«Автоматизация и информатизация ТЭК»

Прогнозирование поступления нефти и жидкости на нефтесборный пункт нефтегазодобывающего предприятия с использованием методов машинного обучения

УДК: 681.5:622.276
DOI: -

Авторы:

¹ СамараНИПИнефть, Самара, Россия
² СамГТУ, Самара, Россия

Ключевые слова: система прогнозирования, методы машинного обучения, деревья решений, нейронная сеть

Аннотация:

В статье рассматриваются методы машинного обучения и рекуррентная нейронная сеть для разработки информационной системы прогнозирования добычи и поступления нефти и жидкости на пункт сбора и подготовки нефти нефтегазодобывающего предприятия. Для анализа рассмотрены линейная регрессия, ансамбли деревьев решений – XGBOOST. В ходе проекта были изучены и разработаны регрессионные модели, такие как линейная регрессия, метод K-ближайших соседей (KNN), ансамбли деревьев решений (XGBOOST), а также модели на основе искусственной нейронной сети – многослойный линейный персептрон (MLP) и LSTM. Были исследованы указанные модели, их отклики на изменение глобальных параметров.

Список литературы:

1. Силаев К.О., Силаева А.Н. Методы для анализа кривых падения добычи, применяемые в топливно-энергетической сфере // Экономика и социум. – 2016. – № 9(28). – С. 543–546.
2. Тунг Л.В. Применение метода кривой падения Арпса для прогноза добычи нефти скважины Н1 месторождения "Черный Дракон", Вьетнам // Проблемы геологии и освоения недр: тр. XXII Междунар. симп. им. акад. М.А. Усова студентов и молодых ученых, посвящ. 155-летию со дня рождения акад. В.А. Обручева, 135-летию со дня рождения акад. М.А. Усова, основателей Сибирской горно-геологической шк., и 110-летию первого выпуска горных инженеров в Сибири, Томск, 02–07 апр. 2018 г.: в 2 т. Т. 2. – Томск: ТПУ, 2018. – С. 148–149.
3. Среднесрочное прогнозирование добычи нефти по месторождению на основе моделей SARIMAX / А.Ф. Азбуханов, И.А. Лакман, А.А. Агапитов, Л.Ф. Садикова // Нефт. хоз-во. – 2020. – № 2. – С. 84–88. – DOI: 10.24887/0028-2448-2020-2-84-88
4. Галкин В.И., Репина В.А. Разработка статистической модели прогнозирования дебита нефти на примере пласта Тл2а одного из месторождений Башкирского свода // Нефт. хоз-во. – 2015. – № 11. – С. 111–113.
5. Зинатуллина А.М. Модель краткосрочного прогнозирования добычи при разработке пластов нижнемелового возраста на основе инструментов анализа временных рядов: магистр. дис. – Томск, 2020. – 104 с. – URL: https://earchive.tpu.ru/handle/11683/62453
6. Семенычев В.К., Куркин Е.И. ARMA-моделирование уровня годовой добычи нефти из пласта и оценка геологического риска инвестиций в нефтегазодобывающей промышленности // Вестн. Самар. муницип. ин-та управления. – 2010. – № 2(13). – С. 7–15.
7. Тигнибидин А.В., Панин Ю.Н., Русанова А.Д. Снижение эксплуатационных затрат посредством прогнозирования внеплановых простоев скважин с помощью машинного обучения // Техника и технология нефтехимического и нефтегазового производства: материалы 10-й Междун. науч.-техн. конф., Омск, 26–29 февр. 2020 г. – Омск: ОГТУ, 2020. – С. 253–254.
8. Пичугин О.Н., Прокофьева Ю.З., Александров Д.М. Деревья решений как эффективный метод анализа и прогнозирования // Нефтепромысловое дело. – 2013. – № 11. – С. 69–75.
9. Краснов Ф.В., Главнов Н.Г., Ситников А.Н. Применение машинного обучения по ансамблю решающих правил для вычисления прогноза дополнительного коэффициента извлечения нефти // Int. J. of Open Information Technologies. – 2017. – Т. 5, № 10. – С. 18–23.
10. Shippen M.E., Scott S.L. A Neural Network Model for Prediction of Liquid Holdup in Two-Phase Horizontal Flow // SPE Production & Facilities. – 2004. – Vol. 19, Issue 02. – P. 67–76. – DOI: 10.2118/87682-pa
11. Andrianov N. A Machine Learning Approach for Virtual Flow Metering and Forecasting // IFAC PapersOnLine. – 2018. – Vol. 51, Issue 8. – P. 191–196. – DOI: 10.1016/j.ifacol.2018.06.376
12. Farahani P.F., Bayat A.E., Rafati R. A Novel Method to Predict the Well Inflow Performance Relationships Curves by Artificial Intelligence Techniques // Int. J. of Petroleum and Petrochemical Engineering. – 2018. – Vol. 4, Issue 3. – P. 13–20. – DOI: 10.20431/2454-7980.0403002
13. Looking Back 2006 – 2016 – Ten Years of Data Driven Well Rate Estimates for Real-Time Surveillance and Optimization / J. Briers, Keat-Choon Goh, A. Sniekers [et al.] // SPE Intelligent Energy Int. Conf. and Exhibition, Aberdeen, Scotland, UK, Sept. 6–8, 2016. – P. 284–295. – DOI: 10.2118/181032-MS
14. Sun Jianlei, Ma X., Kazi M. Comparison of Decline Curve Analysis DCA with Recursive Neural Networks RNN for Production Forecast of Multiple Wells // SPE Western Regional Meeting, Garden Grove, California, USA, April 22–26, 2018. – DOI: 10.2118/190104-MS
15. A neural network approach to predict existing and in-fill oil well performance / Linyu Yang, Zhong He, J. Yen, Ching Wu // Proceedings of the IEEE-INNS-ENNS Int. Joint Conf. on Neural Networks (IJCNN 2000) "Neural Computing: New Challenges and Perspectives for the New Millennium", Como, Italy, July 27. – 2000. – Vol. 4. – P. 408–413. – DOI: 10.1109/IJCNN.2000.860806
16. Жданов И.А. Разработка системы автоматизированного анализа и контроля текущего состояния нефтяных месторождений: дис. … канд. техн. наук: 2.3.1. – СПб., 2020. – 117 с.
17. Oberwinkler Ch., Stundner M. From Real-Time Data to Production Optimization // SPE Production & Facilities. – 2005. – Vol. 20, Issue 03. – P. 229–239. – DOI: 10.2118/87008-PA
18. Hochreiter S., Schmidhuber Jü. Long Short-Term Memory // Neural Computation. – 1997. – Vol. 9, Issue 8. – P. 1735–1780. – DOI: 10.1162/neco.1997.9.8.1735
19. Гольдберг Й. Нейросетевые методы в обработке естественного языка. – М.: ДМК Пресс, 2019. – 282 с.