УДК 681.322:517.444

Расчет уровней добычи нефти с помощью нейросетевой модели

Calculation using production level neural network model

Серкова В. И.

Serkova V.I.

Ухтинский государственный

технический университет, г. Ухта

Ukhta State

Technical University, Ukhta

Построена нейросетевая модель, которая использует одновременно и гидродинамическую модель и историю работы скважин и в ее основе лежит расчет интерференции скважин. Для каждой скважины создает отдельный с каскад из 13 нейронных сетей в которой можно подать 27 входных параметров, в которые входят как данные гидродинамической модели в окрестности данной скважины, так и фактические параметры работы окрестных добывающих скважин.

Constructed neural network model that uses both hydrodynamic model and history of working wells and it is based on the calculation of the interference of wells. For each well, to create a separate stage of the 13 neural networks in which it is possible to apply 27 input parameters that include the data of the hydrodynamic model in the vicinity of the wells, and the actual parameters of the surrounding wells.

Ключевые слова: гидродинамическая модель, нейросетевая модель, нейросетевой каскад, перцептрон, дебит нефти, дебит газа.

Keywords: hydrodynamic model, neural network models, neural network cascade perceptron, oil flow rate, gas flow rate.

Сама по себе балансная гидродинамическая модель не позволяет прогнозировать уровни добычи, ведь в нее нужно в качестве входных параметров задавать не дебиты, а объемы отбора нефти, воды и закачки, которых мы не знаем и которые как раз и должны прогнозировать. Поэтому для прогноза уровней добычи на базе гидродинамической строится нейросетевая модель.

Здесь мы исходим из того соображения, что любой специалист при планировании разработки не ограничится только анализом гидродинамической модели, но и посмотрит как работают скважины. Таким образом, он соединяет в своей работе модель со скважинами. Именно это делает нейросетевая модель.

Проблема соединения гидродинамической модели со скважинами не является простой. Для этого используется общая формула Дюпюи, которая не позволяет в должной мере учесть особенности конкретных скважин. Для того чтобы исправить этот недостаток используется множество поправочных коэффициентов, но не особенно понятно как их правильно задавать.

Нейросетевая модель использует одновременно и гидродинамическую модель и историю работы скважин и в ее основе лежит расчет интерференции скважин.

Для каждой скважины создается отдельный каскад из 13 нейронных сетей (рис.1), в который можно подать 27 входных параметров, включающих как данные гидродинамической модели в окрестности данной скважины, так и фактические параметры работы окрестных добывающих скважин (дебиты нефти, обводненность, накопленные отборы жидкости). При этом каждая скважина выступает как в главной роли – центра своего нейросетевого каскада, так и в роли сателлита, входящего в каскады окрестных скважин.

В результате мы имеем разновидность сложного нейросетевого поля, где все скважины прямо или опосредствованно связаны между собой, так что изменение режима работы любой из них повлияет, прежде всего, на ближайшие к ней, и в меньшей степени на более удаленные.


Рисунок 1 – Нейросетевой кумулятивный каскад одной скважины

Нейросетевую модель можно представить как систему нелинейных уравнений, определенных нейронными сетями, в которых уравнений столько же, сколько и добывающих скважин [1]. Для рассматриваемой в данной работе залежи нейросетевая модель состоит из 971 уравнения.

Уравнения построены на соединении двух моментов времени. Дебит каждой скважины на момент времени (t) зависит от предыдущего дебита этой скважины, на момент (t-1) и от текущих дебитов окрестных скважин на момент (t). [2] При этом текущих дебитов мы не знаем и они для каждой скважины стоят в левой части ее уравнения как неизвестное, которое надо определить. И в то же время это неизвестное является входным параметром для уравнений соседних скважин.

Такая система решается итерационным путем. Вначале можно задать любые дебиты, проще всего переходящие, а затем проводятся итерации таким образом, чтобы получить на выходе те же дебиты, которые мы подаем на вход (рис. 2).

Этот метод прогноза основан на выявлении взаимоотношений элементов в системе. Эти взаимоотношения более устойчивы, чем поведение отдельных элементов, поэтому они позволяют прогнозировать поведение системы в будущем.

Под взаимоотношением элементов понимается интерференция скважин, которая реализована в системах нейросетевых уравнений скважин. В процессе настройки систематически пересчитывается и
гидродинамическая модель на прогнозируемые месяцы. Для этого мы имеем полученные из нейросетевой модели объемы отбора нефти и воды. Закачка планово задается.


Рисунок 2. График настройки нейросетевой модели.

Формируется две взаимосвязанных системы нейросетевых уравнений, одна для дебитов нефти, вторая для дебитов жидкости.[3]

В нейросетевой модели также вычисляется коэффициент падения дебита на основе тех участков истории работы скважин, на которых не было ГТМ и где наблюдалось падение дебитов нефти и жидкости. Дебит нефти падает в результате роста обводненности или за счет падения дебита жидкости при условии снижения пластового давления в окрестности скважины, либо потери подачи насоса по мере его износа.

Коэффициенты падения рассчитываются с помощью «глобальных» нейронных сетей, которые формируются на базе «эталонных» скважин. Такие скважины должны проработать не менее 5 лет и достигнуть обводненности не менее 60% и динамика истории которых соответствует теоретическим представлениям о работе скважины – рост обводненности хорошо описывается логистической функцией.

Для стабилизации «модели добычи» формируется и обучается две глобальных нейронных сети:

  • падения дебита нефти
  • падения дебита жидкости

Эти две нейронных сети предполагают стабилизацию прогноза в виде монотонного падения всех параметров. В принципе стабилизация может иметь только три варианта: рост, падение или неизменное состояние. Практика показывает, что неизменное состояние маловероятно, роста не может быть без мероприятий, следовательно, монотонное падение наиболее вероятный сценарий. Анализ динамики дебитов для залежи показывает, что дебиты нефти снижаются от предыдущего месяца к последующему в 52% случаев. Для дебитов жидкости такого явного падения не наблюдается (около 50%), но здесь мы не можем учесть проводимые мероприятия. Задавая тренд падения дебитов, мы предполагаем, что мероприятий не проводится и система работает по инерции.

Моделируется ситуация, что если скважина работает без вмешательства извне, то дебиты нефти и жидкости должны постепенно снижаться. Целевые параметры – дебиты нефти или жидкости, входные – два из истории работы скважины, и пять сняты с гидродинамической модели в окрестности скважины. Это верно для всех трех нейронных сетей.[4]

При этом отбираются только такие пары дебитов, где последующий меньше предыдущего. Причем для повышения устойчивости берутся средние значения за три месяца со сдвигом на месяц. Если среднее по первой тройке больше, чем среднее по второй тройке, то такие средние отбираются в выборку. Набирается таких пар относительно немного, учитывая стохастический характер временных рядов истории работы скважин. Для каждой скважины формируется два каскада, каждый из которых имеет девять перцептронов во входном слое и соответственно на него подается 27 входных параметров. Целевыми параметрам в первом каскаде является текущий дебит нефти, во втором – текущий дебит жидкости.

Обучение нейронных сетей скважин. Каждая скважина имеет два каскада из 13 нейронных сетей каждый, один для дебита нефти, второй для дебита жидкости. Эти каскады позволяют моделировать отношения скважины с моделью, со своей предыдущей историей и с окрестными добывающими и нагнетательными скважинами. Всего для залежи сформировано и обучено около 26000 нейронных сетей. Для этого обучения требуется порядка 12 часов при четырех расчетных узлах. При этом, как правило, достигается хорошая настройка каждой скважины на свою историю (рис. 3).


Рисунок 3 – График сопоставления расчетной и фактической динамики дебита жидкости для скважины 4051.

Нейросетевой каскад способен описать сложные нелинейные функции взаимодействия скважины с гидродинамической моделью и окрестными скважинами одновременно. При этом у каждой скважины своя функция, а не одна и та же, как в обычной гидродинамической модели. И если можно сказать, что регламентная модель построена более детально, в ней больше слоев и больше использовано граничных условий, то сложность функции связывающей скважину и модель компенсирует это упрощение и при этом соблюдается полная объективность, без всякой ручной адаптации.

Для расчета уровней добычи необходимо составить план работы скважин в течение прогнозируемого периода. Этот период может быть максимум 18 месяцев с тем, чтобы начиная со второй половины года можно было планировать уровни добычи на следующий год. В плане работы для каждой скважины указывается в какие периоды она будет работать, а когда стоять. А также указываются планируемые мероприятия. Для нагнетательных скважин указывается и плановая приемистость. Дебиты нефти и жидкости для переходящих скважин берутся по последнему рабочему месяцу с учетом вычисленного коэффициента падения.

Если на скважине планируется мероприятие, то для них система рассчитывает прогнозные дебиты нефти и жидкости на месяц проведения мероприятия и дальше эти параметры снижаются согласно коэффициенту падения. Это начальные условия для решения системы нейросетевых уравнений. Нейронные сети в момент этого решения уже обучены и не меняются.[5]

Когда мы в первый раз подаем инициализированные в плане дебиты, то на выходе получаем существенно другие значения. Это означает, что заданные в планах дебиты не соответствуют свойствам системы. Но в процессе итераций все заранее инициализированные дебиты нефти и жидкости меняются так чтобы добиться того, чтобы мы получили в результате решения такие же дебиты, какие подали на вход. Это означает, что такие дебиты соответствуют внутренним свойствам системы и тотальной интерференции скважин.

Изменяя систему закачки, набор мероприятий и состав активного фонда можно получать различные варианты уровней добычи, из которых можно выбрать наиболее оптимальный.

При тестирование такой сложной компьютерной модели нужно ясно представлять — что такая модель способна показать. Нельзя ожидать, что модель точно покажет работу каждой скважины, прежде всего, потому, что фактическая история работы неизвестна. Подогнать результат в этой модели невозможно. Поэтому тестирование в большей степени должно показать свойства модели и определить возможности ее использования.

Получена достаточно хорошая корреляция расчетной и фактической добычи нефти по скважинам. В целом расчетная добыча — меньше фактической.

В настоящий момент модель в недостаточной степени учитывает переводы скважин на другие объекты и соответственно прогнозирование работы скважин, у которых нет еще достаточной истории работы на данном объекте. Мы предполагаем исправить это в процессе дальнейшей работы. В сущности это уже процесс детализации расчета модели, но прежде чем к ней приступить нужно убедиться, что в целом модель работоспособна и дает по крайней мере грубое приближение. Тогда ее можно усилить и получить более детальное, лучшее приближение.

Список литературы

  1. С. Хайкин. «Нейронные сети». Москва – Санкт-Петербург – Киев, 2006.
  2. Соломатин Г. И, ЗахарянА. З., Ошкарин Н.И. Прогнозирование работы скважин с помощью искусственных нейронных сетей // Нефтяное хозяйство №10, 2002 г., с 92-98.
  3. Тихонов А. Н., Арсенин В. Я. Методы решения некорректных задач. 2 изд. М. Наука, 1979.
  4. T. Kohonen, «Self-organized formation of topologically correct feature maps», Biological Cybernetics, Vol. 43, pp.59-69, 1982.
  5. Нейрокомпьютерное моделирование при прогнозировании коллекторских свойств по результатам стохастической инверсии. Гриценко А.М., ОАО «ЦГЭ», г. Москва, Россия 10.2006, SPE 102302

     

    Статья поступила в редакцию: 30.03.2012

VN:F [1.9.17_1161]
Rating: 0.0/10 (0 votes cast)
VN:F [1.9.17_1161]
Rating: 0 (from 0 votes)
VN:F [1.9.17_1161]
Стиль изложения
Информативность
Сложность вопроса
Научная новизна
Коммерциализуемость
Rating: 2.2/5 (1 vote cast)