НЕЙРОННАЯ СЕТЬ КАК ИНСТРУМЕНТ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ ТЕХНОЛОГИЧЕСКИМ РЕЖИМОМ РАБОТЫ ДОБЫВАЮЩИХ СКВАЖИН

АННОТАЦИЯ

В настоящей статье исследуется нейронная сеть как инструмент прогнозирования управления технологическим режимом работы добывающих скважин. В нефтегазовой отрасли задача прогнозирования технологических показателей добычи в целом по месторождению и по отдельным скважинам является одной из актуальных.

ABSTRACT

This article explores the neural network as a tool for predicting the technological mode of operation of producing wells. In the oil and gas industry, the task of forecasting technological indicators of production in the field as a whole and for individual wells is one of the topical issues.

Ключевые слова: нейронная сеть, инструменты, прогнозирование, добыча, технологии, режим, работа, оптимизация, инновации, платформы, бурение, продукты, нефть.

Keywords: neural network, tools, forecasting, production, technology, mode, operation, optimization, innovation, platforms, drilling, products, oil.

Введение. Перспективным направлением исследований прикладной науки на протяжении многих лет остается разработка и адаптация энергосберегающих технологий и операционных процессов для добычи нефти. Применительно к большей части нефтяных провинций России задача формулируется следующим образом: продление эффективной эксплуатации скважин, оптимизация управления производством на поздней стадии разработки месторождений.  Теоретические аспекты нейронных сетей. Нейросеть — это математическая модель, которая работает по принципу нейронной сети живого организма. В отличие от нейросети животного, которая передаёт сигнал от мозга к другим органам и полностью регулирует жизнедеятельность организма, компьютерная нейросеть учится решать только ту задачу, которую ей ставит человек [1]. Нейронные сети отражают поведение человеческого мозга, позволяя компьютерным программам распознавать закономерности и решать общие проблемы в области ИИ, машинного обучения и глубокого обучения [1, 3].

Рисунок 1. Диаграмма нейросети

Нейронные сети, также известные как искусственные нейронные сети (ИНС) или симулированные нейронные сети (СНС), являются подмножеством машинного обучения и лежат в основе алгоритмов глубокого обучения. Их название и структура вдохновлены человеческим мозгом, имитирующим то, как биологические нейроны передают друг другу сигналы.

Нейросети – технологичная перспектива добывающих скважин. На сегодняшний день главный вектор развития направлен на ускоренную «оцифровку» нефтегазовой индустрии, в первую очередь на автоматизацию производства и снижения (что является главной задачей) так называемого «человеческого фактора» и соответственно уменьшения вероятности ошибки [4]. Технологии, разработанные на основе искусственного интеллекта способны реализовать данные задумки. Именно поэтому о внедрении этих технологий говорят все чаще [3]. На сегодняшний день искусственные нейронные сети, которые представляют собой вычислительную систему с большим количеством одновременно функционирующих простых процессоров с множеством связей, являются одним из наиболее применяемых методов. Нейронные сети делятся на «не-глубинные», которые имеют один скрытый слой нейронов и многослойные [7].

Рисунок 2. «Не-глубинные» и многослойные нейронные сети

Основная цель данного исследования - представить метод проверки точки зрения разработки путем изучения увеличения совокупной добычи нефти или газа на месторождении (сектор, регион, точка сбора продукции или все месторождение) с учетом всех факторов, связанных с объективной функцией, путем поиска и распределения новых буровых скважин с использованием метода искусственного интеллекта (нейронной сети) для максимизации совокупной добычи нефти на данном месторождении, включая процесс маскировки задачи для подготовки и манипулирования наборами важных производственных данных в качестве входной информации для нейронной модели [8, 9].

Разработка стратегии добычи на нефтяных и газовых месторождениях является важной задачей, стоящей перед управляющими компаниями, которые инвестируют в эти месторождения, и основной целью их планов является увеличение конечной добычи на месторождении, насколько это возможно в экономических и физических пределах [4, 5].

Для определения местоположения новых добывающих скважин с целью увеличения общего объема добычи нефти был применен метод нейронной сети с прямыми преобразованиями. Набор данных по шести переменным (количество нагнетательных скважин, количество добывающих скважин, коэффициент добычи нагнетания, доля нефти, кумулятивный объем закачанной воды и кумулятивный объем добычи воды) в качестве входного слоя был подготовлен в виде пакета для использования непосредственно с выбранной нейронной сетью прямого хода в сочетании с используемой нейронной сетью [10]. Эти наборы данных были собраны и расположены в соответствии с тремя концентрическими кругами - процедура расчета маски - вокруг перспективных новых скважин, чтобы упростить и уточнить информацию о пласте и добыче для расчетов каждого круга [11].

В качестве выходного слоя построенной нейронной сети была получена одна переменная. Были получены хорошие и обнадеживающие результаты, которые могут быть использованы и поддержаны на этапе разработки данного месторождения, кроме того, результаты могут помочь менеджеру дирекции в принятии правильного решения в процессе исполнения [2, 4].

Рисунок 3. Пример прогнозирования тестового режима №1

Прогнозирование и результаты. В большинстве случаев средняя относительная ошибка по скважинам не превышает 5%. В 10 % случаев ошибка составляет от 5 до 12 % и по 0,7% случаев ошибка составляет около 20 %.В качестве примера прогнозирования приведен график по дебиту нефти и обводнености продукции добывающих скважин по тестовым режимам №1. Также следует отметить, что время расчета одного тестового режима на гидродинамической модели составляет около 2 минут, а расчет проведённый с помощью LSTM  - занимает  13 секунд, что в 9 раз быстрее. Как видно из рисунков нейронная сеть с высокой точностью воспроизводит как дебит нефти, так и обводненность продукции на добывающих скважинах. Таким образом, исследована точность прогнозирования режимов работы добывающих и нагнетательных скважин с помощью обученной нейронной сети LSTM в задаче добычи нефти с системой ППД [2, 3].

Заключение и выводы. Нейронная сеть является одним из важнейших способов прогнозирования множества параметров или функций пласта, а также поиска новых мест заложения скважин, что является важным применением этой техники в сочетании с симуляторами из-за их связи с операциями по разработке и добыче нефти и газа на месторождениях.

Как искусственная нейронная сеть, так и технология Data Mask дали хороший и простой способ для подготовки и управления данными на каждом этапе прогнозирования и оптимизации. Построенная модель искусственной нейронной сети (FFNN), имела хорошие результаты обучения и проверки в соответствии с наборами данных, используемыми на этапах обучения и проверки, и показала хорошее поведение после многих испытаний, что отражает высокое доверие к этапу прогнозирования или моделирования.

Явное и значительное улучшение появилось с увеличением кумулятивной добычи нефти для сектора месторождений в рамках данного исследования, особенно для скважин M, O и P, среди выбранных мест расположения скважин расширения. Это стало хорошим средством принятия решения о том, какую из скважин мы можем использовать для будущего плана добычи и стратегии разработки месторождения. Использование нейронных сетей оказалось эффективным инструментом в процессе прогнозирования и оптимизации, особенно при работе с идеями развития добычи нефти и газа, с точки зрения управления нефтяными пластами и управления месторождением для будущего стратегического планирования.

Список литературы:

1. Веревкин, А. П., Зозуля Ю.И: Основные направления-развития автоматизации управления добычей и транспортом нефти // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2020.-№3. — 6-13 с.
2. Веревкин, А. П., Кирюшин, О. В. Автоматизация технологических процессов и производств в нефтепереработке и нефтехимии. — Уфа: УГНТУ, 2020. — 171 с.
3. Гиниятуллин, В. М., Сибагатуллин, Н. М., Зозуля Ю. И. и др. Разработка программного модуля диагностики состояния инженерной сети нефтегазодобычи, // Автоматизация телемеханизация и связь в нефтяной промышленности. — 2020. — № 11. —31—35 с.
4. Зозуля, Ю. И., Палагушкин, В. А. Нейросетевые алгоритмы контроля и управления технологическими объектами нефтегазодобычи // Нейрокомпьютер. 2020. - №3, 4. — 29 – 32 с.
5. Ильясов, Б., Тагирова, К., Комелин, А. Автоматизация процесса добычи нефти на основе нейронных сетей // Технологии ТЭК. 2020. - №3. — 89- 92 с.
6. Использование современных информационных технологий при разработке интегрированных АСУ ТП в нефтегазодобыче/ М.А. Слепян, Ю. И. Зозуля, А.К. Муравский // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2020. - №7-8. — 21-25 с.
7. Коровин, Я. С. Система поддержки принятия решений по контролю состояния установок электроцентробежных насосов на основе нейронной сети // Нефтяное хозяйство. — 2020. — №1. — 80 — 83 с.
8. Крутиков, В. Н., Шильдин, В. В., Фёдоров, А. В. и др. Правовые и метрологические аспекты учёта нефти в нефтегазодобывающих, организациях // Мир измерений. 2020. - №8. — 11-14 с.
9. Математическое моделирование и оптимизация систем тепло-, водо-, нефте- и газоснабжения / А. П. Меренков, Е. В. Сеннова, С. В. Сумароков и др. — Новосибирск: Наука, СИФ РАН, 2020. — 407 с.
10. Проказов, С. А., Иваненко, Б. П. Нейросетевые методы имитационного моделирования процессов добычи нефти // Нейрокомпьютеры: разработка, применение. — 2020.— №3. — 63 — 68 с.
11. Рутковская Д. Нейронные сети, генетические алгоритмы и нечёткие системы — М.: Горячая линия — Телеком, 2020. — 452 с.