авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 | 2 ||

Оперативное регулирование разработки залежей нефти методами нейросетевого моделирования

-- [ Страница 3 ] --

К пласту Бш1 приурочена единая залежь нефти, которая в пределах принятого ВНК –855 - –859 м имеет размеры 21,55,2-11,5 км, этаж нефтеносности 51,3 м. Тип залежи пластовый, сводовый. Доля объема пласта от общего: нефтяной зоны - 63%, водонефтяной – 37%. Отношение эффективной толщины к общей составляет в среднем 0,34, расчленённость изменяется от 1 до 7, составляя в среднем 6.

В пласте Бш2 выделяется несколько залежей нефти, ограниченных ВНК –855 - –859 м. Размеры залежей составляют 0,3 – 10,90,2 – 5,8 км, этаж нефтеносности 41,3 м. Отношение эффективной толщины к общей составляет в среднем 0,34, расчлененность изменяется от 1 до 8, среднее значение 6.

Пластовое давление в зоне ВНК и в зоне отбора выше давления насыщения. Режим разработки основных залежей нефти - водонапорный.

В разрезе башкирского яруса преобладают биоморфные и детритово-биоморфные известняки, представленные преимущественно водорослевыми и фораминиферовыми разностями. Они же, чаще других, бывают коллекторами.

Коллекторские свойства пород башкирского яруса освещены 220 определениями пористости и 139 – проницаемости. Максимальные их значения для пласта Бш1 равны 27% и 0,414 мкм2; максимальные для пласта Бш2 – 25% и 0,532 мкм2.

Для нефтенасыщенной части пластов Бш средняя пористость равна 14,1%, проницаемость 0,101 мкм2.

Нефть башкирских пластов описана по собственным глубинным пробам из скважин, расположенных на всех поднятиях. В целом по залежам пластов Бш приняты следующие параметры: давление насыщения 7,14 МПа, газонасыщенность 27,7 м3/т, вязкость 12,9 мПа*с, объёмный коэффициент 1,056, поверхностная нефть башкирских пластов тяжелая - от 0,883 до 0,904 т/м3, высокосмолистая, высокосернистая, парафинистая. Газы, растворённые в нефти, низкометановые, среднеазотные, высокожирные, содержат сероводород от 0,1 до 0,8%.

В результате проведенного геолого-промыслового анализа можно заключить:

1. Наивысшая эффективность системы разработки отмечается в зонах, с высокой плотностью сетки эксплуатационных скважин, с благоприятной фильтрационно-емкостной характеристикой и высокими начальными геологическими запасами нефти.

2. Недостаточная эффективность системы разработки залежей пласта Бш2 по сравнению с таковой залежи пласта Бш1 объясняется совокупностью геологических и технологических факторов: отношение запасов ЧНЗ к общим запасам (Бш1 - 0,67, Бш2 - 0,18), плотность сетки скважин (Бш1 - 42,2 Га/скв., Бш2 от 64,5 до 132,8), доля перфорированной продуктивной толщины (Бш1 - 0,92, Бш2 – 0,6).

3. Не достаточно эффективна система воздействия на ВНЗ залежей и зон, прилегающих к фронту нагнетания с высокой послойной неоднородностью.

4. Систему разработки залежи пласта Бш1 в пределах северной площади можно характеризовать как эффективную. Значительно меньшей эффективностью характеризуется система разработки южной площади и залежей пласта Бш2.

5. Значительно снижает эффективность системы разработки и воздействия отставание с вводом эксплуатационных скважин и неравномерность в распределении объемов закачиваемой воды в пределах южной площади.

Для дифференцированного геолого-промыслового анализа в пределах рассматриваемых залежей выполнено обоснование границ участков на основании комплексного учета основных геологических и технологических факторов, характеризующих систему разработки: приуроченность к различным зонам залежи, реализуемая система воздействия (блоковая, площадная, избирательная, очаговая), плотность и система размещения скважин, характер распределения скважин по площади. Проведенный выбор эксплуатационных участков по рассмотренным критериям позволяет надеяться на репрезентативность выборки и на возможность на ее основе разрабатывать модели прогнозирования конечной нефтеотдачи.

В итоге было выделено 18 участков. Для выделенных участков были определены текущие значения 26 основных геолого-технологических параметров.

Для оценки влияния геолого-технологических факторов на нефтеотдачу были проведены корреляционный и функциональный анализы, показавшие наличие различных – линейных и нелинейных – зависимостей. При этом важно отметить, что с увеличением геолого-физической неоднородности участков возрастает влияние технологических факторов на нефтеотдачу, особенно ярко проявляющееся на заключительных стадиях разработки. К тому же многие зависимости имеют более высокий коэффициент корреляции при аппроксимации нелинейными функциями, что значительно усложняет применение линейных методов анализа.

Кроме того, влияние указанных факторов оценивалось на стадии подготовки к обучению нейронной сети. В результате была разработана методика оценки влияния геолого-технологических факторов на нефтеотдачу путём анализа весовых коэффициентов соответствующих факторов.

Центральные зоны залежей, имеющие высокие продуктивные толщины, повышенную расчлененность, и как следствие повышенную геолого-физическую неоднородность, характеризуются более плотной сеткой скважин, более жесткой системой воздействия и высокими значениями компенсации отборов жидкости, и как следствие хорошей выработкой запасов нефти.

Основные факторы, снижающие эффективность процесса нефтеизвлечения, - это система размещения скважин, неадекватная высокой геолого-физической неоднородности объекта, низкая плотность сетки по периферийным зонам (ВНЗ), где сосредоточено около 30% начальных геологических запасов (НГЗ) нефти, неравномерно распределенная по площади компенсация отборов. Значительная часть запасов нефти в активную разработку не введена.

Установлено, что процесс нефтеизвлечения контролируется множеством факторов. При этом указанное множество факторов характеризуется наличием сложной системы взаимовлияния и взаимозависимости, описать которую широко используемыми на сегодняшний день системами многофакторного анализа (линейной регрессии), при соблюдении требуемого уровня точности и качества, представляется практически невыполнимой задачей.

В четвёртой главе приводятся общие сведения об искусственных нейронных сетях, методология их применения для прогнозирования конечного коэффициента извлечения нефти и оперативного регулирования системы разработки, а так же рекомендации по применению нейронных сетей в прогнозировании и классификации в нефтедобыче.

Задачи прогнозирования и идентификации занимают ключевые места в общей проблеме управления. Возможности ее решения рассматриваются в применении новых информационных технологий, составной частью которых являются интеллектуальные средства обработки информации. Такими средствами в современных информационных технологиях являются искусственные нейронные сети (ИНС), применение которых дает возможность создания качественно новых аппаратных и программных средств, позволяющих существенно расширить классы решаемых задач и повысить точность их решения.

Основной элемент нейросистем стандартный формальный нейрон - составлен из входного сумматора, нелинейного преобразователя и точки ветвления на выходе. Входной (адаптивный) сумматор вычисляет скалярное произведение вектора входного сигнала х на вектор параметров . Нелинейный преобразователь сигнала получает скалярный входной сигнал х и переводит его в (х). Точка ветвления служит для рассылки одного сигнала по нескольким адресам.

При построении нейронных сетей используются несколько стандартных архитектур. Выделяются две базовых архитектуры нейронных сетей – слоистые (однонаправленные) и полносвязные (рекурентные) сети.

В контексте ИНС процесс обучения может рассматриваться как настройка архитектуры сети и весов связей для эффективного выполнения специальной задачи. Обычно нейронная сеть должна настроить веса связей по имеющейся обучающей выборке. Функционирование сети улучшается по мере итеративной настройки весовых коэффициентов в процессе обучения. Существуют три парадигмы обучения: "с учителем", "без учителя" (самообучение) и смешанная.

Перед моделированием необходимым этапом является подготовка входных данных, выбор архитектуры сети, алгоритма обучения и его параметров.

В данном случае была выбрана архитектура сети, отвечающая поставленной задаче – сеть прямого распространения на базе многослойного перцептрона, и основной алгоритм обучения – метод обратного распространения ошибки в виде пакетной (групповой) реализации алгоритма градиентного спуска.

Кроме того, было выполнено увеличение количества объектов наблюдения путем определения значений технологических показателей на различные даты с целью повышения качества обучения нейронной сети.

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.

  Сопоставление прогнозных и фактических значений КИН обучающей выборки (ОВ) -3

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

  Сопоставление прогнозных и фактических значений КИН тестовой выборки (ТВ) В-4

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., В

    Pages:     | 1 | 2 ||
     





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.