«Нефтепро-
мысловое дело»

Динамический анализ разработки нефтяных месторождений на основе искусственной нейронной сети обратного распространения ошибки

УДК: 550.8.052
DOI: 10.33285/0207-2351-2023-5(653)-13-20

Авторы:

¹ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия
² Институт проблем нефти и газа РАН

Ключевые слова: динамика добычи, динамические модели, анализ базы данных, нейронная сеть, метод обратного распространения ошибки

Аннотация:

В настоящее время в мире происходит ухудшение структуры запасов углеводородов. Большинство уникальных и крупных месторождений в нефтяных регионах мира находятся в поздней и завершающей стадиях разработки. После первичной и вторичной добычи нефти значительное её количество остается в породах коллектора в виде остаточной нефти. В таких условиях точный прогноз добычи нефти необходим для повышения экономической эффективности эксплуатации нефтяных месторождений, обеспечения рационального и научно обоснованного управления разработкой. Для решения этой проблемы в статье предлагается новый метод динамического анализа нефтеотдачи на основе нейронной сети обратного распространения ошибки с использованием результатов каротажа, истории добычи и других для создания базы данных. Технология моделирования нейронной сети предполагает создание прогностической модели на основе всех данных по месторождению. Анализ основных компонентов позволил выбрать наиболее репрезентативные показатели в качестве исходных факторов. В качестве прогнозируемой величины принят дебит нефти. Прогноз осуществляется с помощью нейронной сети обратного распространения ошибки. Показано, что максимальная ошибка прогноза дебита нефти составляет менее 8,5 %. Прогноз дает хороший результат, имеет практическую и научную значимость.

Список литературы:

1. Application of Artificial Intelligence Techniques in Drilling System Design and Operations: A State of the Art Review and Future Research Pathways / O. Bello, C. Teodoriu, T. Yaqoob [et al.] // Paper presented at the SPE Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, August 2016. – URL: doi: https://doi.org/10.2118/184320-MS

2. A Novel Adaptive Non-Linear Regression Method to Predict Shale Oil Well Performance Based on Well Completions and Fracturing Data / A. Bakshi, E. Uniacke, M. Korjani, I. Ershaghi // Paper presented at the SPE Western Regional Meeting, Bakersfield, California, April 2017. – URL: https://doi.org/10.2118/185695-MS

3. Noshi C., Schubert J. The Role of Machine Learning in Drilling Operations; A Review // Paper presented at the SPE/AAPG Eastern Regional Meeting, Pittsburgh, Pennsylvania, USA, October 2018. – URL: https://doi.org/10.2118/191823-18ERM-MS

4. Causal Analysis and Data Mining of Well Stimulation Data Using Classification and Regression Tree with Enhancements / S. Bhattacharya, M. Maucec, J. Yarus [et al.] // Paper presented at the SPE Annual Technical Conference and Exhibition, New Orleans, Louisiana, USA, September 2013. – URL: https://doi.org/10.2118/166472-MS

5. Data Analytics for Production Optimization in Unconventional Reservoirs / M. Srikanta, J. Schuetter, Zhong Ming, R. LaFollette // Paper presented at the SPE/AAPG/SEG Unconventional Resources Technology Conf., San Antonio, Texas, USA, July 2015. – URL: https://doi.org/10.15530/URTEC-2015-2167005

6. Gupta S., Fuehrer F., Jeyachandra B.Ch. Production Forecasting in Unconventional Resources using Data Mining and Time Series Analysis // Paper presented at the SPE/CSUR Unconventional Resources Conference, Calgary, Alberta, Canada, September 2014. – URL: https://doi.org/10.2118/171588-MS

7. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учеб. пособие. – Казань: Изд-во Казан. гос. ун-та, 2018. – 121 с.

8. Шувалов Н.В., Хрусталев А.О., Замуруев И.Н. Нейронные сети // Аллея науки. – 2017. – № 5. – С. 159–165.

9. Табличная реализация искусственной нейронной сети радиальных базисных функций для классификации образцов / О.В. Аникина, О.М. Гущина, Е.В. Панюкова, Н.Н. Рогова // Современные информационные технологии и ИТ-образование. – 2018. – Т. 14, № 2. – С. 436–445. – DOI: 10.25559/SITITO.14.201802.436-445

10. Study on Prediction Model of Grain Yield Based on Principal Component Analysis and BP Neural Network / Xu Xing Mei [et al.] // Applied Mechanics and Materials. – 2015. – Vol. 713–715. – Pp. 1939–1942. – doi:10.4028/www.scientific.net/amm.713-715.1939

11. Иванова М.А. Реализация построения разбиения Вороного для ОСРВ МАКC. – СПб., 2018. –25 с.

12. Колесов В.В., Курганов Д.В. Расчет рейтинга скважин-кандидатов при уплотняющем бурении с помощью машинного обучения на промысловых данных (метод опорных векторов) // Технические науки. – 2019. – № 1(61). – С. 7–19.

13. Карабцев С.Н., Стуколов С.В. Построение диаграммы Вороного и определение границ области в методе естественных соседей // Вычислительные технологии. – 2008. – Т. 13, № 3. – С. 65–80.

14. Анализ зависимости результатов математического моделирования разработки нефтяных месторождений от исходных данных на примере модели двухфазной фильтрации / Н.П. Ефимова, И.В. Афанаскин, А.А. Колеватов [и др.] // Вестник кибернетики. – 2018. – № 3(31). – С. 58–67.