УДК 681.322:517.444
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА АНАЛИЗА И ПРОГНОЗА СОСТОЯНИЯ НЕФТЯНЫХ МЕСТОРОЖДЕНИЙ CERVART.
1, 2
1– Ухта, Ухтинский государственный технический университет
2–Ухта, филиал «Печорнипинефть»
*****@***ru
Рассматриваются интеллектуальная система анализа и прогноза состояния разработки нефтяных месторождений. Для прогноза в системе Cervart применяется элементарная нейронная сеть - двухслойный перцептрон, которая является основным инструментом в достаточно сложной структуре прогноза, объединяющей сотни таких перцептронов.
.
Ключевые слова: нейронные сети, нейрон, скважина, запасы нефти, обучающая выборка, дебит нефти, геолого-технические мероприятия.
Cervart – это компьютерный Робот для анализа и прогноза состояния, разработки нефтяных месторождений. Функционирует полностью автоматически, способен обработать большие количества информации и создать модель любого большого объекта в 2-3 дня.
Система использует методы нечеткой логики, статистики, регрессионного анализа и искусственных нейронных сетей.
Существует понимание, что компьютерный Робот не может работать, так как работает человек. Методы его работы должны быть существенно более абстрактными и математическими. Поэтому здесь нет промежуточных результатов в той форме, к которой привыкли специалисты. Нет зрелищных зависимостей, значимых параметров и ретушированных карт. Форма промежуточных результатов может показаться неожиданной, но это не имеет значения. Важен только конечный результат, который все это учитывает.
Целями системы являются:
- прогноз эффекта геолого-технических мероприятий (любых видов) – средний дебит нефти за первые три месяца;
- подбор скважин-кандидатов для проведения конкретных видов геолого-технических мероприятий;
- выбор наиболее перспективного вида геолого-технических мероприятий для скважины;
- оценка влияния геолого-технических мероприятий в одной скважине на соседние скважины;
- расчет уровней добычи на 18 месяцев вперед;
- оптимизация системы разработки (режимов работы скважин);
- оптимизация системы нагнетания;
- выбор мест для бурения новых скважин или вторых стволов;
- расчет карт изобар на любую дату.
Последовательность расчета нейросетевой модели:
1. Построение нечетко-логической геолого-гидродинамической (proxi) модели;
2. Анализ нескольких сотен тысяч геолого-промысловых зависимостей;
3. Построение нейросетевой модели интерференции всех скважин объекта до 100000 нейронных сетей;
4. Прогноз эффективности геолого-технических мероприятий;
5. Прогноз режимов работы скважин;
6. Расчет уровней добычи;
7. Оптимизация системы разработки.
Система имеет модули расчета, визуализации и работы с СУБД, расчетные модули выполнены на СРР, визуализация и работа с СУБД на Java.
Идеология системы – интегрирование малых значимостей важны не отдельные параметры, а корреляции всего их множества
Для того чтобы искусственные нейронные сети эффективно работали необходимо очень четко и определенно ставить им задачу.
Метод системы Cervart – интегрирование малых значимостей. Мы не ищем сильных параметров и не дискриминируем остальные. Это неустойчиво при 300-400 строках матрицы данных. Используются все 250-300 параметров и главный показатель это не корреляции отдельных параметров, распределение корреляций всей матрицы. Параметры работают все вместе. Чем лучше гистограмма распределения коэффициентов корреляции параметров – тем надежнее прогноз.
В системе Cervart используются нейронные сети простой структуры, каждая из которых решает простую задачу, а общий результат прогноза получается путем суммирования частных результатов элементарных нейронных сетей. Структура нейронных сетей имеет относительно меньшее значение, чем вопрос подготовки параметров для их «обучения». Обычно в нейронные сети подаются не более 20-30 наиболее значимых входных параметров, и эти параметры отбираются различными статистическими методами практически вручную. Но для того чтобы этот отбор был устойчивым необходима выборка по крайней мере в тысячи или десятки тысяч примеров
В системе Cervart применяется другой метод – «суммирования малых значимостей». Мы не выбираем высоко значимых параметров, но подаем все параметры, которые удается подготовить. Система сама выбирает себе набор входных параметров. Подготовка входных параметров идет в два этапа. На первом строится геолого-гидродинамическая модель с тем, чтобы оценить плотность текущих запасов нефти и пластовое давление на момент проведения геолого-технических мероприятий. На втором этапе, на базе модели формируется матрица параметров. Параметры представляют собой различные линейные комбинации или «свертки». Простейшие из них это, например, суммарная добыча нефти до геолого-технических мероприятий. Более сложная – суммарная добыча, взвешенная во времени. Некоторые параметры, в частности функциональные вычисляются с помощью вспомогательных нейронных сетей.
Каждый вид геолого-технических мероприятий «выбирает» себе параметры, которые соответствуют критерию – величина корреляции с целевым параметром должна быть больше порогового значения, которое зависит от объема выборки и определяется по критерию Фишера. Примерно это около 0,1. Как правило, любой вид геолого-технических мероприятий берет значительно меньше параметров, чем имеется в каждой из групп.
В то же время разные виды геолого-технических мероприятий берут, в общем, разные параметры, поэтому приходится формировать заведомо больше параметров, чтобы нашлись подходящие для каждого вида геолого-технических мероприятий и для любой выборки. Разные выборки скважин даже для одного вида геолого-технических мероприятий будут выбирать разные параметры.
Система разделяет все скважины объекта на две группы по любому уровню прогнозного дебита и если выбирать скважины с прогнозным дебитом выше этого уровня – средний прирост дебита возрастет на 10-20%.
Расчет уровней добычи и оптимизация системы разработки.
Имея обученную нейросетевую модель, задавая различные режимы отборов и нагнетания, можно выбрать наиболее эффективный вариант и тем самым оптимизировать систему разработки, в том числе и систему поддерживания пластового давления.
Рисунок 1. Настройка нейросетевой модели.
Сложным моментом является ограниченность обучающей выборки. Корреляции установленные на обучающей выборке, как правило, не сохраняются на тестовой и прогнозной выборках, и отсюда в основном возникают ошибки прогноза.
Коэффициент корреляции по дебитам нефти по скважинам в первые месяцы прогноза составляет около 70%, а в течение года снижается до 51%. Это закономерно – чем дальше срок прогноза, тем ниже корреляция. Оптимально делать прогноз на квартал, тем более что время расчета менее двух суток.
Рисунок 2. ПЦО. Корреляция между прогнозными и фактическими дебитами нефти.
Рисунок 3. Соотношение коэффициентов корреляций обучающей и тестовой выборок для ПЦО.
Отсутствие соответствия между коэффициентами корреляции обучающей и тестовой (прогнозной) выборок свидетельствует о том, что изменились условия проведения геолого-технических мероприятий. Следовательно, опыт проведенных ранее геолого-технических мероприятий такого типа не может быть эффективно использован.
На рисунке 3 показано, что именно такая ситуация возникла для ПЦО, где нет связи между коэффициентами корреляций обучающей и тестовой выборок, в то время как для РИР ситуация более благоприятная, здесь такая связь отчетливо прослеживается. В конечном счете, это привело к тому, что тест по РИР дал лучшие результаты, чем тест ПЦО.
Литература
С. Хайкин, «Нейронные сети», Москва – Санкт - Петербург – Киев, 2006. И, , Ошкарин работы скважин с помощью искусственных нейронных сетей.// Нефтяное хозяйство №10, 2002 г., с 92-98.INTELLIGENT SYSTEM ANALYSIS AND PREDICTION OF OIL FIELDS CERVART
V. I. Serkova1, S. O. Ursegov 2
1 - Ukhta, Ukhta State Technical University
2-Ukhta, "Pechornipineft"
Discusses intelligent system for analysis and forecast of the state of development of oil fields. To predict the system Cervart applies basic neural network two-layer perceptron, which is the main instrument in a fairly complex structure prediction, combining hundreds of such perceptrons
