CC BY
52
УДК 532.133.622.69.534-8
https://doi.org/10.24412/0131-4270-2021-2-3-81-88
АВТОМАТИЗИРОВАННЫЙ КОМПЛЕКС НЕФТЯНЫХ СКВАЖИН НА ОСНОВЕ УЛЬТРАЗВУКОВОЙ ТЕХНОЛОГИИ ДЛЯ УВЕЛИЧЕНИЯ ПРОДУКТИВНОСТИ СКВАЖИН И СНИЖЕНИЯ ЗАТРАТ НА ДОБЫЧУ
ULTRASONIC AUTOMATED OIL WELL COMPLEX FOR WELL PRODUCTIVITY GROWTH AND PRODUCTION COSTS REDUCTION
Д.А. Байбаров
Тюменский индустриальный университет, 625000, г. Тюмень, Россия ORCID: https://orcid.org/0000-0001-7932-5104, E-mail: dmitrijbajbarov@gmail.com
Резюме: Предложена математическая модель, объединяющая алгоритмы нейронных сетей и градиентного усиления для выбора оптимального метода повышения нефтеотдачи при использовании ультразвуковых технологий, а также для прогнозирования добычи нефти на месторождении в первые пять лет реализации проекта. Полученные результаты показывают корреляцию 70% для классификационной нейронной сети и 73% для генетического алгоритма в тестовой базе данных. Разработанная модель позволяет испытать возможности, которые имеет искусственный интеллект в нефтегазовой отрасли, и его уникальные способности в прогнозировании переменных для оптимизации процессов. Использование оптимального метода повышения нефтеотдачи с самого начала разработки месторождения может повысить прибыльность в долгосрочной перспективе. Разработанное программное обеспечение для скрининга упрощает принятие решений операторами при осуществлении метода термического увеличения нефтеотдачи для разработки месторождений тяжелой и сверхтяжелой нефти.
Ключевые слова: нефть, нефтедобыча, ультразвуковой комплекс, нейронная сеть, генетический алгоритм, опытно-промышленные испытания.
Для цитирования: Байбаров Д.А. Автоматизированный комплекс нефтяных скважин на основе ультразвуковой технологии для увеличения продуктивности скважин и снижения затрат на добычу // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2021. № 2-3. С. 81-88.
D0I:10.24412/0131-4270-2021-2-3-81-88
Dmitriy A. Baybarov
Tyumen Industrial University, 625000, Tyumen, Russia ORCID: https://orcid.org/0000-0001-7932-5104, E-mail: dmitrijbajbarov@gmail.com
Abstract: This study proposed a mathematical model combining neural network and gradient amplification algorithms to (1) select the optimal method for improving oil recovery when using ultrasonic technology and (2) predict oil production in the field during the first five years of the project. The data obtained from the experiment showed a correlation of 70% for the classification neural network and 73% for the genetic algorithm in the experimental database. The developed model provided an opportunity to test artificial intelligence capabilities in the oil and gas industry and realize how greatly they can help in predicting variables for process optimization. It was revealed that using the optimal method to improve oil recovery from the beginning of field development can raise profitability in the long run. On top of this, the created screening software was proved to simplify the operator's decision-making when selecting the most technically and economically feasible Thermal Enhanced Oil Recovery method for developing heavy and extra-heavy oil fields.
Keywords: oil, oil production, ultrasonic complex, neural network, genetic algorithm, pilot testing.
For citation: Baybarov D.A. ULTRASONIC AUTOMATED OIL WELL COMPLEX FOR WELL PRODUCTIVITY GROWTH AND PRODUCTION COSTS REDUCTION.Transport and Storage of Oil Products and Hydrocarbons. 2021, no. 2-3, pp. 81-88.
DOI:10.24412/0131-4270-2021-2-3-81-88
Одна из проблем, стоящих перед нефтяной промышленностью, - повышение эффективности нефтедобычи на месторождениях после исчерпания основных запасов углеводородов. В России, как и во всем мире, обнаруженные запасы легкой нефти истощаются, а добыча нефти с высоким содержанием парафинов, смол и асфальтенов увеличивается. С позиции рационального природопользования, разработка новых комбинированных экологически безопасных и эффективных технологий для повышения нефтеотдачи пластов обеспечит существенную экономию материальных ресурсов, снижение экологических рисков и увеличение эффективности добычи нефти. На многих разрабатываемых месторождениях углеводородов в мире добыча приближается к завершающей стадии. Базовыми методами добычи с использованием энергии месторождения удается извлечь лишь около 5-20% нефти
[1, 2], а остальная часть ресурсов остается в месторождении. Таким образом, необходимо разрабатывать технологии увеличения нефтедобычи и возможности вторичного использования нефтяных скважин [3]. Поэтому повышение производительности инновационных методов добычи нефти является одной из важнейших задач в нефтегазовой промышленности. Наиболее распространенный вторичный метод эксплуатации - орошение нефтью. При орошении вода закачивается в скважину для поддержания пластового давления и вытеснения нефти, оставшейся в пласте, в эксплуатационные скважины. Нефть движется через микроскопические (1-100 мкм) пористые пространства и каналы. Из-за низкой эффективности вытеснения многие области опускаются, и значительная часть нефти остается в пласте. Как показывает промышленная практика, использование обычных поверхностно-активных веществ
(ПАВ) не приносит удовлетворительных результатов [4], поэтому уже несколько лет в качестве добавок к жидкостям для обработки применяются так называемые микроэмульсии [5], которые представляют собой смесь воды, растворителя, сорастворителя (дополнительного растворителя) и ПАВ. При поиске новых методов добычи сырой нефти внимание также уделяется использованию наножид-костей как перспективному методу повышения эффективности извлечения и ускорения извлечения углеводородов из пластов-коллекторов.
В процессе разведки и бурения залежей углеводородов в профиле нефтяных скважин выделяют перспективные пласты, то есть состоящие из пористых и проницаемых пород, насыщенных углеводородами. При добыче нефти используют геологические и буровые методы, основанные на наблюдении за процессом бурения и показаниях контрольно-измерительного оборудования, расположенного на буровых установках (полевые лаборатории, такие как Geoservices, Drill Lab и др.) и лабораторных испытаниях керна. При эксплуатации нефтяных скважин важно учитывать геофизические характеристики пород. Для этого применяют метод профилирования ствола зондами с помощью пробоотборников трубчатых отложений, которые спускают в скважину бурильной колонны. На основании интерпретации результатов измерений, полученных первыми двумя методами (геологическим и буровым), принимается решение о необходимости испытания отложения отделившегося перспективного слоя трубчатым зондом. При оценке перспективности данного пласта определяется коэффициент пористости пород-коллекторов, а также их литология и нефтенасыщенность, величина пластового давления. При оценке продуктивности определяются показатель потенциального извлечения пластовой жидкости и гидравлическая проводимость пласта пород с учетом его изменений в породах прискважинной зоны под влиянием механического и физико-химического воздействия бурового раствора. В процессе бурения углеводородов с помощью пробоотборника трубчатого коллектора (ПТК) обычно проводят испытания отдельных перспективных слоев на нетрубчатых участках ствола скважины (реже на трубных) с целью проведения краткосрочных одно- или двукратных испытаний - цикловые испытания протока и забойного давления. В результате применения ПТК на необсаженных участках ствола скважины можно получить благоприятный экономический эффект в основном за счет исключения операций по герметизации трубопроводов и обсадных труб и целенаправленности процедуры интенсификации притока залежи флюида в ствол скважины. Однако данные методы дают общую картину производительности нефтяной скважины, а в условиях снижения мировых запасов нефти необходимо интенсифицировать нефтедобычу. В настоящее время появилась возможность использования акустических методов для усиления процессов в нефтяной и газовой промышленности. Из-за воздействия ультразвуковых колебаний при добыче сырой нефти происходит увеличение проницаемости призабойной зоны пластов, депарафинизация, акустическая дегазация, снижение вязкости углеводородов [6]. Ранее использование звука для оживления нефтяных скважин включало звуковые волны гораздо более продолжительного времени. Для перезапуска потока нефти использовались высокочастотные звуки с длиной волны близкой к ультразвуку
(часто называемому сейсмическими волнами) [7]. Метод заключался в том, что при прохождении такой волны через пористую среду звук будет рассеиваться на высшие гармоники (ультразвуковые волны) и производить ряд эффектов, которые включают в себя разрушение поверхностной пленки, агрегацию капель нефти под действием колебаний, и движение нефти в капиллярах. Теория, лежащая в основе использования ультразвука для добычи нефти, продолжает представлять интерес и на данный момент [8]. О механизмах, отвечающих за улучшение потока нефти через пористую среду под воздействием ультразвукового поля, сообщалось в [9]. Этими механизмами являются увеличение относительной проницаемости фаз [10], возникновение нелинейных акустических эффектов в порах (кавитация, акустическое течение и звуковое давление) они уменьшают капиллярные силы из-за разрушения поверхностных пленок и увеличивают скорость течения жидкости через пористую среду [4]. Под действием ультразвука снижаются поверхностное натяжение, плотность и вязкость жидкости. Перистальтический перенос жидкости происходит из-за механической вибрации стенки пор, через которые она проталкивается [11]. Также ультразвук способствует уменьшению микроэмульгирования нефти в присутствии натуральных или вводимых ПАВ, увеличению растворимости ПАВ и уменьшению их адсорбции [12]. Слияние капель нефти под действием ультразвука происходит за счет сил Бьеркнеса [13, 14]. Проницаемость и пористость горных пород увеличиваются из-за деформации пор, а каналы перфорации и поры пласта очищаются от асфальтенов, смол и парафинов, отложений и других включений, снижается скин-эффект [15]. Возникновение межузловной конвекции приводит к изменению теплопроводности насыщенных жидкостью сред, уменьшению скин-эффекта и, как следствие, увеличению продуктивность нефтяных скважин [15]. Звуковое давление снижает сдвиговую вязкость жидкости, что приводит к увеличению скорости потока жидкости через пористую среду [16, 17]. Эффективность акустической стимуляции скважин можно существенно повысить за счет математического моделирования физических процессов, происходящих в призабойной зоне [17], правильного выбора скважин - кандидатов для акустической обработки и разработки высокоэффективного оборудования и технологии для повышения продуктивности нефтяных скважин. Одним из факторов снижения эффективности нефтедобычи является снижение проницаемости призабойной зоны, которая может быть обусловлена множеством факторов, зависящих как от свойств породы, так и от режима и технологии эксплуатации скважины. К этим факторам относят в том числе кольматацию призабойной зоны продуктивного пласта в процессе бурения и эксплуатации скважины вследствие образования корки в перфоканалах в процессе кумулятивной перфорации или закупоривания перфоканалов в процессе глушения скважины. Использование ультразвуковой технологии является актуальным и востребованным методом решения данных проблем и повышения продуктивности скважин. Однако эту технологию целесообразно использовать периодически по мере снижения эффективности нефтедобычи. Для этого необходимо внедрить автоматизированную систему регуляции режимов использования ультразвука. Настоящая работа посвящена исследованиям по разработке системы
автоматизации ультразвуковых скважинных модулей МСУМ на основе магнитострикционных преобразователей [18] и ультразвука. Задача состоит в совершенствовании технологии восстановления и повышения продуктивности нефтяных скважин с использованием действующих ультразвуковых модулей МСУМ и МСУП в составе автоматизированного нефтяного комплекса, использующего комбинированную ультразвуковую и химическую обработку (сонохимиче-скую стимуляцию) нефтяных пластов при различных геолого-технических условиях. Разработка генетического алгоритма для автоматизированного комплекса позволила значительно упростить внедрение сонохимической технологии за счет автоматизации процессов и постоянного контроля технологического процесса, возможности использования реагентов различной химической природы в призабойной зоне, а также предоставления возможности добычи высоковязкой и тяжелой нефти.
Вопросам повышения эффективности процессов нефтедобычи придают много внимания и в области автоматизации производства [13], применяя инновационные подходы анализа данных и внедрения смарт-датчиков контроля технологических параметров. Интернет вещей (IoT) и Big Data также расширяют возможности обработки массивов данных.
Целью данной работы была разработка системы управления автоматизированного комплекса для увеличения нефтедобычи при использовании ультразвука. Научная новизна статьи состоит в разработке и апробации алгоритма оптимизации работы оборудования для оптимизации нефтедобычи при периодическом использовании ультразвука.
Промышленные испытания ультразвуковых модулей были проведены на скважинах Гун-Еганского (1) и Самотлорского месторождений -ОАО «Самотлорнефтегаз» (2-5) и ОАО «ТНК-Нижневартовск» (6) в период с октября 2019 года по сентябрь 2020 года.
7 т/сут, коэффициент продуктивности скважин - от 0,01 до 0,76 м3/сут. Параметры, используемые в расчетах: проницаемость слоя, глубина, остаточная нефтенасыщенность, литология продуктивного пласта (табл. 1).
Построение нейронных сетей
Искусственные нейронные сети для определения эффективности ультразвука были представлены как категория моделей машинного обучения. Расчеты исполняли в среде Statistica. Каждая из этих сетей состояла из нескольких взаимосвязанных нейронов (или узлов), организованных по слоям. Эти узлы при определенных условиях на основе их взвешенных входных данных обмениваются сообщениями. Когда эти взвешенные входные данные суммируются (посредством линейной комбинации), а затем передаются через функцию активации, она вычисляет выход устройства.
По определению эти узлы являются основным блоком обработки информации, который принимает входной вектор (х) и дает выходной скаляр (1п). В условиях исследований нами была построена нейронная сеть из четырех узлов. Для входа использовали следующие данные: проницаемость слоя (1), глубина (2), остаточная нефтенасыщенность (3), литология продуктивного пласта (4) для процесса нефтедобычи без влияния ультразвука. Выходные данные были представлены этими параметрами при применении ультразвука. На основании оценки был установлен удельный вес (коэффициент значимости) каждого из
Рис. 1. Блок-схема ультразвукового автоматизированного комплекса нефтяных скважин
Принцип работы промышленной установки [14]
Промышленная установка автоматизированного управления ультразвуковым модулем нефтяной скважины представлена на рис. 1.
Режимы работы комплекса [19]:
1) ультразвуковая обработка при-забойной зоны;
2) сонохимическая обработка при-забойной зоны;
3) обработка призабойной зоны при добыче тяжелой нефти;
4) аварийный режим - условие автоматического безопасного отключения
Добыча нефти на скважинах 1-6 продолжалась в постоянном режиме в течение 92 суток. Средний прирост по нефти за три месяца составил
I
Таблица 1
Результаты испытания ультразвука в нефтедобывающей промышленности
Номера скважин 1 2 3 4 5 6
0Ж, м3/с; Var. 1 1 7 4 12 5,48 20
QH, т/сут; Var. 2 1 5 1 5 6,0 4
Режим до У3О Обводненность, %; Var. 3 0,6 65 99 59 93,79 4
Кпродуктивность; Var. 4 0,01 0,10 0,03 1,16 0,03 0,12 Итого
Qx, м3/сут; Var. 5 8 16 53 33 15 30
QH, т/сут; Var. 6 0,6 13,1 12,6 18 11,8 6
Режим после УЗО Обводненность, %; Var. 7 91 5 72 35 10 75
Кпроизводительность; Var. 8 0,04 0,26 0,64 0,76 0,14 0,21
Прирост, т 2,6 8,1 11,6 13 5,8 2 66,7
Текущая наработка, т 141 114 92 61 55 40 503
Накопленная добыча, т 62,4 937,4 969 791 668 84 35118
Рис. 2. Схема нейронной сети для оптимизации нефтедобычи с помощью ультразвука
Рис. 3. Нейронная сеть для процесса нефтедобычи согласно линейному алгоритму
перечисленных выше показателей: первый показатель имел коэффициент значимости 1,0; второй и четвертый -0,9. По каждому показателю определяли рейтинговый параметр от 10 до 1 [15]. Искусственный нейрон состоит из трех основных элементов: набора взвешенных связей ^), сумматора и функции активации (/). Также включен внешний стимул, называемый смещением (Ь).
Графические изображения разработанных нами искусственных нейронных сетей показаны на рис. 2 и 3.
Математически модель искусственного нейрона можно представить в виде
Таблица 2
Повышение производительности нефтедобычи при использовании автоматизированного ультразвукового комплекса
Параметры Без ультразвуковой оптимизации При применении ультразвука
Производительность по нефти, т/день 3,1 (p < 0,00004) 9,4 (p < 0,0005)
Обводненность, % 44,5 (p < 0,0002) 29,7 (p < 0,00033)
Индекс продуктивности скважины
0,14 (p < 0,005)
0,39 (p < 0,005)
у = f (WjXj + w2 x2 + b); у = f WjXj + b).
(1) (2)
В векторной форме данные зависимости 1, 2 примут вид:
У = [ X1X2..Xn ]
W1
w2
W„
(3)
Для построения нейронной сети использовали базу данных из 288 полей результатов экспериментальных исследований нефтедобычи с использованием ультразвука и без обработки ультразвуком
Расчет нейронных сетей и статистическая обработка результатов выполнялись в пакете Statistica Neural Networks и MS Excell. Нами определялись следующие статистические показатели: среднее значение, медиана, стандартное отклонение, дисперсия, среднеквадратическое отклонение, диапазон, квартильный диапазон, эксцесс, асимметрия. Оценка данных нейронной сети представлялась моделями RBF (радиально-симметричные функции), в которых каждый из n компонентов входного вектора подавался на вход m базисных функций и их выходы линейно суммировались с весами, Linear, представляющей собой линейный
алгоритм, и MLP - многослойный персептрон, принадлежащий к классу искусственных нейронных сетей. Эта модель позволяет включать скрытые слои, которые используют нелинейную функцию.
Результаты исследования применения ультразвука показаны в табл.2
Статистическая оценка результатов исследования влияния ультразвука на нефтедобычу в скважинах 1-6 представлена в табл. 3. Результаты обработки экспериментальных данных показали удовлетворительную сходимость результатов. Наибольшие отклонения показали значения обводненности, а наиболее точные данные представлены для коэффициента производительности скважин. Незначительную неоднородность данных можно объяснить геохимическими свойствами разных месторождений.
Результаты опытно-промышленных испытаний применения ультразвука (табл. 1) показали прирост дебита на 2-11,6 т/сут на скважину, то есть увеличение нефтеотдачи в 2-3 раза. Данная техника ультразвука показывает хорошие результаты по данным геофизических исследований скважин. Для этого метода была разработана составная нейронная сеть, в которой реализованы возможности регрессии и классификации. Во-первых, классификационная сеть позволит выбрать оптимальный метод скрининга на основе входных свойств пользователя, которые статистически сравниваются со свойствами проектов в наборе обучающих данных. Во-вторых, после выбора метода увеличения нефтеотдачи результаты из первой сети пересылаются во вторую регрессионную сеть, которая оценивает значения предполагаемой добычи во время оценки проекта.
Корреляция объема добычи без применения ультразвука Q , м3/с (Var. 1) и с применением ультразвука Q, м3/с
Таблица 3
Статистическая оценка результатов исследования влияния ультразвука на нефтедобычу
Переменная Var. 1 Var. 2 Var. 3 Var. 4 Var. 5 Var. 6 Var. 7 Var. 8
Среднее значение 8,25 3,70 65,13 0,41 25,83 10,22 48,00 0,34
Медиана 6,24 4,50 69,00 0,11 23,00 11,80 53,50 0,24
Стандартное отклонение 6,81 2,20 35,16 0,54 16,36 6,09 36,38 0,29
Дисперсия 46,40 4,85 16,15 0,29 27,77 37,09 13,20 0,08
Среднеквадратическое отклонение 5,17 1,80 23,47 0,46 12,83 4,61 31,33 0,24
Диапазон 19,00 5,19 98,00 1,16 45,00 17,40 86,00 0,72
Квартальный диапазон 8,00 4,00 34,79 1,00 18,00 7,10 65,00 0,50
Эксцесс 1,14 -0,54 -1,39 0,96 0,86 -0,60 -0,15 0,76
Асимметрия
1,04 -1,78 2,41 -1,72 0,31 0,18 -2,33 -1,40
(Var. 5) была оценена с помощью метода нейронных сетей на пяти моделях, которые реализуются в программе Statistica Neural Networks. Согласно рис. 4 корреляция данных удовлетворительная. Коэффициент корреляции составил для модели RBF 1 0,69, для второй модели (линейной) 0,71, третьей (MLP) 0,7001, для четвертой модели (MLP) - 0,699. Наиболее точные данные получены для пятой модели, для которой коэффициент корреляции составил 0,877, а тестовая ошибка составила 1.
Данные табл. 1 оценивали с помощью нейронных сетей в среде Statistica. Результаты представлены на рис. 4.
Как видно из рис. 5, такие параметры нефтедобычи, как продуктивность (Var. 2), обводненность (Var. 3), для ультразвуковой установки показали высокую сходимость. Точка пересечения значений переменных для скважин 1-6 показала наиболее оптимальные результаты для скважины 3. Для данного месторождения характерна самая высокая нефтедобыча (см. табл. 1).
Для оптимизации добычи нефти с помощью ультразвука была разработана составная нейронная сеть (см. рис. 4), в которой реализованы возможности регрессии и классификации. Во-первых, классификационная сеть позволит выбрать оптимальный метод скрининга на основе входных свойств пользователя, которые статистически сравниваются со свойствами проектов в наборе обучающих данных.
|Рис. 4. Результаты анализа эффективности влияния
ультразвука на нефтедобычу с помощью нейронных сетей
Во-вторых, после выбора метода увеличения нефтеотдачи результаты из первой сети пересылаются во вторую регрессионную сеть, которая оценивает значения предполагаемой добычи во время оценки проекта. Нами разработана нейронная сеть для нефтедобывающей установки с ультразвуковым модулем (см. рис. 1. и 2). Схема, представленная на рис. 1 предназначена для классификации (выбор оптимального метода повышения нефтеотдачи), а на рис. 2 - для регрессии (прогноз добычи для финансовой оценки). Обе схемы построены с использованием Statistica. Для первой сети набор данных с уменьшенной размерностью использовался в качестве входных данных, а возможные методы построения нейронных сетей были закодированы с помощью методологии One Hot Encoding. Эта методология позволяет преобразовывать строковые входы в категориальные массивы, которые могут обрабатываться сетью. Таким образом, результатом этой сети является один вектор с горячим кодированием, который затем преобразуется в строку с использованием ассоциации ключ - значение. Как только начальная архитектура и обработка данных были определены, сеть была скомпилирована. Первая сеть достигла точности около 70%. Изменяя входные параметры и обрабатывая набор данных, нейронная сеть достигла точности выше объективного значения (> 73%).
В промышленности широко используют автоматизированные нефтяные комплексы, включающие ультразвуковую, а также комбинированную ультразвуковую и химическую обработку (сонохимическая стимуляция) нефтяных пластов при различных геолого-технических условиях [20]. Однако изменение параметров процесса нефтедобычи требует постоянной калибровки технологического процесса. Разработка автоматизированного комплекса на базе нейронных алгоритмов позволяет значительно упростить внедрение соно-химической технологии за счет автоматизации процессов и постоянного контроля параметров, возможности внедрения реагентов различной химической природы в призабойную
I
Рис.
5. Результаты корреляции продуктивности нефтедобычи под действием ультразвука [Var. 5) и продуктивности без использования ультразвуковой техники [Var. 1)
iи«' и vi'i и <a h
4
у У 4
gj
HöT
ни™
зону, а также позволяет добывать высоковязкую и тяжелую нефть. В этом исследовании мы приводим практические доказательства, полученные непосредственно из экспериментов на нефтяных скважинах, которые убедительно показывают, что использование ультразвуковой интенсификации притока нефтяных скважин является перспективным процессом, используемым в нефтяной промышленности, и широко изучается многими исследователями [21]. Однако решающим моментом применения ультразвука в оптимизации нефтедобычи является применение математических алгоритмов для оптимизации работы оборудования. Причем особого внимания заслуживает самообучающий алгоритм на базе нейронных сетей. Используя нейронные сети, можно статистически учитывать переменные, которые не учитываются в традиционных методах скрининга. Кроме того, можно включить в анализ несколько проектов, чтобы получить более точные и подтвержденные данными результаты. Из-за разброса наборов данных использование алгоритмов уменьшения размерности, таких как t-SNE, позволяет более простым способом идентифицировать закономерности в данных [22]. Это уменьшит объем данных, необходимых нейронной сети на этапе обучения, и упростит процесс обучения. Следовательно, это приводит к большей точности и сходимости модели. Использование генетических алгоритмов значительно упрощает процесс обучения. В сочетании с данными с уменьшенной размерностью это позволяет преодолеть проблемы обучения сети и получить модели высокого качества в более короткие сроки. Что касается этой работы, применение этой методологии позволило достичь точности 70% в регрессионной модели и 73% в модели классификации. Включение этих генетических алгоритмов в программное обеспечение графического интерфейса пользователя обеспечивает решение, которое можно развернуть в качестве предварительного анализа для оценки проекта, обеспечивая адекватные результаты, способные поддержать дальнейшее принятие решений. Способность модели прогнозировать нефтедобычу в течение первых лет проекта позволит оценщику прогнозировать технические и финансовые результаты с большей надежностью [23]. Недостатком метода является довольно длительный расчет прогнозных результатов. Выбор правильного плана дальнейших действий во время разработки месторождения будет иметь решающее значение для достижения максимального потенциала актива по разведке и добыче.
Хотя эта методология рассматривает использование однородных свойств по всему коллектору, можно было бы включить карту неоднородностей в качестве входных данных для модели. Основным ограничением этого подхода было бы получение согласованного набора данных с необходимыми параметрами. Существует несколько типов нейронных сетей в зависимости от того, как нейроны питают следующие или предыдущие слои. Самый распространенный тип - последовательные нейронные сети или нейронные сети с прямой связью. В этом типе моделей информация течет в одном направлении - от входного слоя к скрытому или к выходному слою. Это означает, что связь между искусственными нейронами не образует цикла в отличие от других типов модели, таких как рекурсивные нейронные сети (наиболее часто используемые для анализа временных рядов). Топология ИНС прямого распространения показывает природу типов слоев, которые могут быть входными слоями (крайний
левый), скрытыми слоями (средний) или выходными слоями (крайний правый). Архитектура этих уровней, количество узлов и функции активации являются частью так называемых гиперпараметров нейронной сети [6, 14]. Нейронная сеть обучается с помощью алгоритма Васкргорада^оп. Этот процесс можно описать как способ постепенного исправления ошибок по мере их обнаружения. Как было сказано ранее, каждый уровень нейронной сети имеет связанный набор весов, который определяет выходные значения для данного вектора входных данных. Первоначально все веса будут иметь какое-то случайное назначение. Затем сеть активируется для каждого входа в обучающем наборе, распространяя значения вперед от входного уровня к скрытым слоям и наконец к выходному уровню, где делается окончательный прогноз. Поскольку истинное наблюдаемое значение известно в наборе обучающих данных, можно вычислить ошибку, сделанную в прогнозе. Эта ошибка возвращается и оптимизируется с помощью соответствующего алгоритма, основанного на характере прогнозирования (например, градиентный спуск). Алгоритм оптимизатора настроит веса нейронной сети с целью уменьшения ошибки. Весь этот процесс повторяется несколько раз, пока ошибка не станет ниже допустимого предела. Упомянутый процесс представлен как модель нейронной сети (см. рис. 4). Как указывалось ранее, составная сеть состоит из двух внутренних сетей [24]. Один для классификации (выбор оптимального метода повышения нефтеотдачи), а другой - для регрессии (прогноз добычи для финансовой оценки) [25]. Обе сети построены с использованием Statistica. Эта методология позволяет преобразовывать строковые входы в категориальные массивы, которые могут обрабатываться нейронной сетью. Таким образом, результатом этой сети является один вектор с горячим кодированием, который затем преобразуется в строку с использованием ассоциации ключ - значение [12]. Как только начальная архитектура и обработка данных были определены, сеть была скомпилирована. Первая сеть достигла точности около 70%. Изменяя гиперпараметры и обрабатывая набор данных, сеть наконец достигла точности выше объективного значения (> 73%).
Разработана модель на основе нейронных сетей для оптимизации работы ультразвукового автоматизированного нефтяного скважинного комплекса, включающего модуль МСУП на базе магнитострикционных преобразователей, ультразвуковой скважинный модуль на базе МСУП на пье-зокерамических преобразователях и рабочую станцию. Разработанный алгоритм позволяет контролировать и регистрировать параметры ультразвуковых модулей МСУМ и МСУП, а также собирать информацию о параметрах при-забойной зоны при сонохимической обработке нефти для скважин Самотлорского месторождения (Западная Сибирь) в различных геолого-технических условиях. Проведены промышленные испытания комплекса на 6 скважинах. Показано, что после сонохимического воздействия на призабойную зону средний прирост дебита нефти составил 10,35 т/сут; средний показатель продуктивности скважин увеличился с 0,24 до 0,34 (на 141%), снижение обводненности скважинной жидкости уменьшился в среднем на 26%. Результаты апробации нейронной сети для оптимизации работы скважинного ультразвукового модуля. Рассчитаны параметры нейронной сети (см. табл. 4). Нейронная сеть имеет возможность для обучения с помощью алгоритма Васкргорада^оп.
СПИСОК ЛИТЕРАТУРЫ
1. Mullakaev M.S., Abramov V.O., Abramova A.V. Ultrasonic automated oil well complex and technology for enhancing marginal well productivity and heavy oil recovery. J. Petrol. Sci. Eng., 2017, vol. 159, pp. 1-7.
2. Ghamartale A., Escrochi M., Riazi M., Faghih A. Experimental investigation of ultrasonic treatment effectiveness on pore structure. Ultrason Sonochem, 2019, vol. 51, pp. 305-314.
3. Jeong D., Yoshioka K., Jeong H.,andMin B. 2021.Sequential Short-Term Optimization of Gas Lift Using Linear Programming: A Case Study of a Mature Oil Field in Russia. J. Petrol. Sci. Eng.205: 108767.
4. Муллакаев М.С. Современные методы увеличения нефтедобычи: проблемы и практика применения // Современная научная мысль, 2015. № 5. С. 98-111.
5. Kumar A. and Mandal A. 2020. Core-Scale Modelling and Numerical Simulation of Zwitterionic Surfactant Flooding: Designing of Chemical Slug for Enhanced Oil Recovery. J. Petrol. Sci. Eng. 192:107333.
6. Подоба З.С., Лаврова А.В. Сланцевая революция в США и ее влияние на международные торговые потоки нефти и газа // Вестник Московского университета. Серия 6: Экономика, 2021. № 2. C. 3-32.
7. Liang T., Isayev A.I., Zhang S., andCheng S.Z. 2021.Effect of Ultrasonic Extrusion on Properties of Colloids and Bio Based Nanocomposites Containing Epoxidized Soybean Oil and Nanoclay. Polym. Eng. Sci. 61(4): 1066-1076.
8. Chaiworapuek W., Chungprempree J., Pukrushpan J., and Khaothong K. 2021.Numerical Study of Performance Augmentation of a Vertical Coil and Shell Heat Exchanger Using High Frequency Ultrasonic Waves.lOP Conf. Ser.: Mater. Sci. Eng.1137: 012069.
9. Ostermeier R., Hill K., Dingis A., Topfl S., andJager H.2021.Influence of Pulsed Electric Field (PEF) and Ultrasound Treatment on the Frying Behavior and Quality of Potato Chips. Innov. Food Sci. Emerg. Technol. 67:102553.
10. Avvaru B., Venkateswaran N., Uppara P., Iyengar S.B., and Katti S.S. 2018.Current Knowledge and Potential Applications of Cavitation Technologies for the Petroleum Industry.Ultrason. Sonochem. 42: 493-507.
11. Муллакаев М.С., Абрамов А.В. Печков А.А. и др. Ультразвуковая технология повышения продуктивности низ-кодебитных скважин // Нефтепромысловое дело, 2012. № 4. С. 25-32.
12. Zabihi S., Faraji D., Rahnama Y., Zeinolabedini Hezave A., andAyatollahi S. 2021.Relative Permeability Measurement in Carbonate Rocks, the Effects of Conventional Surfactants vs. Ionic Liquid-Based Surfactants. J. Disper. Sci. Technol. 41(12):1797-1811.
13. Эпов И.Н., Зотова О.П. Потокоотклоняющие технологии как метод увеличения нефтеотдачи в России и за рубежом // Фундаментальные исследования, 2016. № 12. Ч. 4. С. 806-810.
14. Тимчук А.С. Определение эффективных систем и технологий разработки крупных залежей в юрских отложениях (на примере Хохряковского и Ершового месторождений): автореф. дис. канд. техн. наук: 25.00.17. Тюмень, 2007. 25 с.
15. Градов О.М. Оптимизация управления ультразвуковой обработкой материала нефтяных пластов в процессе акустической стимуляции скважин // Материаловедение. 2015. № 4. С. 11-17.
16. Simanjuntak R. and Irawan D. 2021.Applying Artificial Neural Network and XGBoost to Improve Data Analytics in Oil and Gas Industry. IJE. 4(1): 26-35.
17. Wang Z. and Gu, S. 2018. State-of-the-Art on the Development of Ultrasonic Equipment and Key Problems of Ultrasonic Oil Production Technique for EOR in China. Renew. Sustain. Energy Rev. 82: 2401-2407.
18. Горбачев Ю.И., Кузнецов О.Л., Рафиков Р.С., Печков А.А. Физические основы акустического метода воздействия на коллекторы // Геофизика, 1998. № 4. С. 5-9.
19. Исаев А.А., Тахаутдинов Р.Ш., Малыхин В.И., Шарифуллин А.А. Разработка автоматизированного комплекса по отбору газа из скважин // Нефть. Газ. Новации, 2017. № 12. С. 65-72.
20. Филиппов Е.В., Чумаков Г.Н., Пономарева И.Н., Мартюшев Д.А. Применение интегрированного моделирования в нефтегазовой отрасти // Недропользование, 2020. Т. 20. № 4. С. 386-400.
21. Фаттахова Л.В., Пакаев Д.В., Диваев А.М. Применение расходометрии в нагнетательных скважинах на примере приобского месторождения // Нефтегазовое дело. 2014. Т. 12. № 2. С. 28-33.
22. Zainuddin Z., P. Akhir E.A.,and Hasan M.H. 2021.Predicting Machine Failure Using Recurrent Neural Network-Gated Recurrent Unit (RNN-GRU) through Time Series Data.Bull. Electr. Eng. Inform.10(2):870-878.
23. Ketova K.V., Kasatkina E.V. and Vavilova D.D. 2021. Development of an Effective Adaptive Forecasting System Based on the Combination of Neural Network and Genetic Algorithm. J. Phys. Conf. Ser.1889(3): 032029.
24. Игошева А.А. Обзор динамики и структуры фонда нефтяных скважин в России // Инновационная наука. 2018. № 11. С.71-74.
25. Loussaief S. and Abdelkrim, A. 2018.Convolutional Neural Network Hyper-Parameters Optimization Based on Genetic Algorithms. Int. J. Adv. Comput. Sci. Appl. 9(10): 252-266.
REFERENCES
1. Mullakaev M.S., Abramov V.O., Abramova A.V. Ultrasonic automated oil well complex and technology for enhancing marginal well productivity and heavy oil recovery. J. Petrol. Sci. Eng., 2017, vol. 159, pp. 1-7.
2. Ghamartale A., Escrochi M., Riazi M., Faghih A. Experimental investigation of ultrasonic treatment effectiveness on pore structure. Ultrason Sonochem, 2019, vol. 51, pp. 305-314.
3. Jeong D., Yoshioka K., Jeong H., Min B. Sequential short-term optimization of gas lift using linear programming: a case study of a mature oil field in Russia. J. Petrol. Sci. Eng., 2021, vol. 205, p. 108767.
4. Mullakayev M.S. Modern methods of increasing oil production: problems and practice of application. Sovremennaya nauchnaya mysl', 2015, no. 5, pp. 98-111 (In Russian).
5. KumarA.and Mandal A. Core-Scale Modelling and numerical simulation of zwitterionic surfactant flooding: designing of chemical slug for enhanced oil recovery. J. Petrol. Sci. Eng., 2020, vol. 192, p. 107333.
6. Podoba Z.S., Lavrova A.V. The shale revolution in the United States and its impact on international trade flows of oil and gas. Vestnik Moskovskogo universiteta, 2021, no. 2, pp. 3-32 (In Russian).
7. Liang T., Isayev A.I., Zhang S., Cheng S.Z. Effect of ultrasonic extrusion on properties of colloids and bio based nanocomposites containing epoxidized soybean oil and nanoclay. Polym. Eng. Sci., 2021, vol. 61(4), pp. 1066-1076.
8. Chaiworapuek W., Chungprempree J., Pukrushpan J., Khaothong K. Numerical study of performance augmentation of a vertical coil and shell heat exchanger using high frequency ultrasonic waves. Proc. of IOP Conf. Ser., 2021, p. 1137.
9. Ostermeier R., Hill K., Dingis A., Töpfl S., Jäger H. Influence of pulsed electric field (pef) and ultrasound treatment on the frying behavior and quality of potato chips. innov. Food Sci. Emerg. Technol, 2021, vol. 67, p. 102553.
10. Avvaru B., Venkateswaran N., Uppara P., Iyengar S.B., Katti S.S. Current knowledge and potential applications of cavitation technologies for the petroleum industry. Ultrason. Sonochem, 2018, vol. 42, pp. 493-507.
11. Mullakayev M.S., Abramov A.V. Pechkov A.A. Ultrasonic technology for increasing the productivity of low-rate wells. Neftepromyslovoye delo, 2012, no. 4, pp. 25-32 (In Russian).
12. Zabihi S., Faraji D., Rahnama Y., Zeinolabedini Hezave A., Ayatollahi S. Relative permeability measurement in carbonate rocks, the effects of conventional surfactants vs. ionic liquid-based surfactants. J. Disper. Sci. Technol, 2021, vol. 41(12), pp. 1797-1811.
13. Epov I.N., Zotova O.P. Flow diverting technologies as a method of increasing oil recovery in Russia and abroad. Fundamental'nyye issledovaniya, 2016, no. 12, pp. 806-810 (In Russian).
14. Timchuk A.S. Opredeleniye effektivnykh sistem i tekhnologiy razrabotki krupnykh zalezhey vyurskikh otlozheniyakh (na primere Khokhryakovskogo i Yershovogo mestorozhdeniy). Diss. kand. tekhn. nauk [Determination of effective systems and technologies for the development of large deposits in the Jurassic sediments (on the example of the Khokhryakovskoye and Ershovoy fields). Cand. tech. sci. diss.]. Tyumen, 2007. 25 p.
15. Gradov O.M. Optimization of control of ultrasonic treatment of oil reservoir material in the process of acoustic stimulation of wells. Materialovedeniye, 2015, no. 4, pp. 11-17 (In Russian).
16. Simanjuntak R., Irawan D. Applying artificial neural network and xgboost to improve data analytics in oil and gas industry. IJE, 2021, no. 4(1), pp. 26-35.
17. Wang Z., Gu S. State-of-the-art on the development of ultrasonic equipment and key problems of ultrasonic oil production technique for eor in china. Renew. Sustain. Energy Rev, 2018, vol. 82, pp. 2401-2407.
18. Gorbachev YU.I., Kuznetsov O.L., Rafikov R.S., Pechkov A.A. Physical foundations of the acoustic method of impact on reservoirs. Geofizika, 1998, no. 4, pp. 5-9 (In Russian).
19. Isayev A.A., Takhautdinov R.SH., Malykhin V.I., Sharifullin A.A. Development of an automated complex for gas extraction from wells. Neft. Gaz. Novatsii, 2017, no. 12, pp. 65-72 (In Russian).
20. Filippov YE.V., Chumakov G.N., Ponomareva I.N., Martyushev D.A. Application of integrated modeling in the oil and gas industry. Nedropol'zovaniye, 2020, vol. 20, no. 4, pp. 386-400 (In Russian).
21. Fattakhova L.V., Pakayev D.V., Divayev A.M. Application of flow metering in injection wells on the example of the Ob field. Neftegazovoye delo, 2014, vol. 12, no. 2, pp. 28-33 (In Russian).
22. Zainuddin Z., P. Akhir E.A., Hasan M.H. Predicting machine failure using recurrent neural network-gated recurrent unit (RNN-GRU) through time series data. Bull. Electr. Eng. Inform., 2021, vol. 10(2), pp. 870-878.
23. Ketova K.V., Kasatkina E.V., Vavilova D.D. Development of an effective adaptive forecasting system based on the combination of neural network and genetic algorithm. J. Phys. Conf. Ser, 2021, vol. 1889(3), p. 032029.
24. Igosheva A.A. Review of the dynamics and structure of the stock of oil wells in Russia. Innovatsionnaya nauka, 2018, no. 11, pp. 71-74 (In Russian).
25. Loussaief S., Abdelkrim, A. Convolutional neural network hyper-parameters optimization based on genetic algorithms. Int. J. Adv. Comput. Sci. Appl., 2018, no. 9(10), pp. 252-266.
ИНФОРМАЦИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Байбаров Дмитрий Анатольевич, инженер по специальности Dmitriy A. Baybarov, Engineer specializing in Automation of Technological
«Автоматизация технологических процессов и производств Processes and Production (Oil and Gas Industry), Tyumen Industrial
(нефтегазовая отрасль)», Тюменский индустриальный университет. University.
