WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 ||

На втором этапе производилось создание исходной базы данных (ИБД). В ее основу вошли 14 основных показателей, характеризующих геолого-физические, фильтрационно-емкостные и технологические параметры выделенных участков, и их неоднородность.

Далее, из объема ИБД было создано три массива данных. Первый массив, содержащий около 75% ИБД, предназначен для обучения сети и носит название обучающей выборки (ОВ). Оставшаяся часть ИБД, за исключением целевых показателей (ЦВ), была заключена в так называемую тестовую выборку (ТВ).

В совокупности было обучено и протестировано множество нейронных сетей на базе многослойного персептрона, отличающихся количеством входов, скрытых слоев и нейронов в слоях, а также вариациями параметров основного алгоритма обучения. Обучение останавливалось при увеличении ошибки выходных сигналов сети на ТВ, для предотвращения ее переобучения.

В результате уменьшения размерности сети (путем исключения малоинформативных параметров) и применения алгоритмов повышающих устойчивость и ускоряющих процесс обучения удалось сократить время обучения в 70 раз (с первоначальных 70 тыс. до 1,0 тыс. эпох) и одновременно повысить точность и надежность прогноза. На рис. 1 представлены: а) – принципиальная схема моделирования при помощи ИНС, б) – характеристика созданной ИНС.

После создания сети и установки необходимых параметров начинается процесс её обучения. На вход сети подается массив обучающей выборки (ОВ) определенное количество раз, после чего обучение останавливается. Далее осуществляется проверка обобщающей способности сети посредством предъявления на ее вход массива тестовой выборки (ТВ) и сравнения результатов прогноза по обеим выборкам.

Рис. 1 – Принципиальная схема моделирования при помощи ИНС (а) и характеристика созданной ИНС (б).

После чего обучение сети продолжается пока не будет достигнут максимально возможный уровень точности прогноза и обобщающей способности сети. Динамика процесса обучения созданной сети представлена в табл. 3.

Уже на первом цикле обучения был достигнут достаточно высокий уровень точности прогноза. Момент начала переобучения сети видно на 7 цикле обучения, когда коэффициент корреляции на ТВ прекратил рост, а следующий цикл ознаменовался его уменьшением. При этом процесс обучения был остановлен.

Таблица 3 – Динамика процесса обучения нейронной сети

Цикл

Эпоха

Среднеква-дратическая ошибка

Коэфф. корреляции фактич. и прогнозных значений КИН на ОВ

Коэфф. корреляции фактич. и прогнозных значений КИН на ТВ

1

100

0,526

0,692

0,831

2

200

0,362

0,791

0,910

3

300

0,270

0,849

0,920

4

400

0,220

0,885

0,929

5

500

0,178

0,907

0,937

6

600

0,152

0,920

0,941

7

700

0,137

0,930

0,941

8

800

0,120

0,937

0,940

9

900

0,110

0,942

0,940

На рисунках 2, 3 представлены сопоставления прогнозных и фактических значений (нормированных) КИН соответственно для обучающей и тестовой выборок после 9 циклов обучения.

Достаточно высокие значения коэффициентов корреляции свидетельствуют о способности сети с высокой точностью воспроизводить значения целевых параметров по совокупности входных данных обучающей выборки (рис. 2) и о сохранении, при этом, высокой обобщающей способности – что подтверждается точностью прогноза по совокупности входных данных тестовой выборки, которые впервые представлены сети (рис. 3).

Далее по всем участкам, кроме тех, по которым разработка практически завершена, были составлены матрицы исходных показателей для расчета на обученной ИНС. По каждому участку предложено к расчету несколько вариантов (совокупностей) технологических показателей. Анализ полученных значений КИН по участкам позволил выработать основные направления по регулированию системы разработки.

По результатам моделирования можно заключить, что основное влияние на конечный КИН и эффективность системы разработки оказывают: компенсация отборов жидкости, плотность сетки скважин и активность (жесткость) системы воздействия.

Рис. 2 – Сопоставление прогнозных и фактических значений КИН обучающей выборки (ОВ)

Рис. 3 – Сопоставление прогнозных и фактических значений КИН тестовой выборки (ТВ)

В лучшем случае КИН для объекта в целом может составить 0,285 д.е. при интервале изменения для различных участков от 0,223 д.е. (12 уч.) до 0,327 д.е. (15 уч.). При этом средняя плотность сетки скважин для объекта составит около 24 Га/скв., изменяясь в интервале от 19 до 38 Га/скв., жесткость системы воздействия – 2-3 ед., компенсация отборов жидкости - 1,6 д.е. Соотношение добывающих скважин равное 2 соответствует площадной семиточечной обращенной системе расположения скважин, которая рекомендуется в качестве основной. При этом рекомендуется применение очагового и избирательного заводнения в зонах с повышенной геолого-физической неоднородностью.

Для оценки прогнозной способности ИНС результаты моделирования сравнивались с результатами расчета технологических показателей разработки пластов Бш, выполненных на цифровой гидродинамической модели. Так, прогнозный КИН на гидродинамической модели составил 0,29 д.е., при близких технологических показателях: соотношении добывающих и нагнетательных скважин, равном 3, и компенсации отборов жидкости закачкой воды в целом для объекта – 140-150%.

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ:

Проведенные диссертационные исследования позволили получить следующие результаты:

  1. Анализ современных представлений в области совершенствования систем разработки и прогнозирования конечной нефтеотдачи позволил сделать следующие основные выводы:

- показано возрастающее значение карбонатных коллекторов как источников добычи нефти;

- составлен перечень практических рекомендаций, способствующих повышению эффективности разработки объектов, находящихся в сложных геолого-физических условиях;

- перечислены основные геолого-физические и технологические параметры, используемые в моделях прогноза конечной нефтеотдачи;

- показано развитие оперативных методов прогноза конечной нефтеотдачи и регулирования систем разработки;

- констатировано широкое применение для прогнозирования вероятностно-статистических мето­дов, характеризующихся низкой надёжностью;

- обоснована необходимость применения качественно новых инструментов прогнозирования – одним из них является метод интеллектуальной обработки информации на основе искусственных нейронных сетей.

  1. Классификация объектов разработки в карбонатных отложениях Башкортостана и юга Пермского края позволила:

- сгруппировать их по основным геолого-физическим показателям, характеризующим качество запасов нефти и выделить три сравнительно однородные группы объектов;

- в пределах выделенных групп провести сравнительный анализ структуры запасов нефти по литологическому и стратиграфическому признакам;

- выявить существенную неравномерность выработки запасов отдельных стратиграфических интервалов карбонатного разреза – наименьшей выработкой характеризуются запасы нефти башкирского и московского ярусов среднего карбона.

  1. Разработана методика оценки влияния геолого-технологических факторов на конечный коэффициент извлечения нефти и эффективность реализуемой системы разработки. Установлено возрастающее влияние на конечный КИН и эффективность выработки запасов нефти технологических факторов при увеличении геолого-физической неоднородности пластов: плотность сетки скважин, компенсация отборов жидкости и активность (жёсткость) системы воздействия.
  2. Формализованы методические приемы использования нейросетевого моделирования для классификации и прогнозирования в нефтедобыче. На основе разработанной методики создана модель прогноза конечного КИН, на которой произведены расчеты по регулированию системы разработки объектов исследования, показавшие высокую прогнозную точность и обобщающую способность модели.
  3. Рекомендуется использовать разработанную методику при оперативном регулировании систем разработки как самостоятельно, так и совместно с гидродинамическим моделированием.

Основные результаты диссертации опубликованы в следующих печатных работах:

  1. Султанов Ш.Х., Блинова О.Н., Варламов Д.И. Перспективы применения методов увеличения нефтеотдачи и интенсификации добычи нефти в карбонатных коллекторах Красноярско-Куединского месторождения // Материалы VI Конгресса нефтепромышленников России «Проблемы освоения трудноизвлекаемых запасов углеводородов»: Науч. тр. – Уфа, 2005. – С. 31-34
  2. Султанов Ш.Х., Варламов Д.И. Оптимизация системы разработки объектов на поздней стадии с помощью нейросетевого моделирования // Тез. Докл. Всерос. науч.-практ. конференции «Большая нефть ХХI века»: Альметьевск: АГНИ, 2006. – С. 232-234
  3. Султанов Ш.Х., Варламов Д.И. Перспективы использования искусственных интеллектуальных систем для решения прикладных задач оптимизации нефтедобычи // Сб. науч. ст. – Уфа: НПФ «Геофизика», 2006. – С. 159-162
  4. Султанов Ш. Х., Варламов Д. И. Совершенствование систем воздействия на объектах нефтедобычи при помощи искусственных интеллектуальных систем // журнал «Технологии ТЭК», 2006 - №6. – С. 70-75
  5. Султанов Ш.Х., Варламов Д.И. Решение прикладных задач с использованием искусственных интеллектуальных систем // Тез. докл. 6-й межд. конф. «Химия нефти и газа» - Томск: Институт Химии нефти СО РАН, 2006. – С. 243-244
  6. Варламов Д.И. Оптимизация разработки карбонатных пластов путем создания нестационарных режимов воздействия // Тез. науч.-практ. конференции «Энергоэффективность. Проблемы и решения» - Уфа: ГУП ИПТЭР, 2006.–С.41-43
  7. Нугайбеков Р.А., Султанов Ш.Х., Варламов Д.И., Чибисов А.В. Сравнительный анализ применения искусственных нейросетей и метода главных компонент при классификации эксплуатационных объектов и прогнозе нефтедобычи // журнал «Нефтяное хозяйство», №10, 2007 г. – С. 70-72
  8. Котенёв Ю.А., Султанов Ш.Х., Варламов Д.И. Состояние выработки запасов нефти крупных многопластовых месторождений в условиях сложного геологического строения (северо-запад Башкирского свода) // Сборник научных трудов «Проблемы освоения трудноизвлекаемых запасов нефти и газа». Выпуск V - Уфа: ЦХИМН АН РБ, 2008. - С. 109
  9. Андреев В.Е., Варламов Д.И. Оперативная оптимизация систем разработки объектов нефтедобычи средствами интеллектуальной обработки информации // Тез. науч.-практ. конференции «Проблемы и методы обеспечения надёжности и безопасности систем транспорта нефти, нефтепродуктов и газа» - Уфа: ГУП ИПТЭР, 2008. – С. 29-31
  10. Султанов Ш.Х., Чибисов А.В., Варламов Д.И. Решение задач классификации при помощи систем искусственного интеллекта // Сборник научных трудов «Проблемы освоения трудноизвлекаемых запасов нефти и газа». Выпуск V - Уфа: ЦХИМН АН РБ, 2008. - С.228-231

Отпечатано в ООО «Выбор»

Лицензия ПД №01006 от 26.04.2001

Министерства Печати РФ

Башкортостан, 450075, г. Уфа

Пр. Октября, 129/3, тел. (347) 235-59-76.

Бумага офсетная, формат 60х84/16.

Отпечатано методом ризографии.

Тираж 100 экз.

Pages:     | 1 |   ...   | 2 | 3 ||






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»