WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 |

Процесс обработки результатов гидродинамического исследования скважины состоит из двух основных этапов. Первый – выбор модели пласта, второй – расчет фильтрационных параметров. На современном этапе благодаря развитию численного моделирования исследователь имеет возможность рассмотреть очень большое количество различных моделей. Наиболее распространенным подходом в настоящее время является сопоставление фактической кривой с рядом модельных и выбор той из них, с которой наблюдается наибольшее соответствие. Сопоставление, как правило, выполняется визуально, т.е. исследователь должен сравнить фактическую кривую с каждой из возможных моделей. В случае, когда количество моделей ограниченно или их круг можно сузить за счет имеющейся априорной информации, обработка нескольких кривых не представляет значительной трудности. Однако нередко, особенно на ранних стадиях разведки и разработки, возникает необходимость рассмотрения широкого круга моделей. Информации для того, чтобы отдать какой-то из них предпочтение недостаточно. Также может иметь место необходимость сопоставить с новой моделью большое количество ранее снятых кривых, хранящихся в базе данных. В этих ситуациях процедура сравнения фактических и эталонных кривых может привести к значительным затратам времени или привлечению дополнительного количества специалистов.

В работе рассмотрена возможность применения инструментария искусственных нейронных сетей (ИНС) для выбора наиболее подходящей модели пласта по фактической кривой восстановления давления. По сути дела задача выбора модели – это задача классификации. Из литературных данных известно, что в ряде отраслей задачи классификации успешно решаются путем применения ИНС. Вместе с тем применение нейросетевых алгоритмов допускает большое количество подходов к решению подобной задачи. На данный момент не существует общих правил по выбору архитектуры сети для решения той или иной задачи. В связи с этим немаловажное значение представляет выбор архитектуры сети (количество слоев, вид функции активации) и алгоритма обучения сети.

В работе рассмотрено применение нескольких вариантов архитектур для решения задачи классификации кривых восстановления давления. Обучение сети проведено по алгоритму обучения с учителем. В качестве обучающего набора данных использовался ряд модельных кривых восстановления давления.

В табл. 2 приведен перечень моделей, которые использовались для обучения сети (в формулах таблицы: P - давление, t - время, c - константа).

Таблица Модели пласта для формирования обучающего множества Иллюстрация Аналитическое Вид модели модели решение Линейный P фильтрационный = 0,5ct0,ln t ( ) поток Билинейный фильтрационный P = 0,25ct0,поток ln t ( ) Сферический фильтрационный P =-0,5ct0, ln t ( ) поток Радиальный фильтрационный P = 0, ln t ( ) поток Влияние ствола скважины P t = ln t c ( ) Модельные кривые приводились к безразмерному виду, а затем использовались для обучения сети. Для этого каждой модели было сопоставлено числовое значение. Обучение сети состояло в подаче на входы сети точек модельных кривых. После того, как ошибка обучения сети (т.е.

разница между тем числовым значением, которое выдает сеть и тем, что было задано для данной модели) снижалась до заданного заранее уровня, процесс обучения считался завершенным и проводился экзамен сети. Экзамен заключался в подаче на входы сети кривой восстановления давления, не использовавшейся для обучения, и проверке – правильно ли сеть классифицирует кривую. Общий объем обучающего множества составлял кривых восстановления, по 30 кривых для каждой из моделей.

Экзаменационное множество состояло из 50 кривых, по 10 для каждой из моделей. В табл. 3 представлены результаты обучения и тестирования сети для нескольких вариантов архитектур. Создание, обучение и тестирование искусственной нейронной сети проведено с помощью модуля Neural Analyzer аналитического пакета Deductor производства компании BaseGroup Labs. Для анализа использовалась свободно распространяемая версия пакета Neural Analyzer 2.0 Lite.

Проведенные расчеты показали, что искусственная нейронная сеть может успешно применяться для определения модели пласта по кривой восстановления давления. В табл. 3 приняты следующие обозначения:

• а – крутизна сигмоиды;

• величины в скобках столбца 3 – скорость и момент обучения;

• значения в скобках столбца 4 – количество нейронов в слое (первая цифра – в первом слое, вторая – во втором и т.д).

Таблица Результаты обучения и экзамена сети Качество обучения Результаты Вариант Количество Количество (%распознанных экзамена (% Активацион- Алгоритм архитек- скрытых циклов примеров на распознанных ная функция обучения туры слоев обучения обучающем/ примеров /макс тестовом отклонение) множествах) 1 2 3 4 5 6 1 Сигмоид Обратное 2 (8, 8) 630 100 /100 100/0,(a=1) распространение ошибки (0,1, 0,9) 2 Сигмоид Обратное 1 (10) 1500 38,3/36,7 Нет экзамена (a=1) распространение ошибки (0,1, 0,9) 3 Сигмоид Обратное 1 (20) 1333 98,3/100 100/0,(a=1) распространение ошибки (0,1, 0,9) 4 Сигмоид Обратное 1 (30) 1500 52/40 Нет экзамена (a=1) распространение ошибки (0,1, 0,9) 5 Сигмоид Обратное 1 (40) 1021 90/100 100/0,(a=1) распространение ошибки (0,1, 0,9) 6 Сигмоид Обратное 2 (8, 6) 462 95/100 100/0,(a=1) распространение ошибки (0,1, 0,9) В третьем разделе «Регуляризация обратных задач гидродинамических исследований скважин» описываются теоретические основы методов регуляризации некорректно поставленных задач, приводятся примеры подобных задач, возникающих при обработке кривых восстановления давления, представлен метод их решения с помощью регуляризирующего алгоритма.

После того как определена модель пласта, к которой относится конкретная кривая восстановления давления, необходимо определить фильтрационные параметры. Распространенным подходом является линеаризация кривой восстановления в тех или иных координатах и дальнейшее определение параметров этой линейной зависимости методом наименьших квадратов (МНК).

Как известно, определение параметров по методу наименьших квадратов сводится к решению уравнения вида A z = u, (1) где z – искомые переменные;

Au – параметры.

, В тех случаях, когда матрица A оказывается плохо обусловленной, решение задачи оказывается некорректно поставленным. В этих случаях малое изменение параметров в правой части уравнения (1) может привести к значительному разбросу полученных результатов. На рис. 3 приведен пример плохой обусловленности при обработке кривой восстановления давления методом касательной. Здесь вверху показана кривая восстановления давления, снятая на забое добывающей нефтяной скважины, а внизу – обработка кривой восстановления методом касательной. На кривую был наложен случайный шум, интенсивность которого не превышает чувствительности прибора. Различным реализациям шума соответствуют различные прямые на этом рисунке. Видно, что незначительное изменение в исходных данных приводит к значительным изменениям параметров прямой. Так как по параметрам прямой рассчитываются фильтрационные характеристика продуктивного пласта, то некорректность задачи приводит к значительным вариациям в получаемых значениях фильтрационных характеристик.

18,18,18,18,18,18,18,18,0 500 1000 1500 2000 2500 3000 время, с 0,0,0,y = 0,0112x + 0,0,0,0,0,y = 0,0095x + 0,0,0,0,ln t Рис. 3. Кривая восстановления давления (1) и обработка ее методом касательной (2) (скважина 51 Ираель).

Для решения подобных задач в работе применен метод регуляризации А.Н. Тихонова. Суть метода состоит в минимизации функционала % M = Az - u + z, (2) ( ) где – неточно заданная правая часть;

– стабилизирующий функционал;

- параметр регуляризации.

давление, МПа dP, МПа Стабилизирующий функционал определяется выражением z = z - z0, (3) ( ) где z0 – первое приближение.

Как видно из формул (2) и (3) для применения регуляризирующего алгоритма необходимо наличие априорной информации ( z0 ). В качестве априорной информации могут выступать, например, фильтрационные параметры пласта, определенные по анализу кернов или определенные по более ранним гидродинамическим исследованиям. В данном случае использовался второй вариант.

В табл. 4 представлен результат применения регуляризирующего метода к обработке ряда кривых восстановления давления. Анализ таблицы показывает, что применение метода регуляризации существенно уменьшает вариации в результатах обработки.

Таблица Результаты регуляризации обработки кривых восстановления давления Первое Угол Отрезок Угол Отрезок приближение МНК МНК регуляриз. регуляриз.

Скважина угол отрезок мин. макс. мин. макс. мин. макс. мин. макс.

3 Мастерьель 0,0864 0,2969 0,099 0,62 0,046 0,194 0,1 0,102 0,167 0,1 Юж. Терехевей 0,247 0,578 0,163 0,233 0,694 1,329 0,224 0,271 0,359 0,502 Ираель 0,115 0,346 0,216 0,311 0,51 1,347 0,322 0,329 0,355 0,51 Ираель 0,13 3,00 0,013 0,172 2,583 4,176 0,105 0,156 2,742 3,51 Ираель 0,172 0,538 0,143 0,185 0,436 0,764 0,155 0,191 0,387 0,На основании проведенных расчетов сделан вывод о том, что применение регуляризирующих алгоритмов позволяет получить более надежное значение искомых параметров.

Четвертый раздел диссертации посвящен описанию созданной автоматизированной информационной системы для обработки кривых восстановления давления в газовых скважинах - «Поллард-Газ-КВД». Система была создана с целью автоматизации процесса обработки кривых восстановления давления методом Полларда.

Согласно модели П. Полларда, кривую восстановления давления в трещиновато-пористых газовых коллекторах можно представить аддитивноэкспоненциальной моделью вида n t Р2 - Р2 t = Ai exp -, (4) ( ) пл с i i= где n обычно равно трем;

Pпл и Pc t ( )– пластовое и забойное давления;

Ai – предэкспоненциальные коэффициенты;

i – характерные времена процессов.

При t = 0 имеем P2 - Рc 0 = Ai =P12 +P22 +P32. (5) ( ) пл i=Уравнение (5) означает, что первоначальный перепад квадратов давления, наложенный на газовый трещиновато-пористый пласт, складывается из трех слагаемых, а именно:

P12 – перепад меду пластовым и средним давлением в трещинах всей зоны дренирования (при закрытии скважины скорость его убывания во времени зависит от скорости перетока газа из пористых блоков в трещины);

P22 – перепад давления, затрачиваемый на преодоление гидравлических сопротивлений при движении газа в трещинах до окрестностей скважины;

P32 – перепад между давлением в окрестностях скважины и давлением на стенке скважины, обусловленный скин-эффектом.

Процесс обработки КВД по методу Полларда состоит в определении значений предэкспоненциальных коэффициентов и характерных времен.

Разработанная система “Поллард-Газ-КВД” предназначена для расчета гидродинамических параметров пласта различными методами обработки кривой восстановления давления. В системе реализованы следующие методы обработки КВД: метод Хорнера, метод касательной (в рамках закона Дарси), метод касательной (при нарушении закона Дарси), метод Полларда, а также предусмотрен пересчет кривой восстановления, в результате которого учитывается влияние ствола скважины на темп восстановления давления.

В системе автоматизированы следующие функции:

• ввод, хранение, редактирование данных кривой восстановления давления (массив времен и давлений) и данных о скважине, на которой произведен замер КВД, включая эксплуатационные характеристики скважины и данные, полученные в результате предшествующих исследований скважины;

• визуализация КВД в табличном и графическом представлении;

• обработка КВД методами Хорнера, касательной и Полларда с сохранением результатов обработки в базе данных;

• пересчет КВД с целью учета влияния ствола скважины;

• формирование информационного отчета о процессе обработки и результатах обработки КВД, содержащего также полные сведения о скважине и ее конструкции, с возможностью вывода отчета на печать и сохранения в файле.

Достоинства разработанной системы:

• возможность более гибкого сглаживания исходных данных двумя способами, что обеспечивает получение более адекватной дифференциальной кривой для прогнозирования истинного значения пластового давления;

• возможность учета влияния ствола скважины;

• возможность оценки гидравлических потерь в призабойной зоне пласта.

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ 1. Методами фрактального анализа временных рядов установлено, что колебания давления на забое фонтанных скважин имеют детерминированный характер.

2. Показано, что задача определения модели пласта по кривой восстановления давления может рассматриваться как задача классификации.

3. Установлено, что для решения задачи классификации кривой восстановления давления могут быть применены методы, основанные на искусственных нейронных сетях.

4. Установлено, что в тех случаях, когда задача определения фильтрационных параметров пласта по КВД оказывается некорректно поставленной, для ее решения может быть применен метод регуляризации по А.Н. Тихонову.

5. Разработана АИС для обработки кривых восстановления давления, снятых в газовых скважинах, позволяющая автоматизировать процесс обработки КВД методом Полларда.

Основное содержание диссертации опубликовано в следующих печатных работах.

1. Рочев А.Н. О применении механических и электронных манометров при исследовании скважин / А.Н. Рочев, А.Н. Ирбахтин // Тезисы докладов Межрегиональной молодежной научной конференции «Севергеоэкотех – 2002» (Ухта, 19-21 марта, 2002 г). – Ухта, 2002. - С. 69-70.

2. Соколов В.А. Оценка эффективности воздействия на пласты при разработке трудноизвлекаемых запасов / В.А. Соколов, А.Н. Смирнов, А.Н. Рочев // Материалы I Всероссийской геофизической конференции-ярмарки «Техноэкогеофизика - новые технологии извлечения минерально-сырьевых ресурсов в XXI веке» (Ухта, 1-5 октября 2002 г.). Под ред. акад. РАЕН О.Л. Кузнецова. – Ухта: Ухтинский государственный технический университет, 2002. – С.151-157.

3. Соколов В.А. Прогнозирование колебательных и хаотических режимов работы пластов и скважин / В.А. Соколов, А.Н. Смирнов, А.Н. Рочев // Доклады 5-ой международной научно-практической конференции «Хазарнефтегазятаг – 2002» (Баку, 18-19 ноября 2002 г.). – Баку, 2002. – С.241-252.

4. Соколов В.А. Мягкая эволюционная синергетическая трехмерная модель для расчета сценариев воздействия на пласт / В.А. Соколов, А.Н Смирнов, А.Н. Рочев // Азербайджанское нефтяное хозяйство. – Баку, 2003.

– № 1. – С.1-7.

Pages:     | 1 || 3 |






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