«Оборудование и технологии для нефтегазового комплекса»

Оценка начального дебита газовых скважин на основе нейронной сети

УДК: 622.276:519.85
DOI: -

Авторы:

¹ Оренбургский государственный университет, Оренбург, Россия
² Моделирование и мониторинг геологических объектов им. В.А. Двуреченского, Москва, Россия
³ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: алгоритм, газогидродинамические исследования, дебит газовой скважины, методика, нейронная сеть, обучение

Аннотация:

Предлагается методика оценки дебита газовых скважин, подлежащих вводу в эксплуатацию на залежи, на которой уже имеется группа действующих добывающих скважин. Методика основана на применении нейронной сети, при построении которой используются данные об эксплуатации и конструкции работающих скважин. Приведены алгоритмы построения нейронной сети и примеры ее применения. Полученные результаты позволяют утверждать о более высокой точности оценки дебита, основанной на нейронной сети, по сравнению с использованием газогидродинамических исследований скважин для определения дебита. Корректное применение предлагаемой методики возможно при наличии объема промысловых данных, достаточного для формирования обучающей выборки и последующего построения нейронной сети, что позволяет определить начальный дебит скважины без проведения газогидродинамических исследований вводимой в эксплуатацию скважины.

Список литературы:

1. Руководство по исследованию скважин / А.И. Гриценко, З.С. Алиев, О.М. Ермилов [и др.]. – М.: Наука, 1995. – 523 с.
2. Практическая нецелесообразность и невозможность исследования горизонтальных газовых скважин на стационарных режимах фильтрации / З.С. Алиев, Д.А. Мараков, В.Н. Котляров, Л.В. Самуйлова // Газовая пром-сть. – 2014. – № 1(701). – С. 44–48.
3. Приборы, оборудование, методика газогидродинамических расчетов показателей, используемых на стадии поисково-разведочных работ. Ч. 1: учеб.-метод. пособие по курсу "Строительство скважин" / Ю.В. Волков, С.Е. Валеева, Р.А. Мударисова, М.Р. Фаткулин. – Казань: Казанский ун-т, 2018. – 75 с.
4. Шамсиев М.Н., Гадильшина В.Р. Интерпретация результатов газогидродинамических исследований вертикальных скважин в газовых пластах // Геология, геофизика и разработка нефтяных и газовых месторождений. – 2024. – № 4(388). – С. 70–72.
5. Управление добычей нефти на основе нейросетевой оптимизации режимов работы скважин на участке опытно-промышленных работ пласта ЮВ1 Ватьеганского месторождения ТПП "Повхнефтегаз" / Л.С. Бриллиант, М.Р. Дулкарнаев, М.Ю. Данько [и др.] // Георесурсы. – 2022. – Т. 24, № 1. – С. 3–15. – DOI: 10.18599/grs.2022.1.1
6. Прогнозирование динамики изменения дебита нефти с помощью методов машинного обучения / Г.Г. Файзрахманов, И.И. Хайруллин, Р.Р. Хасанов [и др.] // Нефтяная провинция. – 2023. – № 3(35). – С. 73–83. – DOI: 10.25689/NP.2023.3.73-83
7. Bahaloo S., Mehrizadeh M., Najafi-Marghmaleki A. Review of application of artificial intelligence techniques in petroleum operations // Petroleum Research. – 2023. – Vol. 8, Issue 2. – P. 167–182. – DOI: 10.1016/j.ptlrs.2022.07.002
8. A new approach in well placement optimization using metaheuristic algorithms / S. Raji, A. Dehnamaki, B. Somee, M.R. Mahdiani // J. of Petroleum Science and Engineering. – 2022. – Vol. 215, Part A. – P. 110640. – DOI: 10.1016/j.petrol.2022.110640
9. Prediction of fold-of-increase in productivity index post limited entry fracturing using artificial neural network / S.G. Ramah, M.A. Othman, A.Z. Nouh, T. El-Kwidy // Petroleum Research. – 2022. – Vol. 7, Issue 2. – P. 236–245. – DOI: 10.1016/j.ptlrs.2021.09.002
10. A production prediction method of single well in water flooding oilfield based on integrated temporal convolutional network model / Zhang Lei, Dou Hongen, Wang Tianzhi [et al.] // Petroleum Exploration and Development. – 2022. – Vol. 49, Issue 5. – P. 1150–1160. – DOI: 10.1016/S1876-3804(22)60339-2
11. Zakharov L.А., Martyushev D.А., Ponomareva I.N. Predicting dynamic formation pressure using artificial intelligence methods // J. of Mining Institute. – 2022. – Vol. 253. – P. 23–32. – DOI: 10.31897/PMI.2022.11
12. Automatic well test interpretation based on convolutional neural network for a radial composite reservoir / Li Daolun, Liu Xuliang, Zha Wenshu [et al.] // Petroleum Exploration and Development. – 2020. – Vol. 47, Issue 3. – P. 623–631. – DOI: 10.1016/S1876-3804(20)60079-9
13. Ивахненко А.Г. Непрерывность и дискретность. – Киев: Наукова думка, 1990. – 224 с.
14. Objective Choice of Optimal Clustering of Data Sampling under Nonrobust Random Disturbances Compensation / A.G. Ivakhnenko, S.A. Petuchova [et al.] // Soviet J. of Automation and Information Sciences. – 1993. – Vol. 26, No. 4. – P. 58–65.
15. Ivakhnenko A.G., Ivakhnenko G.A. Perceptron Synthesis under Balance of Clusterisation Criterion // Pattern Recognition and Image Analysis. – 1995. – Vol. 5, No. 3.
16. Ivakhnenko A.G., Ivakhnenko G.A., Muller J.A. Self-Organization of Neuronets with Active Neurons // Pattern Recognition and Image Analysis. – 1994. – Vol. 4, No. 4. – P. 177–188.
17. Ivakhnenko A.G. Self-Organization of Neuronet with Active Neurons for Effects of Nuclear Test Explosions Forecastings // System Analysis Modeling Simulation. – 1995. – Vol. 20. – P. 107–116.
18. Zholnarsky A.A. Agglomerative Cluster Analysis Procedures for Multidimensional Objects: A Test for Convergence // Pattern Recognition and Image Analysis. – 1992. – Vol. 25, No. 4. – P. 389–390.