«Автоматизация и информатизация ТЭК»

Разработка и апробация методических подходов и цифровых технологий нейросетевого прокси-моделирования установившегося двухфазного течения многокомпонентной смеси в системах сбора и промысловой подготовки газа (на примере Чаяндинского НГКМ)

УДК: 519.673
DOI: -

Авторы:

¹ НИИгазэкономика, Москва, Россия
² Газпром добыча Ноябрьск, Ноябрьск, Россия
³ РГУ нефти и газа (НИУ) имени И.М. Губкина, Москва, Россия

Ключевые слова: сбор и подготовка газа, прокси-моделирование, суррогатные модели, машинное обучение, нейронные сети

Аннотация:

Математическое моделирование является одним из основных объективных инструментов подготовки обоснованных решений при эксплуатации и развитии месторождений углеводородов. В этой области в последнее время наблюдается качественный переход от использования локальных моделей отдельных технологических объектов к созданию интегрированных цифровых моделей "пласт–скважина–газосборная сеть–установка комплексной подготовки газа–дожимная компрессорная станция". Основой для них служат модели, описывающие физику процессов фильтрации и течения газа. Вместе с тем анализ современных пакетов моделирования показывает, что такие физические модели строятся в разных программных комплексах и их применение требует больших вычислительных и временных затрат для проведения расчетов. В связи с этим на практике все чаще предпринимаются попытки разработать и внедрить их аналоги – основанные на данных (например, результатах натурных и/или вычислительных экспериментов) прокси-модели (также именуемые суррогатными), которые с приемлемой точностью имитируют технологические процессы. При этом скорость вычислений с применением прокси-моделей значительно выше традиционных вычислений с использованием физических моделей. В статье предложены методические подходы к созданию прокси-моделей систем сбора и промысловой подготовки газа. Рассматривается архитектура компьютерной среды для обучения и развертывания прокси-моделей. Приводятся результаты апробации предложенных подходов на примере создания нейросетевой прокси-модели установившегося двухфазного течения многокомпонентной смеси в одном из газосборных коллекторов Чаяндинского нефтегазоконденсатного месторождения. Полученная модель продемонстрировала весьма высокую точность аппроксимации "физической" модели, при этом скорость вычислений для выбранных допущений значительно превышает классические модели. Это позволяет использовать такие модели при решении актуальных практических задач, прежде всего системных оптимизационных задач. Отмечается, что предложенные подходы могут применяться не только для решения оперативных задач анализа, контроля и регулирования разработки месторождений, но и при проектировании разработки и оценке геолого-технических мероприятий. Обсуждаются особенности предложенных подходов, намечаются пути их дальнейшего развития.

Список литературы:

1. Model Order Reduction and Applications / M. Hinze, J.N. Kutz, O. Mula, K. Urban. – Cham: Springer, 2021. – XIV, 230 p. – (Lecture Notes in Mathematics (LNM, volume 2328)). – DOI: 10.1007/978-3-031-29563-8
2. Сарданашвили С.А. Расчетные методы и алгоритмы (трубопроводный транспорт газа). – М.: РГУ нефти и газа им. И.М. Губкина, 2005. – 577 с.
3. Ping Jiang, Qi Zhou, Xinyu Shao. Surrogate Model-Based Engineering Design and Optimization. – Singapore: Springer, 2020. – IX, 240 p. – (Springer Tracts in Mechanical Engineering). – DOI: 10.1007/978-981-15-0731-1
4. Кулешов А.П. Когнитивные технологии в адаптивных моделях сложных объектов // Информ. технологии и вычисл. системы. – 2008. – № 1. – С. 18–29.
5. Ивлев Д.А. Реконструкция карт глубин границ стратиграфических горизонтов с помощью генеративно-состязательных сетей // PROнефть. Профессионально о нефти. – 2023. – Т. 8, № 1(27). – С. 188–197. – DOI: 10.51890/2587-7399-2023-8-1-188-197
6. Методология построения метамоделей и перспективы их применения для решения актуальных задач нефтяного инжиниринга / М.В. Симонов, А.В. Пенигин, А.С. Маргарит [и др.] // ProНефть. Профессионально о нефти. – 2019. – № 2(12). – С. 48–53. – DOI: 10.24887/2587-7399-2019-2-48-53
7. Интеграция методов машинного обучения и геолого-гидродинамического моделирования при проектировании разработки месторождений / Л.С. Бриллиант, А.С. Завьялов, М.Ю. Данько [и др.] // Нефт. хоз-во. – 2022. – № 3. – С. 48–53. – DOI: 10.24887/0028-2448-2022-3-48-53
8. Михайловский А.А. Применение упрощенных газогидродинамических прокси-моделей для оперативных технологических расчетов газовых промыслов и подземных хранилищ // Науч.-техн. сб. Вести газовой науки. – 2018. – № 1(33). – С. 193–202.
9. Об обоснованности применения, современном состоянии и некоторых перспективах развития нейросетевых моделей Единой системы газоснабжения России / Н.А. Кисленко, А.В. Белинский, А.С. Казак, О.И. Белинская // Автоматизация и информатизация ТЭК. – 2022. – № 5(586). – С. 6–17. – DOI: 10.33285/2782-604X-2022-5(586)-6-17
10. Никулин А.С., Степнов Д.А., Куркин Д.С. Разработка суррогатной модели колонны стабилизации газового конденсата // Газовая пром-сть. – 2022. – № 11(840). – С. 42–45.
11. Motaei E., Ganat T. Smart proxy models art and future directions in the oil and gas industry: A review // Geoenergy Science and Engineering. – 2023. – Vol. 227. – P. 211918. – DOI: 10.1016/j.geoen.2023.211918
12. Опыт разработки программно-вычислительного компьютерного комплекса моделирования двухфазного течения многокомпонентной смеси для условий Чаяндинского НГКМ / В.В. Самсонова, С.К. Митичкин, В.А. Маришкин, В.И. Чурин // Компьютерные технологии поддержки принятия решений в диспетчерском управлении газотранспортными и газодобывающими системами: тез. докл. VII Междунар. науч.-техн. конф., М., 14–15 окт. 2021 г. – М.: Газпром ВНИИГАЗ, 2021. – С. 43.
13. Kamath C. Intelligent sampling for surrogate modeling, hyperparameter optimization, and data analysis. – 2023. – DOI: 10.48550/arXiv.2306.04066
14. Alizadeh R., Allen J.K., Mistree F. Managing computational complexity using surrogate models: a critical review // Research in Engineering Design. – 2020. – Vol. 31, Issue 3. – P. 275–298. – DOI: 10.1007/s00163-020-00336-7
15. Kumar P., Gupta A. Active Learning Query Strategies for Classification, Regression, and Clustering: A Survey // J. of Computer Science and Technology. – 2020. – Vol. 35, No. 4. – P. 913–945. – DOI: 10.1007/s11390-020-9487-4
16. Кисленко Н.А., Белинский А.В., Казак А.С. Методы, алгоритмы и инструменты моделирования и оптимизации режимов работы Единой системы газоснабжения России на основе технологий искусственного интеллекта. Часть 1 // Газовая пром-сть. – 2021. – № 9(821). – С. 88–96.
17. Свидетельство о гос. регистрации программы для ЭВМ 2023664462 Рос. Федерация. Базовые цифровые платформенные решения газовой промышленности (Арифма-газ) / А.В. Белинский, В.С. Махина, А.А. Плачинда [и др.]; правообладатель ООО "НИИгазэкономика". – № 2023663726; заявл. 30.06.2023; опубл. 05.07.2023.
18. Свидетельство о гос. регистрации программы для ЭВМ 2015616283 Рос. Федерация. Компьютерный диспетчерский тренажер газового промысла (скважина-ГСС-ДКС-УКПГ-МГ) ООО "Газпром добыча Ноябрьск" / В.А. Маришкин, А.В. Кононов, В.П. Смирнов [и др.]; правообладатель ООО "Газпром добыча Ноябрьск". – № 2015612717; заявл. 07.04.2015; опубл. 20.07.2015.
19. Р Газпром 2-3.5-1037-2016. Моделирование технологических режимов эксплуатации систем сбора и внутрипромыслового транспорта газа сеноманских залежей / Газпром ВНИИГАЗ. – Введ. 2016–01–15. – СПб.: Газпром экспо, 2019. – IV, 20 с.
20. Вяхирев Р.И., Коротаев Ю.П., Кабанов Н.И. Теория и опыт добычи газа. – М.: Недра, 1998. – 479 с.
21. Уэйлес С.М. Фазовые равновесия в химической технологии: в 2 ч. Ч. 1 / пер. с англ. А.В. Беспалова, А.П. Жукова, В.В. Паукова под ред. В.С. Бескова. – М.: Мир, 1989. – 304 с.
22. Kingma D.P., Ba J.L. Adam: A Method for Stochastic Optimization // ICLR. – 2015. – DOI: 10.48550/arXiv.1412.6980