Изучение применимости моделей искусственного интеллекта на основе алгоритмов машинного обучения для выбора жидкости гидроразрыва пласта
УДК: 622.276.66.002.34:622.234.573
DOI: -
Авторы:
ШЕПЕЛЕВ И.А.
1,
БУДКЕВИЧ Р.Л.1,
ГАЙФУЛЛИН Т.Л.1,
ЗАКИРОВ Р.Р.1,
АЛЕНЬКИН И.А.1
1 Альметьевский государственный технологический университет "Высшая школа нефти", Альметьевск, Россия
Ключевые слова: деструктор, сшиватель, реология, динамическая вязкость, искусственный интеллект, жидкость разрыва, машинное обучение
Аннотация:
Гидроразрыв пласта (ГРП) – это сложный и многоэтапный процесс, требующий точного планирования и выполнения. Внедрение современных технологий и методов позволяет значительно повысить эффективность ГРП и минимизировать его негативные воздействия. При этом процесс оптимизации состава жидкости для ГРП является достаточно большой проблемой, так как на ее свойства влияет большое число факторов, таких как анионный и катионный состав воды, её водородный показатель, температура и др. Поэтому для каждого конкретного случая специалистам в лабораторных условиях необходимо подбирать рецептуру жидкости для ГРП. Это трудозатратный и зачастую неэффективный способ, так как в условиях ограниченного времени сложно определить наиболее оптимальную рецептуру, а в силу большого числа факторов, влияющих на функциональные свойства жидкости, невозможно разработать системный подход. В связи с данной проблемой в работе изучены алгоритмы на основе модели искусственного интеллекта (ИИ), обученные на экспериментальных данных, полученных в процессе подбора состава жидкости ГРП. Тестирование моделей показало, что правильная интерпретация входных тестовых результатов, которые заранее известны, возможна только для ограниченного набора точек, тогда как для других ошибка получалась явная. Результаты расчета MAPE и R2 показали, что предсказательная точность ниже требуемой. Поэтому необходима разработка более сложного алгоритма ИИ для обучения по ограниченному набору данных. Для решения проблем, связанных с ограниченным набором данных, была разработана методика по синтезу математической модели с помощью ряда методов на основе аддитивной нелинейной регрессии, LASSO- и Ridge-регрессиях. Данная методика зарекомендовала себя как эффективный метод при проблемах с объемом данных и большом числе управляющих параметров.
Список литературы:
1. Основы технологии гидравлического разрыва пластов: учеб. пособие / В.Г. Салимов, Ш.Ф. Тахаутдинов, А.В. Насыбуллин, О.В. Салимов. – Казань: "Фэн" АН РТ, 2021. – С. 3.
2. Насыбуллин А.В., Салимов О.В., Сахабутдинов О.В. Влияние вязкости технологической жидкости на геометрию трещин гидроразрыва // Оборудование и технологии для нефтегазового комплекса. – 2017. – № 4. – С. 29–34.
3. Фаттахов И.Г., Гарифуллина З.А., Гизатуллин И.Р. Повышение эффективности гидроразрыва пласта при подаче в поток жидкого деструктора // Проблемы разработки нефтяных и газовых месторождений с трудноизвлекаемыми запасами: сб. тр. Всеросс. науч.-техн. конф. – Уфа: Изд-во УГНТУ, 2020. – С. 151–155.
4. Антонов Г.Б., Иванов С.И. Линейная регрессия как один из методов статистического исследования // Изв. Великолукской ГСХА. Общественные науки. – 2021. – С. 64–75.
5. Линейная регрессия (Linear regression): сайт. – URL: https://wiki.loginom.ru/articles/linear-regression.html
6. Кафтанников И.Л., Парасич А.В. Особенности применения деревьев решений в задачах классификации // Вест. ЮУрГУ. Сер. Компьютерные технологии, управление, радиоэлектроника. – 2015. – Т. 15, № 3. – С. 26–32.
7. Салахутдинова К.И., Лебедев И.С., Кривцова И.Е. Алгоритм градиентного бустинга деревьев решений в задаче идентификации программного обеспечения // Науч.-техн. вестн. информационных технологий, механики и оптики. – 2018. – Т. 18, № 6. – С. 1016–1022. – doi: 10.17586/2226-1494-2018-18-6-1016-1022
8. Многослойный персептрон и алгоритм обратного распространения ошибки: сайт. – URL: https://www.mql5.com/ru/articles/8908
9. Кугаевских А.В., Муромцев Д.И., Кирсанова О.В. Классические методы машинного обучения. – СПб.: Университет ИТМО, 2022. – 53 с.
10. MAPE – средняя абсолютная ошибка – практика применения. – 2022. – URL: https://4analytics.ru/metodi-analiza/mape-srednyaya-absolyutnaya-oshibka-praktika-primeneniya.html
Назад в номер