CC BY
138
ТЕХНИЧЕСКИЕ НАУКИ
МЕТОДЫ НЕЙРОСЕТЕВОГО АНАЛИЗА НЕФТЕПРОМЫСЛОВЫХ
ДАННЫХ
Коровин Я.С.1, Хисамутдинов М.В.2, Иванов Д.Я.3 Email: Korovin655@scientifictext.ru
'Коровин Яков Сергеевич — кандидат технических наук, директор;
2ХисамутдиновМаксим Владимирович — кандидат технических наук, старший научный сотрудник;
3Иванов Донат Яковлевич — кандидат технических наук, старший научный сотрудник, Научно-исследовательский институт многопроцессорных вычислительных систем им. академика А.В. Каляева Южный федеральный университет, г. Таганрог
Аннотация: нефтедобывающие компании нацелены на увеличение объемов добытой нефти и снижение стоимости этой добычи. Применение методов увеличения нефтеотдачи позволяет повышать объемы добываемой на месторождении нефти. При выборе применяемых методов увеличения нефтеотдачи необходимо учитывать большое количество параметров конкретного месторождения. Также в целях соблюдения экономической эффективности необходимо учитывать текущую стоимость конечного продукта на мировом рынке и финансовые затраты, связанные с применением тех или иных методов увеличения нефтеотдачи. Решение этой задачи требует анализа больших объемов данных, для которых характерна зашумленность и неполнота. В статье предложены методы нейросетевого анализа нефтепромысловых данных, в том числе нейросетевая методика оперативного определения рекомендуемых методов увеличения нефтеотдачи. Приведен общий алгоритм оценки и прогнозирования параметров работы цифрового месторождения и алгоритм работы нейронной сети.
Ключевые слова: искусственная нейронная сеть, анализ данных, нефтяное месторождение.
METHODS OF NEURAL NETWORK ANALYSIS OF OILFIELD DATA Korovin Yа.S.1, Khisamutdinov M.V.2, Ivanov D.Yа.3
'Korovin Yakov Sergeevich — PhD in Tecnology, Director;
2Khisamutdinov Maxim Vladimirovich— PhD in Tecnology, Senior Researcher, 3Ivanov Donat Yakovlevich— PhD in Tecnology, Senior Researcher, SCIENTIFIC RESEARCH INSTITUTE OF MULTIPROCESSOR COMPUTER SYSTEMS SOUTHERN FEDERAL UNIVERSITY, TAGANROG
Abstract: oil companies are focused on increasing the volume of oil produced and reducing the cost of this production. The use of enhanced oil recovery methods allows to increase the volume of oil produced in the field. When choosing the methods of enhanced oil recovery, it is necessary to consider a large number ofparameters of a particular field. Also, in order to comply with economic efficiency, it is necessary to take into account the current value of the final product on the world market and the financial costs associated with the use of certain methods of enhanced oil recovery. Solving this problem requires analyzing large amounts of data that are characterized by noise and incompleteness. The article proposes methods for neural network analysis of oilfield data, including the neural network method for the operational determination of recommended methods for enhanced oil recovery. A general algorithm for estimating and predicting the parameters of a digital field and the algorithm of a neural network are presented. Keywords: neural network, data analysis, oil field.
УДК 004.032.26
Введение
Специалисты нефтегазового комплекса давно обозначили две негативные основные тенденции в развитии отрасли, которые вызывают особую тревогу. Это, во-первых, отставание процесса воспроизводства минерально-сырьевой базы и, во-вторых, продолжающееся падение показателя нефтеотдачи.
Такая ситуация осложняется относительно невысоким уровнем цен на углеводороды. В данных условиях повышенной актуальностью для отрасли обладает задача увеличения нефтеотдачи.
Прежде чем говорить об увеличении нефтеотдачи, необходимо установить базу, по отношению к которой происходит это увеличение. В международной практике в качестве базового принимается такой метод разработки, при котором потенциал вытесняющего нефть агента реализуется за счет использования естественной энергии месторождений, т.е. режим растворенного газа, упруговодонапорный режим и режим газовой шапки. Если этой энергии недостаточно, то применяются методы, которые направлены на поддержание пластовой энергии путем закачки воды и газа, т.е. так называемые вторичные методы. Очевидно, что данные методы используют те же вытесняющие агенты, а значит, принципиально не влияют на потенциал вытеснения нефти, хотя при этом увеличивается степень использования этого потенциала. Поэтому вторичные методы, в частности, заводнение, наряду с естественными режимами также относятся к категории базовых [1; 2].
Поскольку, как показывает практика, масштабы применения современных методов увеличения нефтеотдачи (МУН) [3-6] в мире непрерывно увеличиваются (табл.1), то можно сделать вывод, что они способствуют эффективному ведению нефтегазового бизнеса.
Таблица 1. Динамика масштабов применения современных МУН в мире, тыс. т
1984 1988 1992 1996 1998 2000
Тепловые 33,4 47,7 59,2 68,3 82,9 84,8
Газовые 18,7 29,5 33,4 30,9 34,2 42,0
Химические 2,0 4,7 6,5 1,5 3,1 4,3
Всего 54,1 81,9 99,1 100,7 120,2 131,1
До сих пор предпочтение отдается тепловым и газовым методам, доля дополнительной добычи, за счет применения которых превышает 95%. В то же время соответствующая доля за счет применения химических МУН остается низкой. Это свидетельствует о том, что к настоящему времени еще не созданы эффективные химические МУН, способные стимулировать быстрое наращивание добычи нефти с применением данной группы современных МУН. Как видно из табл. 1, за 16 лет объем дополнительной добычи нефти за счет применения современных МУН вырос к 2000 г. почти в 2,5 раза, и примерно 10% мировой добычи нефти к этому времени осуществлялось с применением современных МУН. Наибольшие объемы применения современных МУН принадлежат США.
Конечно, это диктуется сложной структурой запасов в стране, но немаловажное значение имеет и многолетняя целеустремленная работа, направленная на создание системы государственного управления рациональным использованием запасов нефти. За период 1975-2004 гг. в США дополнительная добыча нефти за счет применения МУН выросла почти в 3 раза и достигла примерно 32-36 млн. твг, или примерно 11-12% от общей добычи нефти в стране. Поэтому не случайно, что показатель нефтеотдачи в этой стране непрерывно растет и средний КИН уже превысил 40%. К сожалению, у нас в РФ он упал в этот же период ниже 30%. Как показывает рис.1, одновременно с ростом добычи нефти в США происходит снижение числа действующих проектов с применением современных МУН. С 1986 по 2002 г. число таких проектов снизилось с 512 до 227, т.е. более чем в 2 раза. Это обстоятельство дало повод некоторым специалистам — сторонникам свертывания в нашей стране современных МУН, говорить о снижении интереса за рубежом к этим методам. Однако данное утверждение является ошибочным и опровергается рядом очевидных фактов. Снижение числа проектов сопровождается значительным увеличением масштабов каждого проекта, причем средняя производительность проекта за рассматриваемый период увеличилась примерно в 3,5 раза и в 2002 г. составила 230 тыс. т./год (рис. 1).
Наряду с необходимостью применения МУН, в последнее время повышается интерес к увеличению эффективности функционирования нефтяного месторождения в целом за счет проведения качественных процедур сквозного мониторинга жизненного цикла скважин [7].
Сквозной мониторинг бизнес-процессов - это новое направление в мониторинге и управлении производительностью приложений. Строится полная визуальная картины бизнес процесса, с детальной разбивкой по каждому шагу. Это позволяет определить и рассчитать ключевые метрики для отдельных шагов и процесса в целом - такие как время обработки,
возникающие ошибки, количество заявок на шаге и т.д. Все эти метрики обрабатываются и собираются в реальном времени. С помощью дашбордов появляется возможность наглядно определять эффективность процесса и узкие места, возникающие ошибки и их причины. А это, в конечно итоге, позволяет оптимизировать процесс, уменьшить количество возникающих ошибок, и в любой момент видеть полную картину происходящего [8].
В данной статье предложены методы нейросетевого анализа [9; 10] нефтепромысловых данных, применяемые при создании систем поддержки и принятия решений [11-13] цифровых месторождений, нацеленные на выбор наиболее подходящих методов увеличения нефтеотдачи и мониторинг работоспособности [14] нефтедобывающего оборудования с использованием интеллектуальных моделей [15-18] нефтяного месторождения.
Нейросетевая методика оперативного определения рекомендуемых МУН
На рисунке 1 представлена обобщенная схема последовательности выполняемых операций по следующему алгоритму.
1. Постановка задачи, анализ входных данных. Производится анализ предметной области, специфики поставленной задачи классификации состояния объекта анализа.
2. Извлечение новых правил. Производится извлечение новых правил по методу, описанному ранее.
3. Конфигурирование входных и выходных параметров. Определяется номенклатура параметров для анализа, общий список мероприятий. Приводятся параметры, по показаниям которых рекомендуется проводить то или иное мероприятие.
4. Предварительная обработка данных. Производится обработка накопленных ретроспективных данных об успешно проведенных МУН, а именно, кластеризация при помощи метода нейросетевой интерпретации априорных правил, описанного ранее, также кластеризация классическими методами к-теаш и Вэге1.
5. Формирование выборок обучающих примеров. В результате проведения процедур п.4 априорные данные разбиваются в соответствии с требуемой классификацией, тем самым образуя массив выборок обучающих примеров. Половина данных, прошедших процедуру п.4, отбираются для тестовой выборки.
6. Обучение нейронной сети методом ОРО. Производится обучение нейронной сети каждого нейросетевого проекта методом ОРО, до тех пор, пока уровень суммарной ошибки превышает 0,2.
_у_у_
Извлечение новых правил
Рис. 1. Методика определения оптимального МУН
7. Контроль качества обучения. Если не достигается требуемый уровень качества обучения (более 98% правильно распознанных записей в тестовой выборке), переход к п. 5, иначе -переход к п. 8.
8. Классификация в режиме реального времени. Распознавание новых данных в режиме реального времени с применением метода одновременного применения обучаемых и необучаемых нейронных сетей. На этом же этапе производится процедура извлечения правил п. 2
9. Контроль качества распознавания. Корректировка решений, предлагаемых пользователю нейронной сетью. Если ЛПР (эксперта) не удовлетворяет качество распознавания, то переход к. п. 5о, иначе - переход к п. 10.
10. Запись результатов в базу данных. Данные записываются в БД и в дальнейшем используются для переобучения нейросетевых проектов.
Каждый из блоков приведенной выше схемы реализовывается при помощи алгоритмов.
Общий алгоритм оценки и прогнозирования параметров работы цифрового месторождения
Ниже приведен общий алгоритм оценки и прогнозирования параметров работы цифрового месторождения:
_у_
Классификация в режиме реального времени
Формирование библиотеки предварительно обученных нейросетевых моделей компонентов для формирования локальной оценки и прогнозирования параметров моделью компонента;
Построение технологической схемы комплекса нефтедобычи в виде графа, вершины которого соответствуют обученным компонентам модели, а ребра - связям между этими компонентами;
Моделирование процессов передачи энергии по построенному графу с целью определения прогнозных оценок влияния параметров модели на получаемые данные по эффективности добычи нефтепродуктов на месторождении.
Данный алгоритм приведен ниже на рисунке 2.
Рис. 2. Блок-схема алгоритма оценки и прогнозирования параметров работы цифрового месторождения
Все рассматриваемые модели компонентов в предлагаемой модели месторождения представлены нейросетевыми модулями, принимающими в качестве входных данных внутренние параметры функционирования, характерные для каждого моделируемого блока, а также дополнительные значения величин энергетических воздействий на моделируемый компонент со стороны внешних связанных с компонентом узлов модели.
Выходными данными нейросетевой модели являются как рассмотренные в работе 2015-2016 гг. параметры внутреннего состояния объектов (наличие неисправностей, режимы работы, т.п.), так и величины преобразованных в результате функционирования компонента компонентов вектора энергетического взаимодействия компонента (выходные энергетические составляющие).
Таким образом, нейросетевые модели настроены на исходные данные, описывающие свойства потерь энергии в элементах системы, и на свойства источников энергии, которые обеспечивают прокачку флюида.
Нейросетевая модель элементов управления материальным балансом (сепараторы, установленные в системе, меняют материальный баланс движения флюида, так как часть потока (вода или газ) отделяются от основного и более не учитываются в модели).
В работе предполагается использовать данные по величинам предложенных энергетических параметров элементов модели, которые могут быть непосредственно измерены на тестовых объектах или вычислены на основе известных математических соотношений, для проведения процедур обучения нейросетевых моделей, эмитирующих работу каждого компонента в библиотеке компонентов моделируемого месторождения.
Модель каждого объекта, входящего в структуру обобщенной модели месторождения, должна, помимо внутренних параметров функционирования, определяющих состояние объекта управления, включать также анализ данных энергетической составляющей. Так как для моделирования узлов используются нейросетевые модели, практическим подходом для реализации метода оценки энергетических параметров модели являются дополнения векторов входных и выходных данных значениями энергетических составляющих.
Такое решение позволяет осуществить оценку как внутренних параметров работы каждого элемента модели (согласно структуре параметров, предложенных на предыдущих этапах работы), так и внешних параметров модели, характеризующих её энергетическое взаимодействие с другими элементами модели.
Анализ совокупности внешних воздействий каждого из элементов модели на остальные элементы может быть моделирован путем построения направленного графа, вершинами которого являются непосредственно модели элементов, а ребрами - связи между элементами. При этом каждое из ребер графа помечается вектором энергетического взаимодействия узлов модели таким образом, любая выходная энергетическая величина узла одного элемента модели становится входной энергетической составляющей другого элемента. Кроме этого, графовое представление модели предполагает внедрение нескольких терминальных узлов, являющихся источниками и стоками энергии, к этим элементам относятся источник внутрипластовой энергии, источник электрической энергии; стоком энергии являются узлы коммерческой сдачи нефтепродуктов и нагнетательные скважины.
Анализ взаимосвязи компонентов в графовом представлении задачи позволяет формировать прогнозные оценки влияния исходных параметров модели на энергетические составляющие, характеризующие эффективность работы моделируемого комплекса.
Предполагается, что для моделируемых в работе задач исходный граф технологического процесса может быть представлен в виде древовидной структуры, в которой направления потоков транспортируемых сред определяется однозначно при формировании модели.
Таким образом, в предлагаемая модель представляет собой совокупность интеллектуальных подходов к моделированию отдельных объектов месторождения, объединенных общей моделью месторождения, описываемой графом связей между используемыми компонентами из заранее обученного справочника. Данный подход не позволяет сформировать единую интеллектуальную модель всего месторождения, т.к. широкий спектр возможных структурных решений для всего месторождения невозможно представить в виде единой векторной схемы, описывающей как состав комплекса, так и параметры входящих в него компонентов, что является необходимым решением при использовании нейросетевых подходов. Однако, предложенный подход, учитывающий энергетический баланс месторождения, использует предложенные на предыдущих этапах работы интеллектуальные методы при моделировании каждого из компонентов объединенной модели.
В предлагаемом подходе направленный граф, описывающий структуру месторождения, используется для определения баланса учитываемой энергии на месторождении. Для определения этого баланса величины энергетических составляющих графа должны быть рассчитаны с учетом направления потоков жидкости. Для выполнения данного расчета все связи графовой модели заменяются системой линейных уравнений, включающих величины входных и выходных энергетических составляющих по каждому виду энергии в отдельности. Решение полученной системы уравнений может быть получено с применением любого известного метода решения
систем линейных алгебраических уравнений. Предлагаемая графовая модель распространяет величину начального энергетического воздействия (давление на выходе скважины) через элементы модели, каждый из которых помимо внутренних параметров имеет возможность передачи и получения величин энергетических составляющих [19-21].
Алгоритм работы нейронной сети
Общий алгоритм работы нейронной сети [22; 23] состоит в выполнении следующей последовательности операций:
Шаг 1. t = 0. Задание исходных параметров сети (размеров слоев, порогов возбуждения нейронов и других характеристик). Формирование таблиц возможных значений параметров синапсов сети для ускорения последующих вычислений.
Шаг 2. t = t + 1. Ввод в сеть через первое поле первого слоя на ^м такте очередной совокупности единичных образов, несущих информацию о входном сигнале (преобразованных данных телеметрических замеров).
Шаг 3. к = 0. Если t > Т, то завершение обработки информации.
Шаг 4. к = к + 1. Начало обработки информации относительно к-го слоя.
Шаг 5. i = 0. Если к > К = 2, то пересчет числа запомненных на синапсах единичных образов с учетом нового состояния слоев сети (полученных эффектов от взаимодействия нейронов). Переход к шагу 2.
Шаг 6. i = i + 1. Начало анализа воздействий единичных образов на ьй нейрон к-го слоя.
Шаг 7. Если i > N то переход к шагу 4.
Шаг 8. j = 0. Если ьй нейрон находится в состоянии невосприимчивости (рефрактерности), то переход к шагу 6.
Шаг 9. j = j + 1. Начало анализа воздействия на ьй нейрон к-го слоя со стороны j-го нейрона другого слоя через [);1]-й синапс.
Шаг 10. Если j > N то переход к шагу 13.
Шаг 11. Если j-й нейрон не возбужден, то переход к шагу 9.
Шаг 12. Определение веса [);1]-го синапса и, соответственно, потенциала, поступающего с него на ьй нейрон к-го слоя с учетом пространственных сдвигов, обеспечивающих формирование требуемой спиральной структуры слоев сети. Прибавление этого потенциала к уже имеемому потенциалу на входе нейрона. Переход к шагу 9.
Шаг. 13. Если суммарный потенциал на входе ьго нейрона к-го слоя превышает заданный порог, этот нейрон переводится в состояние возбуждения и на его выходе формируется единичный образ длительностью в один такт. Относительно момента возбуждения начинается также отсчетвремени нахождения нейрона в состоянии невосприимчивости. Во всех случаях осуществляется переход к шагу 6 и потенциал на входе нейрона к очередному такту обнуляется.
Подбор архитектуры и обучение РНС производится следующим образом. Первичную архитектура сети выбирается исходя из вывода теоремы Колмогорова, достаточно использовать 2№1 нейронов в скрытом слое. Где N размерность вектора в пространстве признаков.
При выводе этих формул нейронная сеть рассматривалась как многомерный аппроксиматор функций. В данном случае она будет аппроксимировать функцию принадлежности к тому или иному классу. В последствии выходные данные нейронной сети возможно обрабатывать с помощью инструментов нечеткой логики.
Данное количество нейронов является достаточным, но не необходимым. Что скрывает вторую проблему — при слишком большом количестве нейронов возникает проблема переобучения сети. А это приводит к слишком близкой аппроксимации и сеть становится чувствительной конкретным значением шума, в результате чего увеличивается ошибка обобщения. Для уменьшения количества нейронов при переобучении сети предложено использовать методы редукции. Один из наиболее популярных методов редукции является назначения штрафной функции, когда нейроны или связи играющий наименьшую роль в формировании ответа просто уничтожается. Таким образом достигается оптимальная архитектура сети. Обучение нейронной сети данной архитектуры также является сложной задачей. Для обучения известны несколько методов обучения РНС: метод сопряженных градиентов [24], метод на основе Дельта правила, алгоритм Левенберга-Марквардта, метод имитации отжига, генетические алгоритмы и так далее. Наилучшие результаты обучения были получены при использовании двух методов: алгоритма Левенберга-Марквардта, и Дельта правила. Дельта правило является наиболее простым, но по скорости обучения алгоритм Левенберга-Марквардта является наиболее оптимальным.
Для вычисления ошибки сети в работе используется среднее значение расстояния в евклидовом пространстве между эталонным вектором и выходом нейронной сети. Также в работе используется
подход, заключающийся в том, что обучающую выборку надо разбить на три выборки. Обучение вести только по одной части этой выборки, а для проверки ошибки использовать две части. А верификация результатов обучения проводится по третьей части исходной выборки. Это позволит избежать переобучения и добиться минимальной ошибки обобщения.
Для того, чтобы увеличить объем обучающей выборки, в исходную базу обучающей выборки в работе предложено добавлять шум с разными законами распределения и с разным соотношением сигнал/шум.После прохождения РНС мы получаем вероятность того, что сигнал относится к тому или иному классу. Но, если применять только РНС, не учитывается априорная вероятность появление какого-либо класса. Для того, чтобы учесть ее и пересчитать вероятности принято решение использовать теорему Байеса.
Предложенный подход с использованием рекуррентных нейронных сетей позволил эффективно решить задачи, связанные с обработкой последовательностей векторов, но показал неудовлетворительные результаты при исследовании сильно зашумленных сигналов в некоторых классах выявляемых неисправностей насосного оборудования. Для решения данной проблемы предложено применить гибридный подход, основанный нана использовании рекуррентных и сверточных нейронных сетей в сочетании.
Сверточные сети продемонстрировали отличные результаты в таких задачах, как: распознавание текстов, классификации и распознавания лиц. Другими словами, данный тип нейронной сети идеально подходить для классификации матриц. В работе используется сверточная сеть для распознавания матриц параметров насосного оборудования. Все обучение ведется на процессорах видеокарты, т.к. только мощные вычислительные возможности GPU делают обучение больших моделей возможными.
Несмотря на прогресс в использовании сверточных нейронных сетей, по-прежнему отсутствуют четкие модели, характеризующие их внутреннюю структуру и свойства, позволяющие достигать высокого качества получаемых результатов. Без четкого понимания того, как и почему работают подобные решения, развитие лучших моделей сетей сводится к методу проб и ошибок. Методика анализа, которая предложена в работе, использует многоуровневую сверточную сеть. Проведен анализ чувствительности выхода данной сети. Отметим, что данный метод предполагает исследование различных архитектур для поиска решений, которые превосходят полученные раннее результаты.
В многоуровневых сетях необходимо найти оптимальное воздействие для каждого слоя путем выполнения градиентного спуска в пространстве матрицы, чтобы максимизировать активацию нужного нейрона на определенный паттерн. Говоря об обучении, можно сказать, что матрица Гессе данной сети может быть вычислена численно в окрестности оптимального ответа, делая работу сети инвариантной к шумам. Проблема заключается в том, что для более глубоких слоев, изменение весов является крайне сложной задачей. Обучение на основе алгоритма обратного распространения ошибки можно распараллелить на несколько ядер и/или процессоров. Кроме этого, реализована система для искажения (внесения шумов в выборки), что позволяет лучше фильтровать шумы.
Предложенный подход обеспечивает непараметрический вид инвариантности, показывающий какие шаблоны, из обучающего набора активируют карту функции.
Для обучения в работе подготавливаются модели с использованием большого набора N маркированных таблиц {х, у}, где вектор «у» является вектором, указывающим на истинный класс. Функция потери кросс-энтропии подходит для классификации таблиц. Параметры сети (фильтры в сверточных слоев, матрицы весов в полносвязных слоях и уклоны) обучают сеть методом обратного распространения ошибки, распространяющихся производную потерь в отношении весов по всей сети, и обновляют параметры с помощью стохастического градиентного спуска.
В работе предложено использовать стохастический градиентный спуск, так как на больших объемах обучающих выборок он работает быстрее. При стандартном градиентном спуске для корректировки весов используется градиент, который рассчитывается как сумма градиентов, по всем элементам обучения. Вектор параметров изменяется в направлении антиградиента с заданной нормой обучения. Из этого следует, что обычному градиентному спуску требуется один проход по обучающим данным до того, как он сможет менять параметры. При стохастическом градиентном спуске значение градиента аппроксимируются градиентом функции потерь, на одном элементе обучения. Параметры модели изменяются после каждого объекта обучения. При большом объеме данных выгоднее использовать стохастический градиентный спуск. Понимание функционирования сверточных сетей требует интерпретации функции активации в скрытых слоях.
В работе предлагается новый способ отображения этих функций обратно во входную матрицу, показывающий, какой входной образец вызвал данную активацию в слоях сверточной сети посредством деконволюционной сети, предложенной в [25; 26].
Для повышения точности предложено использовать методы статистической обработки данных и теорему Байеса, что позволило увеличить точность получаемых вероятностных оценок состояния анализируемого оборудования. Выводы
Задача разработки систем поддержки принятия решений в области выбора методов увеличения нефтеотдачи и мониторинга состояния нефтедобывающего оборудования являются актуальными.
В статье предложены методы нейросетевого анализа нефтепромысловых данных, в том числе нейросетевая методика оперативного определения рекомендуемых методов увеличения нефтеотдачи. Приведен общий алгоритм оценки и прогнозирования параметров работы цифрового месторождения и алгоритм работы нейронной сети.
Работа выполнена при финансовой поддержке РФФИ проект № 17-08-01219.
Список литературы / References
1. Bokserman A., Mishchenko I. Ways to overcome the negative trends in the development of the oil and gas complex of Russia (in Rus) // Nefteservice. № 4. С. 30-37.
2. Bokserman A., Mishchenko I. The potential of modern methods of enhanced oil recovery (in Rus). [Электронный ресурс]. Режим доступа: https://oilcapital.ru/news/markets/12-02-2007/potentsial-sovremennyh-metodov-povysheniya-nefteotdachi-plastov/ (дата обращения: 10.01.2019).
3. ShahD.O. Improved oil recovery by surfactant and polymer flooding.: Elsevier, 2012. 578 с.
4. Morrow N., Buckley J., others. Improved oil recovery by low-salinity waterflooding // J. Pet. Technol., 2011. Т. 63. № 05. С. 106-112.
5. Sheng J.J. Enhanced oil recovery in shale reservoirs by gas injection // J. Nat. Gas Sci. Eng., 2015. Т. 22. С. 252-259.
6. Lake L. W. и др. Fundamentals of enhanced oil recovery, 2014.
7. Korovin I. и др. Application of hybrid data mining methods to increase profitability of heavy oil production // Informatics, Electronics and Vision (ICIEV), 2016 5th International Conference on., 2016. С. 1149-1152.
8. Devopswiki. [Электронный ресурс]. Режим доступа: http://devopshub.net/devopswiki/?lang=en/ (дата обращения: 10.01.2019).
9. Korovin I.S., Khisamutdinov M. V, Kaliaev A.I. The application of evolutionary algorithms in the artificial neural network training process for the oilfield equipment malfunctions' forecasting // 2nd International Symposium on Computer, Communication, Control and Automation, 2013.
10. Korovin I.S. и др. Artificial intelligence hybrid methods application in the task of the heavy oilfields profitability increase (In Russian) // Oil Ind. J. 2016. Т. 2016. № 01. С. 106-109.
11. Korovin I.S., Tkachenko M.G. Software & hardware platform for Digital Oilfield system organization (In Russian) // Neft. Khozyaystvo - Oil Ind. 2017. № 1. С. 84-87.
12. Korovin I.S., Igor A.K. Modern Decision Support Systems in Oil Industry: Types, Approaches and Applications // International Conference on Test, Measurement and Computational Methods (TMCM). , 2015. С. 141-144.
13. Korovin I.S., Khisamutdinov M.V. Neuronetwork decision support system for oilfield equipment condition online monitoring // Adv. Mater. Res., 2014. Т. 902. С. 409-415.
14. Korovin Y.S., Tkachenko M.G., Kononov S. V. Oilfield equipment's state diagnostics on the basis of data mining technologies // Neft. khozyaystvo-Oil Ind., 2012. № 9. С. 116-118.
15. Korovin I.S., Tkachenko M.G. Intelligent Oilfield Model // Procedia Comput. Sci, 2016. Т. 101. С. 300-303.
16. Korovin I.S., Tkachenko M.G. Digital Model of Surface Equipment within the Digital Oilfield Framework // Adv. Intell. Syst. Res. Т. 155. С. 159-162.
17. Korovin I.S., Boldyreff A.S. Embedded digital oilfield model // High-Performance Computing in Geoscience and Remote Sensing VII, 2017. С. 1043007.
18. Korovin I.S., Khisamutdinov M. V, Kalyaev A.I. On DSS Implementation in the Dynamic Model of the Digital Oil field // IOP Conference Series: Materials Science and Engineering, 2018. С. 12052.
19. Korovin I.S. Use of Recurrent and Convolutional Neural Networks for the Problem of Long Term Condition Prediction for Equipment of an Oil-and-gas Production Enterprise // DEStech Trans. Eng. Technol. Res., 2017. C. 97-100.
20. Korovin I.S., Tkachenko M.G. Implementation of neural network data analysis in oil and gas extraction industry // Izv. YUzhnogo Fed. Univ. Tekhnicheskie Nauk, 2010. № 12. C. 172-178.
21. Korovin I. u dp. Real-time diagnostics of oil production equipment using data mining // Informatics, Electronics and Vision (ICIEV), 2016 5th International Conference on., 2016. C. 1169-1172.
22. Korovin I. u dp. Neural network model of pumping units in oil preparation and pumping complex // Informatics, Electronics and Vision & 2017 7th International Symposium in Computational Medical and Health Technology (ICIEV-ISCMHT), 2017 6th International Conference on., 2017. C. 1-4.
23. Korovin I.S. u dp. Application of neural networks for modelling centrifugal pumping units of booster pump stations for a two-phase gas-liquid mixture // Informatics, Electronics and Vision & 2017 7th International Symposium in Computational Medical and Health Technology (ICIEV-ISCMHT), 2017 6th International Conference on., 2017. C. 1-6.
24. Charalambous C. Conjugate gradient algorithm for efficient training of artificial neural networks // IEE Proc. G Circuits, Devices Syst., 1992. T. 139. № 3. C. 301.
25. Zeiler M.D. u dp. Deconvolutional networks // Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2010. C. 2528-2535.
26. ZeilerM.D., Taylor G.W., Fergus R. Adaptive deconvolutional networks for mid and high level feature learning // Computer Vision (ICCV), 2011 IEEE International Conference on., 2011. C. 2018-2025.
ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МЕТОДОВ НЕЙРОСЕТЕВОГО АНАЛИЗА НЕФТЕПРОМЫСЛОВЫХ ДАННЫХ Коровин Я.С.1, Хисамутдинов М.В.2, Иванов Д.Я.3 Email: Korovin655@scientifictext.ru
'Коровин Яков Сергеевич — кандидат технических наук, директор;
2ХисамутдиновМаксим Владимирович — кандидат технических наук, старший научный сотрудник;
3Иванов Донат Яковлевич — кандидат технических наук, старший научный сотрудник, Научно-исследовательский институт многопроцессорных вычислительных систем им. академика А.В. Каляева Южный федеральный университет, г. Таганрог
Аннотация: в связи с высоким спросом на нефть и исчерпанием большинства легкодоступных месторождений, в последние годы активно осваиваются новые месторождения, находящиеся в Арктике, на шельфе. Развертывание нефтедобывающих комплексов в таких условиях сопряжено с финансовыми затратами и решением сложных технических задач. Поэтому в целях экономической целесообразности следует максимизировать объемы добытой нефти и при этом снизить эксплуатационные расходы на оборудование. В связи с этим необходимо применять методы увеличения нефтеотдачи для повышения добычи нефти и использовать современные методы мониторинга и прогнозирования состояния нефтедобывающего оборудования. При выборе применяемых методов увеличения нефтеотдачи необходимо учитывать большое количество параметров конкретного месторождения. Также в целях соблюдения экономической эффективности необходимо учитывать текущую стоимость конечного продукта на мировом рынке и финансовые затраты, связанные с применением тех или иных методов увеличения нефтеотдачи. Решение этой задачи требует анализа больших объемов данных, для которых характерна зашумленность и неполнота. В статье приведены результаты экспериментальных исследований методов нейросетевого анализа нефтепромысловых данных, в том числе нейросетевая методика оперативного определения рекомендуемых методов увеличения нефтеотдачи.
Ключевые слова: искусственная нейронная сеть, анализ данных, нефтяное месторождение, экспериментальные исследования.
