и более 99 % - через добывающие. Разница в уровне распознавания, как представляется, определяется большей неопределенностью характеристик четвертой группы в части условий эксплуатации реагирующих на воздействие добывания скважин. Программные средства испытаны на предмет распознавания реально осуществленных мероприятий в 16 нагнетательных и 12 добывающих скважинах девонских отложений Минибаевской площади Ромашкинского месторождения (при ???, на рис. 4.3). результаты испытаний показали, что для заданной выборки геолого-физических и промысловых данных конкретных скважин оказались уверенно распознанными лишь 33% воздействий. Реализуемых через нагнетательные скважины и 25% - через добывающие. По остальным рекомендовались иные виды воздействий. Низкий уровень распознавания реально осуществлённых, мероприятий, как представляется, имеет завялую природу. С одной стороны, из-за отмеченных трудностей подбора виды воздействия объяснима вариативность решений, принимаемых промысловыми геологами на практике. Поэтому несовпадение рекомендаций с осуществлёнными мероприятиями не может исчерпывающим критерием пригодности программных средств. С другой стороны, что более интенсивно, испытания выявили существующую зависимость уверенности рекомендаций как от полноты перечня представляемых к оценке данных, так и от степени идентифицированности рассматриваемых технологических процессов. В части полноты перечня представляемых к оценке данных необходимо отметить следующее. Данные первой и второй групп параметров вполне доступны, т.к. регулярно замеряются и в установленном порядке наполняют штатные базы данных ОАО «Татнефть». Исключением является один из ключевых параметров - текущая нефтенасыщённость пласта. Этот параметр не замеряется впрямую, но может быть получен косвенными способами, например, на основе построения математической модели процесса нефтяной залежи. Данные III-ей и IV-ой групп параметров также доступны, поскольку ре-гулярно замеряются и в установленном порядке наполняют штатные базы данных ОАО «Татнефть». Однако определение на их основе ряда косвенных показателей (особенно ключевых – дебиты, обводнённости) для технологий, реализуемых через нежелательные скважины, вызывает затруднения из-за невозможности точной формализации расположения и взамовлияния скважин рассматриваемого участка нефтяной залежи и состояния ???????? его запасов. Это вызывает необходимость ручного ввода некоторой части исходных показателей на основе специального анализа промысловой ситуации. Вывод. 1. Т.о., использование всего комплекса научно-технологических мероприятий, а также инвестионной поддержки при снижении цен на нефть, позволяет успешно выполнить задачу по дальнейшему наращиванию добычи нефти в РТ на основе ускоренного и широкомасштабного развития и применения технологий МУН и стимуляции скважин. 2. Разработан метод на основе нейронной сети для выбора технологии увеличения нефтеотдачи пластов (ТУНП) для конкретных объектов пласта. 3. Обучение нейросетевой модели проведено на 2200 примерах промыслового применения ТУНП и стимуляции скважин 4. Разработанный метод испытан на конкретных объектах Ромашкинского месторождения с хорошей идентификацией рекомендуемых технологий. 5. для дальнейшего развития разработанного метода необходимо: -уточнение критериев применимости используемых технологий увеличения нефтеотдачи. -проведение дальнейшего обучения программных средств на материалах ноых технологий и новых результатах известных технологий. Похожие статьи:
|
|