ИНТЕЛЛЕКТУАЛЬНЫЕ  ТЕХНОЛОГИИ  В  РАЗРАБОТКЕ  НЕФТЯНЫХ  И  ГАЗОВЫХ  МЕСТОРОЖДЕНИЙ

Татаринова  Мария  Витальевна

студент  3  курса,  факультет  информационных  технологий  ОГУ,  РФ,  г.  Оренбург

Е-mail :  mouse-ka001@mail.ru

Субботин  Максим  Валерьевич

студент  3  курса,  факультет  информационных  технологий  ОГУ,  РФ,  г.  Оренбург

Семёнов  Анатолий  Михайлович

научный  руководитель,  доцент  Оренбургского  государственного  университета,  РФ,  г.  Оренбург

Двадцать  первый  век  —  это  век  передовых  технологий.  Владение  новейшими  технологиями  является  хорошим  союзником  на  пути  к  успешной  деятельности.  На  сегодняшний  день  не  секрет,  что  нефтегазовые  компании  России  переживают  не  лучшие  времена  и  сталкиваются  с  массой  проблем,  с  такими  как:  снижение  объема  производства  и  увеличение  себестоимости  добычи  полезных  ископаемых.  Дело  в  том,  технологическое  отставание  и  пренебрежение  отечественными  разработками  приводит  к  потере  конкурентоспособности  на  мировом  рынке.  Усиливающаяся  конкуренция  со  стороны  экспортеров  нефти  является  мощным  стимулом  для  того,  чтобы  перейти  к  новому  этапу  производства,  который  основывается  на  внедрении  современных  технологий  добычи  полезных  ископаемых.  Возможно,  в  ближайшем  будущем,  внедрение  современных  технологий  станет  обязательным  и  единственным  решением  для  того,  чтобы  нефтегазовые  компании  смогли  «выжить»  в  условиях  конкуренции.  Сегодня  высокие  технологии  меняют  подходы  к  эксплуатации  месторождений.  Речь  идет  об  интеллектуальных  месторождениях.  Что  же  такое  интеллектуальное  месторождение?  Это  система  автоматического  управления  операциями  по  добыче  нефти  и  газа,  предусматривающая  непрерывную  оптимизацию.

Россия  имеет  огромные  запасы  газа,  входит  в  10-ку  стран,  обладающих  крупнейшими  запасами  нефти  и,  более  того,  является  лидером  в  добыче  нефти,  опережая  Саудовскую  Аравию,  а  экспорт  нефти  является  основной  доходной  частью  бюджета.  Страна  получает  значительное  количество  прибыли  за  счет  использования  своих  полезных  ископаемых,  но  столкнулась  с  проблемой,  решением  которой  необходимо  заняться  уже  сейчас.  Согласно  чему  тема  статьи  достаточно  актуальна.  Месторождения  уникальных  запасов  сырья,  которые  начали  эксплуатироваться  в  60—70-х.  годах  прошлого  века,  переживают  времена,  когда  заканчиваются  запасы,  так  называемой  «легкой  нефти»  и  возникает  необходимость  в  увеличении  количества  добычи  трудно  извлекаемой  нефти,  что  подразумевает  под  собой  большую  себестоимость  добычи  нефти  и  падение  коэффициента  извлечения  нефти.  В  результате  чего  и  возникает  необходимость  в  видоизменении  методов  добычи,  которые  складывались  на  протяжении  нескольких  десятилетий.  Истощение  запасов  действующих  месторождений  и  не  освоенность,  удаленность  новых  месторождений,  в  достаточно  тяжелых  для  жизни  районах,  является  одной  из  мотиваций  для  внедрения  новых  технологий.

Построение  модели  «умного»  месторождения  начинается  с  конструирования  его  геологической  и  технической  моделей.  Создание  системы  управления  невозможно  без  знаний  специфических  характеристик  пласта  и  соображений  об  организации  добычи,  поэтом,  с  этой  точки  зрения,  можно  сказать,  что  внедрение  инновационных  технологий  предпочтительно  для  тех  месторождений,  которые  находятся  на  более  поздней  стадии  разработки,  так  как  они  максимально  изучены.  Интеллектуальные  месторождения  —  это  инновационный  подход  к  добыче  нефти,  который  имеет  ряд  преимуществ.

Автоматизация  процесса  прогнозирования  добычи  и  заводнения,  что  приведет  к  оптимальному  использованию  запасов,  так  как  инновационная  система  предполагает  прогноз  состояния  месторождения  на  краткосрочную  перспективу,  прогноз  сроков  исчерпания  скважин  и  позволяет  открыть  новую  стадию  разработки  старых  месторождений.

Благодаря  улучшенному  качеству  контроля,  происходит  сокращение  производственных  потерь  и  увеличение  производительности  путем  получения  данных  от  систем  телеизмерения,  что  приводит  к  своевременному  обнаружению  проблем,  их  анализа,  незамедлительного  принятия  решений  и  корректировки  действий  на  основе  обратной  связи  в  режиме  реального  времени.  Также  это  поможет  эффективно  планировать  технические  мероприятия  и  ремонтно-профилактическое  обслуживание  оборудования,  что  также  поможет  незамедлительно  выявить  износ  оборудования  и  предотвратить  возможные  простои.  Более  того,  ручной  анализ  каждой  скважины  —  достаточно  трудоемкий  и  сложный  процесс.  Непосильный  для  человека  он  становится  доступным  для  «умных»  компьютерных  систем.

Уменьшение  человеческого  фактора.  Организация  централизованного  и  дистанционного  управления  большим  количеством  скважин  также  сможет  сократить  потери  и  избежать  катастроф,  поскольку  даже  небольшая  авария  или  простой  могут  привести  к  серьезным  финансовым  потерям.  Не  секрет,  что  причиной  многих  крупномасштабных  аварий  главным  фактором  являлся  человеческий.  Достаточно  вспомнить  аварию  1986  года  на  Чернобыльской  АЭС.  На  сегодняшний  день  версий  причин  аварии  много,  но  главным  элементом  в  каждой  из  них  является  ошибка  человека.  Также  автоматизированные  процессы  снижают  риск,  позволяя  людям  находится  удаленно,  а  не  в  самой  рискованной  зоне,  коей  считается  место  добычи.  Исходя  из  вышесказанных  преимуществ,  можно  сделать  вывод,  что  главными  целями  внедрения  интеллектуальных  скважин  является  увеличение  производительности,  уменьшение  себестоимости  и  пролонгирование  максимального  срока  эксплуатации  скважины.

Актуальность  исследования  обусловлена  тем,  что  в  настоящее  время  около  80  %  нефтедобывающих  предприятий  эксплуатируют  многопластовые  скважины  применяя  примитивные  методы  геофизических  исследований  или  проводят  исследования  только  при  проведении  геолого-технических  мероприятий.  Разработка  месторождений  данными  методами  приводит  к  негативным  последствиям  связанными  с  нарушением  проекта  разработки. 

Поэтому  применение  современных  моделей  и  методов  ИИ  в  управляющих  системах  позволит  увеличить  дебит  скважин,  бережно  использовать  природные  ресурсы,  и  обеспечить  конкурентоспособность  нефтегазовой  отрасли  на  мировом  рынке. 

Цель  работы:  повышение  эффективности  работы  и  снижение  себестоимости  продукции  скважин  путем  выбора  оптимальных  параметров  ПИД  регулятора  СУ  УЭЦН  на  основе  технологий  нейронных  сетей.

ПИД-регулятор  формирует  управляющий  сигнал,  являющийся  суммой  трёх  слагаемых,  первое  из  которых  пропорционально  входному  сигналу,  второе  является  интегралом  входного  сигнала,  а  третье  —  производная  от  входного  сигнала.  Функциональная  схема  управляющей  системы  с  обратной  связью  по  технологическому  датчику  (ТД)  на  основе  ПИД-регулятора  показана  на  рисунке  1  [3].

Рисунок  1.  Функциональная  схема  управления  погружным  электроцентробежным  насосом  с  обратной  связью  по  технологическому  датчику  (ТД)  на  основе  ПИД-регулятора

В  ходе  проведенных  исследований  был  реализован  алгоритм  выбора  и  оптимизации  настроечных  параметров  при  неизвестной  модели  ОУ  экспериментальным  методом,  представленный  в  обобщенном  виде:

1.  Отключить  дифференциальный  и  интегральный  каналы  контроллера.  Задать  малое  значение  k.

2.  Получить  переходной  процесс  на  выходе,  изменив  значение  задания  для  контролируемой  переменной.  Переходной  процесс  должен  быть  медленным.

3.  Увеличить  k  в  два  раза.  Получить  переходной  процесс.  Увеличивать  k  в  два  раза  до  тех  пор,  пока  переходной  процесс  не  станет  колебательным.

4.  Увеличивать  k  до  тех  пор,  пока  на  выходе  не  будут  получены  непрерывные  колебания.  Запомнить  полученные  значения  k  и  периода  колебаний  P.

5.  Выбрать  параметры  П,  ПИ  или  ПИД  контроллера  по  таблице  1.

Таблица  1. 

Настроечные  параметры 

В  качестве  примера  выполним  анализ  системы  управления  (рисунок  2)  с  параметрами  ;  .  Для  этого  воспользуемся  ПК  МВТУ.

Рисунок  2.  Структурная  схема  СУ  и  графики  переходного  процесса  и  установившейся  ошибки

По  графику  ,  определяем  время  регулирования  ,  а  по  графику    —  ошибку 

Реализуем  модель  ПИД-регулятора.  Для  начала  отключим  дифференциальный  и  интегральный  каналы  контроллера.  Зададим  малое  значение    Увеличиваем    до  тех  пор,  пока  на  выходе  не  будут  получены  непрерывные  колебания  [1]. 

На  рисунке  3,  представлена  схема  СУ  с  ПИД-регулятором  и  графики  ,  для 

Рисунок  3.  Структурная  схема  СУ  с  ПИД  регулятором  и  графики

Полученные  значения:  для  ;  период  колебаний    По  эмпирическим  формулам  из  таблицы  1,  находим:

;    .

Установив  полученные  значения  настроечных  параметров  в  соответствующих  блоках,  и  выполнив  расчет,  получим  графики  выходного  процесса  и  ошибки  (рисунок  4).

Рисунок  4.  Графики    и 

По  графику  ,  определяем  время  регулирования  ,  а  по  графику    —  ошибку  ,  которая  существенно  уменьшилась  по  сравнению  с  исходной.  Относительное  перерегулирование  ,  что  не  соответствует  требуемым  показателям  качества  управления.  Увеличение  коэффициента    дифференциальной  части  регулятора  приведет  к  уменьшению  времени    переходного  процесса  и  уменьшению  перерегулирования.  На  рисунке  5  представлены  процессы,  полученные  при  .

Рисунок  5.  Графики    и    при  ;  ; 

Однако  зачастую  на  практике  нет  возможности  останавливать  технологический  процесс,  что  затрудняет  настройку  регулятора  в  зависимости  от  изменившихся  условий.  Поэтому  целесообразно  автоматизировать  этот  процесс  за  счет  введения  в  систему  управления  нейронную  сети. 

Нейронная  сеть  в  ПИД-регуляторах  используется  для  построения  самого  регулятора  и  для  построения  блока  настройки  его  коэффициентов.  Структура  нейронной  сети  в  блоке  автонастройки  представлена  на  рисунке  6.

Рисунок  6.  Структура  нейронной  сети

При  использовании  нейронных  сетей  достаточно,  чтобы  эксперт  сам  несколько  раз  настроил  регулятор  в  процессе  обучения  сети.  Структура  системы  автоматического  регулирования  с  ПИД-регулятором  и  нейронной  сетью  в  качестве  блока  автонастройки  показана  на  рисунке  7.

Рисунок  7.  Структура  ПИД-регулятора  с  блоком  автонастройки  на  основе  нейронной  сети  NN

Для  обучения  НС  на  первоначальном  этапе  выбран  алгоритм  обучения  НС  получивший  название  процедуры  обратного  распространения.  Именно  он  будет  рассмотрен  в  дальнейшем.  Согласно  методу  наименьших  квадратов,  минимизируемой  целевой  функцией  ошибки  НС  является  величина:

  (1)

где:    —  реальное  выходное  состояние  нейрона  j  выходного  слоя  N  нейронной  сети  при  подаче  на  ее  входы  p-го  образа; 

d_jp   —  идеальное  (желаемое)  выходное  состояние  этого  нейрона.

Суммирование  ведется  по  всем  нейронам  выходного  слоя  и  по  всем  обрабатываемым  сетью  образам.  Минимизация  ведется  методом  градиентного  спуска,  что  означает  подстройку  весовых  коэффициентов  следующим  образом:

  (2)

Здесь  w_ij  —  весовой  коэффициент  синаптической  связи,  соединяющей  i-ый  нейрон  слоя  n-1  с  j-ым  нейроном  слоя  n,  h  —  коэффициент  скорости  обучения,  0<h<1.

Как  показано  в  [4],

(3)

Здесь  под  y_j,  как  и  раньше,  подразумевается  выход  нейрона  j,  а  под  s_j  —  взвешенная  сумма  его  входных  сигналов,  то  есть  аргумент  активационной  функции.  Так  как  множитель  dy_j/ds_j  является  производной  этой  функции  по  ее  аргументу,  из  этого  следует,  что  производная  активационной  функция  должна  быть  определена  на  всей  оси  абсцисс.  В  связи  с  этим  функция  единичного  скачка  и  прочие  активационные  функции  с  неоднородностями  не  подходят  для  рассматриваемых  НС.  В  них  применяются  такие  гладкие  функции,  как  гиперболический  тангенс  или  классический  сигмоид  с  экспонентой.  В  случае  гиперболического  тангенса

  (4)

Третий  множитель  ¶s_j/¶w_ij,  очевидно,  равен  выходу  нейрона  предыдущего  слоя  y_i^(n-1).

Что  касается  первого  множителя  в  (3),  он  легко  раскладывается  следующим  образом  [2]:

  (5)

Здесь  суммирование  по  k  выполняется  среди  нейронов  слоя  n+1.

Введя  новую  переменную

  (6)

мы  получим  рекурсивную  формулу  для  расчетов  величин  d_j⁽ⁿ⁾  слоя  n  из  величин  d_k⁽ⁿ⁺¹⁾  более  старшего  слоя  n+1.

  (7)

Для  выходного  же  слоя

  (8)

Теперь  мы  можем  записать  (2)  в  раскрытом  виде:

  (9)

Иногда  для  придания  процессу  коррекции  весов  некоторой  инерционности,  сглаживающей  резкие  скачки  при  перемещении  по  поверхности  целевой  функции,  (9)  дополняется  значением  изменения  веса  на  предыдущей  итерации

  (10)

где:  m  —  коэффициент  инерционности, 

t  —  номер  текущей  итерации.

Таким  образом,  полный  алгоритм  обучения  НС  с  помощью  процедуры  обратного  распространения  строится  так:

1.  Подать  на  входы  сети  один  из  возможных  образов  и  в  режиме  обычного  функционирования  НС,  когда  сигналы  распространяются  от  входов  к  выходам,  рассчитать  значения  последних.  Напомним,  что

  (11)

где  M  —  число  нейронов  в  слое  n-1  с  учетом  нейрона  с  постоянным  выходным  состоянием  +1,  задающего  смещение;  y_i^(n-1)=x_ij⁽ⁿ⁾  —  i-ый  вход  нейрона  j  слоя  n.

y_j⁽ⁿ⁾  =  f(s_j⁽ⁿ⁾) ,  где  f()  –  сигмоид  (12)

y_q⁽⁰⁾=I_q ,  (13)

где  I_q  —  q-ая  компонента  вектора  входного  образа.

2.  Рассчитать  d^(N)  для  выходного  слоя  по  формуле  (8).

Рассчитать  по  формуле  (9)  или  (10)  изменения  весов  Dw^(N)  слоя  N.

3.  Рассчитать  по  формулам  (7)  и  (9)  (или  (7)  и  (10))  соответственно  d⁽ⁿ⁾  и  Dw⁽ⁿ⁾  для  всех  остальных  слоев,  n=N-1,...1.

4.  Скорректировать  все  веса  в  НС

  (14)

5.  Если  ошибка  сети  существенна,  перейти  на  шаг  1.  В  противном  случае  —  конец.

Таким  образом  нейронная  сеть  в  ПИД-регуляторах  позволит  улучшить  показания  факторов,  являющимися  наиболее  значимыми  для  нашей  цели.  Например,  такие  факторы,  как:

·     форма  отклика  на  внешнее  возмущение  (время  установления,  перерегулирование,  коэффициент  затухания);

·     форма  отклика  на  шумы  измерений;

·     форма  отклика  на  сигнал  уставки;

·     робастность  по  отношению  к  разбросу  параметров  объекта  управления;

·     минимум  шумов  измерений.

Очень  важно  понимать,  что  «интеллектуальное  месторождение»  —  это  не  просто  данные,  это  серьезная  перестройка  всех  бизнес-процессов,  которая  начинается  с  работы  персонала  и  заканчивается  производственными  процессами.  Это  преобразование  данных,  поступающих  в  месторождения,  в  информативные  сведения,  которые  являются  опорой  в  согласовании  дальнейшей  работы  и  принятия  ответственных  решений.  Максимальная  эффективность  производства  является  главным  стимулом  для  перехода  к  новому  способу  добычи.

На  сегодняшний  день  Россия  уже  вступила  на  путь  внедрения  инноваций,  однако,  до  сих  пор  не  для  всех  нефтегазодобывающих  компаний  переход  к  интеллектуализации  актуален.  Российское  сознание  не  достаточно  сформировано,  чтобы  без  опаски  пробовать  новое.

Очень  важно  понимать,  что  с  развитием  интеллектуальных  технологий  удастся  увеличить  общемировую  нефтеотдачу  и  обеспечить  конкурентоспособность  нефтяной  отрасли  на  мировом  рынке.  Говоря  о  перспективах,  эксперты  утверждают,  что  спрос  на  технологии,  однозначно,  будет  расти.  Нефтяные  компании  выходят  из  интеллектуального  гетто  и,  с  уверенностью  можно  сказать,  что  нефтегазовая  отрасль  вступает  в  новую  эпоху  развития.

Список  литературы:

1.Ерёмин  Н.А.  Управление  разработкой  интеллектуальных  месторождений  нефти  и  газа:  учебное  пособие  М.:  РГУ  нефти  и  газа.  [Кн.  1].  2011.  —  С.  198.

2.Интеллектуальное  месторождение:  мировая  практика  и  современные  технологии  —  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  http://gasoilpress.ru/gij/gij_detailed_work.php?GIJ_E..(дата  обращения  30.11.2014).

3.Семенов  А.М.  Крылов  И.Б.  Основы  теории  управления.  Электронное  гиперссылочное  учебное  пособие.  Зарегистрировано  в  УФАП  ГОУ  ОГУ  №  521,  06.11.09  г.  Оренбург.

4.NeuroPro  —  нейронные  сети,  методы  обработки  и  анализа  данных  —  [Электронный  Ресурс]  —  Режим  доступа.  —  URL:  http://www.neuropro.ru/neu3.shtml  (дата  обращения  16.03.2015).