CC BY
3Научная статья
УДК 004.896:662.27
DOI 10.35266/1999-7604-2023-4-6
НЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ВХОДНЫХ ПАРАМЕТРОВ
ПРИ ДОБЫЧЕ НЕФТИ
Евгений Дмитриевич Семёнов1, Михаил Яковлевич Брагинский 2, Дмитрий Викторович Тараканов 3В, Инесса Леонидовна Назарова 4
1 Сургутнефтегаз, Сургут, Россия
22 3, 4 Сургутский государственный университет, Сургут, Россия
1 semunoff90@gmail.com, https://orcid.org/0009-0007-2994-4119
2 braginskiy_mya@surgu.ru, https://orcid.org/0000-0003-1332-463X
3 sprtdv@mail.ru https://orcid.org/0000-0003-1851-1039
4nazarova_il@surgu.ru, https://orcid.org/0009-0001-0340-2609
Аннотация. В статье рассматривается применение искусственных нейронных сетей для прогнозирования технологических параметров добычи нефти. Для решения задачи были использованы аппараты искусственных нейронных сетей на основе архитектуры долгой краткосрочной памяти (LSTM) и управляемых рекуррентных блоков (GRU). Полученные результаты нейросетевого прогнозирования подтвердили эффективность применения рекуррентных нейронных сетей, особенно модели LSTM для прогнозирования временных рядов.
Ключевые слова: нейронные сети, добыча нефти, машинное обучение, LSTM, GRU, рекуррентная нейронная сеть, прогнозирование
Для цитирования: Семёнов Е. Д., Брагинский М. Я., Тараканов Д. В., Назарова И. Л. Нейросе-тевое прогнозирование входных параметров при добыче нефти // Вестник кибернетики. 2023. Т. 22, № 4. С. 42-51. DOI 10.35266/1999-7604-2023-4-6.
Original article
NEURAL NETWORK FORECASTING OF INPUT PARAMETERS
IN OIL DEVELOPMENT
Evgeny D. Semyonov1, Mikhail Ya. Braginsky 2, Dmitry V. Tarakanov 3B, Inessa L. Nazarova 4
1 Surgutneftegas, Surgut, Russia 22 3, 4 Surgut State University, Surgut, Russia
1 semunoff90@gmail.com, https://orcid.org/0009-0007-2994-4119
2 braginskiy_mya@surgu.ru, https://orcid.org/0000-0003-1332-463X
3 sprtdv@mail.ru https://orcid.org/0000-0003-1851-1039
4nazarova_il@surgu.ru, https://orcid.org/0009-0001-0340-2609
Abstract. The article examines use of artificial neural networks for forecasting of technological parameters of oil development. Artificial neural networks based on the long short-term memory architecture and gated recurrent units are used to solve the problem. The findings of neural network forecasting prove the efficacy of recurrent neural networks, especially the long short-term memory one, for forecasting of time series.
Keywords: neural networks, oil development, machine learning, LSTM, GRU, recurrent neural network, forecast
For citation: Semyonov E. D., Braginsky M. Ya., Tarakanov D. V., Nazarova I. L. Neural network forecasting of input parameters in oil development. Proceedings in Cybernetics. 2023;22(4):42-51. DOI 10.35266/1999-7604-2023-4-6.
ВВЕДЕНИЕ
Текущие методы разработки месторождений нефти и газа в естественных условиях позволяют добывать эти ресурсы лишь в течение 3-5 лет. Это очень короткий срок, поэтому для увеличения нефтеотдачи используются методы искусственного воздействия на пласт. Одним из таких методов является закачка воды. Со временем пластовое давление снижается, что приводит к снижению дебитов скважин. Нагнетаемая вода восполняет эти потери, восстанавливая и поддерживая давление. Это, в свою очередь, увеличивает нефтеотдачу, так как вода вытесняет нефть из пласта. При длительной закачке вода может вымыть оставшиеся частицы нефти [1]. Расчеты для регулирования подачи нагнетающей жидкости зависят от множества факторов, включая количество жидкости и давление закачки, коэффициенты охвата пласта заводнением и коэффициенты вытеснения. Эти коэффициенты, в свою очередь, зависят от данных, полученных в процессе добычи [2, 3], поэтому сложно точно оценить предстоящие затраты на нагнетание жидкости в следующем периоде времени.
Параметры, характеризующие процесс добычи нефти и газа, а также результаты добычи за прошедшее время можно использовать для обучения нейронной сети. Нейронная сеть может использовать эти данные при построении прогноза для принятия решений о регулировании добычи нефти.
В настоящее время управление добычей нефти и газа основывается на результатах, полученных в прошлом. Этот метод эффективен для каждого конкретного месторождения, но он не учитывает изменения пластовых условий.
Цели и задачи представленного исследования заключаются в создании искусственной
Структура пром]
нейронной сети (ИНС) для прогнозирования параметров добычи нефти, исследовании точности прогноза в зависимости от периода добычи и в изучении эффективности использования рекуррентной нейронной сети в решении задачи экстраполяции [4-7].
МАТЕРИАЛЫ И МЕТОДЫ
Один из подходов к прогнозированию временных рядов, включая многофакторные, является использование рекуррентных нейронных сетей (РНС), таких как LSTM (Long Short-Term Memory). РНС шаг за шагом обрабатывает последовательность данных, сохраняя внутреннее состояние, полученное при обработке предыдущих элементов. В данном случае сеть LSTM может быть обучена на многофакторных временных рядах добычи нефти, где пользователь сам выбирает показатели, после чего модель обучается и выдает результаты прогнозирования.
При реализации рекуррентных нейронных сетей были использованы промышленные данные с трех скважин на Федоровском месторождении: одна из них является нефтяной скважиной, а две другие - нагнетательными. Из доступных параметров были выбраны количество закаченной нагнетательной жидкости в час и давление закачки. Прогнозируемым параметром является дебит нефти в час, который имеет высокую практическую значимость для оценки производительности и эффективности месторождения.
Для обучения модели было использовано 10 тысяч записей, что соответствует более чем 416 дням данных. Это позволяет модели учитывать разнообразные сезонные и долгосрочные паттерны, которые могут повлиять на производство и добычу нефти.
Структура данных представлена в табл. 1.
Таблица 1
иленных данных
Временной ряд Единица измерения
Количество закаченной воды в нагнетательную скважину (для двух скважин) Баррелей в час
Давление в скважине (для двух скважин) Бар
Дебит нефти Баррелей в час
Примечание: составлено авторами.
Тестовые данные представлены в виде временных рядов и записаны в файл формата CSV с разделителем - запятой.
Для обучения сети вначале были подготовлены данные с помощью библиотеки Python «pandas». После загрузки данные были подвергнуты масштабированию так, чтобы они представляли рациональные числа от 0 до 1, так как этого требует нейронная сеть.
Для обучения предоставленные данные были преобразованы в принятую LSTM форму [8]. Необходимо было преобразовать
данные в трехмерный формат, где первое измерение - это количество записей или строк в наборе данных, которое в нашем случае равно 10 000, второе - это количество временных шагов, равное 24, и последнее - количество индикаторов, равное 5.
Реализованная модель LSTM (рис. 1, 2) является последовательной моделью с несколькими слоями. Модель состоит из четырех слоев LSTM, за которыми следует плотный слой, предсказывающий дебет нефти.
#3агрузка данных из файла
data = pd.read_csv(r"С:\___\dataOil.csv')
#Масштабирование
scaler = MinMaxScaler(feature_range=(9j 1)) data = scaler.fit_transform(data)
#Деление данных на обучающую выборку и тестовые данные
train_size = int(len(data) * 9.6)
test_size = len(data) - train_size
trairij test = data[0:train_sizej
data[train_size:len(data)л :]
look_back = 5
trainXj trainY = createDataset(train, look_back) testXj testY = createDataset(testj look_back)
#Массив моделей
models = [CreateNetworkAI(5j look_back_, 1, 199л в.2),
CreateNetworkAI(5л look_backa 1, 1698, 9.2)] #Названия моделей
nameModel = ["LSTM 1, 199, 9.2", ...... "LSTM 1, lk, 399"]
#Кол-во эпох для каждой модели
countsEpoch = [199л ........ 399]
testPredicts = []
for indeXj value in enumerate(models): #0бучение модели
model.fit(trainX, trainY., epochs=countsEpoch [ index], verbose=2) #Прогноз на тестовых данных testPredict = model.predict(testX) testPredicts.append(testPredict)
#0братное масштабирование полученных данных testYunScaled = scaler.inverse_transform(testY) testPredictunScaled = scaler.inverse_transform(
dat a ForllnScale( test Predict))
#Вывод графика
CreatePlotResuit(testYunScaledj testPredictunScaled, ['Pl'j 'Wl'j 1P2'j 'W2'j 'Oil'], nameModel[index]j в, 508) Использование метрик для полученных результатов metrics(testYunScaled[:, 4], testPredictunScaled[:, 4])
Рис. 1. Листинг 1. Модель ИНС LSTM
Примечание: составлено авторами.
def CreateNetworkAI(CountInput, LookBach,
CountLongMemLayer, CountUnits., dropOut): CountLayFlag = CountLongMemLayer - 1 model = Sequential()
model.add(LSTM(units=CountUnits, return_sequenees=True,
input_shape=(LookBach, Countlnput))) model.add(Dropout(dropOut))
while CountLayFlag:
model. add(LSTM(units=CountUnitsJ>
return_sequences=(CountLayFlag model.add(Dropout(dropOut)) CountLayFlag -= 1
1 != 0)))
model.add(Dense(units=l))
model.compile(optimizer^ adam', loss='mean_squared_error')
return model
Рис. 2. Листинг 2. Модель ИНС LSTM
Примечание: составлено авторами.
Также в модель были добавлены слои отсева. Слой отсева добавляется, чтобы избежать переобучения, которое является феноменом, когда модель машинного обучения работает лучше на обучающих данных по сравнению с тестовыми данными [8].
Для увеличения надежности в модель был добавлен плотный слой в конце. Число нейронов в плотном слое установлено равным 1, так как на выходе предсказывается 1 значение.
Для обучения используется среднеквадратичная ошибка в качестве функции потерь, а для уменьшения потерь или оптимизации алгоритма используется оптимизатор adam [9]. Среднеквадратичная ошибка измеряет среднее квадратов ошибок, т. е. среднеквадратич-
ную разность между расчетными и фактическими значениями.
Adam - это алгоритм оптимизации, который можно использовать вместо классической процедуры стохастического градиентного спуска для итеративного обновления весов сети на основе обучающих данных. Скорость обучения поддерживается для каждого веса сети (параметра) и адаптируется отдельно по мере развития обучения [9, 10].
Обучение проходило 50 эпох и заняло примерно 30 минут на персональной ЭВМ.
Структура обучающей выборки (рис. 3, выделено красным) и фактических данных, прогноз которых необходимо получить (рис. 3, выделено синим), представлены на рис. 3.
Ж.
60 9 184 10 180 104
120 8 169 8 176 93
180 8 149 10 149 89
240 9 162 8 164 127
300 9 161 9 151 105
В 60 8 161 9 176 124
420 10 187 8 155 128
480 9 183 10 186 82
540 9 168 9 159 116
600 9 172 10 185 117
660 8 174 8 164 83
720 9 158 9 159 111
780 9 179 8 165 128
840 10 151 9 152 128
900 8 167 10 152 116
960 10 176 9 166 117
1020 8 165 10 151 117
1080 10 175 10 153 121
1140 9 155 8 186 123
1200 9 160 8 157 86
1260 8 152 8 150 130
1320 10 150 9 171 83
1380 8 164 8 185 118
0 10 174 8 180 86 |
60 10 184 8 154 127
120 8 178 9 183 1
Рис. 3. Структура данных
Примечание: составлено авторами.
Аналогично реализации ИНС с моделью LSTM была реализована ИНС с моделью GRU для сравнительного анализа. Результаты
обучения и работы реализованных РНС представлены на рис. 4, 5.
Рис. 4. Единственный слой LSTM, 500 нейронов
Примечание: составлено авторами.
Рис. 5. Единственный слой GRU, 20 нейронов
Примечание: составлено авторами.
По вышеприведенным графикам видно, что в обоих случаях сохраняется тенденция при прогнозировании, но в случае GRU прогнозируемые данные сильнее отличаются
от фактических, чем у модели LSTM. Данные результаты подтверждают эффективность метода и модели LSTM в решении поставленной задачи.
РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ
В начальной стадии проведения исследования было создано 12 нейронных сетей с различными параметрами: количество слоев долгосрочной памяти варьировалось от 1 до 4, а размер выходного пространства - от 20 до 50.
Анализируя графики, можно сделать вывод, что повышение количества слоев долгосрочной памяти приводит к снижению точности предсказаний. В данном контексте для решения поставленной задачи достаточно использовать лишь один слой. Одновременно с этим увеличение размерности выходного пространства приводит к повышению точности прогнозирования.
В ходе второго этапа экспериментов было проведено обучение нейронных сетей с последовательным увеличением размерности выходного пространства. Наблюдаемое повышение точности на графиках подтверждает значимость выбранного параметра. Однако для обеспечения чистоты эксперимента была
проведена удачная попытка привести обучающую модель к снижению точности вследствие избыточного количества нейронов.
По итогам анализа данных были выбраны эффективные параметры для количества слоев долгосрочной памяти и количества нейронов в этих слоях: 1 слой, содержащий 300 нейронов.
Качество моделей LSTM и GRU одинаковые, но GRU проигрывает по времени обучения, и LSTM имеет явно определенную ячейку памяти, которая позволяет сохранять информацию на длительные промежутки времени. Это особенно полезно для моделирования зависимостей в долгосрочных временных рядах, где важно учитывать более удаленные зависимости. Поэтому в дальнейшем проводилось исследование зависимости количества эпох на точность прогноза у модели LSTM.
График предсказанных значений и метрики выбранной модели представлены на рис. 6.
О 100 200 300 400 500
Time
Рис. 6. Фрагмент автоматического отчета исследования
Примечание: составлено авторами.
Тест на стационарность:
T-статистика = -8,423, P-значение = 0,000.
Критические значения: 1 %: -3,4319957562514243 - данные стационарны с вероятностью 99 %;
5 %: -2,862267205086051 - данные стационарны с вероятностью 95 %;
10 %: -2,5671570992175385 - данные стационарны с вероятностью 90 %; MAD: 1,9625; MSE: 6,4877;
Стандартная ошибка: 2,5471.
В целях обеспечения надлежащего контроля над экспериментом, а также в связи с нестационарным характером данных было проведено повторное исследование с исполь-
Результаты исследования на промышленных данных позволили сделать несколько важных выводов. Установлено, что увеличение количества нейронов или эпох обучения приводит к повышению точности прогнозирования. Однако при дальнейшем увеличении этих параметров возникает проблема переобучения, что приводит к ухудшению обобщающей способности модели.
Чтобы решить эту проблему, был изучен механизм вероятности отсева нейронов, который позволяет случайным образом исключать определенные нейроны во время обучения. Однако при увеличении вероятности отсева нейронов также возникает проблема недообучения, когда модель теряет способность извлекать важные признаки из данных.
В результате экспериментов были определены несколько наиболее подходящих параметров для обучения модели. В частности,
зованием различных параметров ИНС. Характеристики различных моделей, а также их результаты в терминах точности приведены в табл. 2.
использование 500 нейронов и проведение 200 эпох обучения позволило достичь высокой точности прогнозирования. Кроме того, установка вероятности отсева нейронов на уровне 20 % также дала хорошие результаты.
Таким образом, были получены эффективные значения параметров, которые могут использоваться для эффективного обучения модели на основе промышленных данных. Эти результаты могут иметь важное практическое значение для прогнозирования и оптимизации процессов в промышленной сфере.
Графические представления результатов прогнозирования худшей модели приведены на рис. 7, 8. Анализ рис. 6 позволяет наглядно оценить отклонение прогнозируемых значений от фактических данных. Лучшие результаты представлены на графиках рис. 9, 10.
Таблица 2
Параметры и результаты точности ИНС
№ Слоев Нейронов Отсев Эпох MAD MSE Стд. ошибка
1 1 100 0,2 100 1,187 2,4807 1,575
2 1 300 0,2 100 1,5975 3,5804 1,8922
3 1 500 0,2 100 1,268 2,2494 1,4998
4 500 0,2 100 14,928 285,837 16,906
5 1 500 0,1 100 1,545 3,4076 1,846
6 1 500 0,5 100 1,0529 1,7216 1,3121
7 1 500 0,8 100 1,5423 3,7508 1,9367
8 1 500 0,2 200 0,8363 1,1116 1,0543
9 1 500 0,2 300 1,1261 2,3053 1,5183
10 1 1 000 0,5 300 1,5606 3,5932 1,8956
11 1 500 0,5 200 0,8759 1,2283 1,1083
12 1 1 000 0,2 300 0,8394 1,2134 1,1016
Примечание: составлено авторами.
Слоев и нейронов:1_БТМ 3, 500, 0.2
0 100 200 300 400 500
Т1те
Рис. 7. График тестовых данных и результат прогноза
Примечание: составлено авторами.
Слоев и нейронав:1_5ТМ 3, 500, 0.2
0 50 100 150 200 250
"Пте
Рис. 8. График тестовых данных и результат прогноза. Худшая модель
Примечание: составлено авторами.
Рис. 9. График результата прогноза. Все параметры. Лучший результат
Примечание: составлено авторами.
Рис. 10. График результата прогноза. Лучший результат
Примечание: составлено авторами.
ЗАКЛЮЧЕНИЕ
В работе представлены компьютерные эксперименты для определения эффективных параметров обучения нейронной сети. Было выявлено, что использование большего количества слоев приводит к уменьшению точности прогнозирования. Однако увеличение количества нейронов в сети позволяет повысить точность прогноза. При сравнении моделей
LSTM и ОЯи, модель GRU оказалась незначительно точнее, но, учитывая более длительное время обучения, модель ЬБТМ - предпочтительнее.
Также было проведено исследование зависимости точности модели от количества эпох обучения. Результаты показали, что с увеличением количества эпох точность прогноза повышается.
В целом, данное исследование подтвердило эффективность применения рекуррентных нейронных сетей, особенно модели LSTM для прогнозирования временных рядов. Полученные результаты могут быть полезны для при-
Список источников
1. Куленцан А. Л., Марчук Н. А. Анализ добычи нефти из пластов в Российской Федерации // Российский химический журнал. 2022. Т. 66, № 1. С. 71-75. DOI 10.6060/rcj.2022661.10.
2. Мурашов Б. А., Тепляков Н. Ф. Расчет и оптимизация объектов подготовки и перекачки нефти при оценке проектов и реинжиниринге // PROНЕФТЬ. Профессионально о нефти. 2018. № 4. С. 71-74.
3. Шевчук Т. Н., Кашников О. Ю., Мезенцева М. А. и др. Прогноз показателей добычи из пластов баженовской свиты на основе статистических зависимостей и методов машинного обучения // PROНЕФТЬ. Профессионально о нефти. 2020. № 4. С. 63-68.
4. Тутыгин В. Искусственный интеллект в нефтегазовой индустрии как фактор развития производственной системы // Science and Innovation. 2023. № 3. С. 168-171.
5. Хасанов И. И, Хасанова З. Р., Шакиров Р. А. и др. Обзор применения нейросетей в области добычи и транспорта нефти и газа // Транспорт и хранение нефтепродуктов и углеводородного сырья. 2022. № 3-4. С. 11-15.
6. Подольский А. К. Применение методов искусственного интеллекта в нефтегазовой промышленности // Современная наука. 2016. № 3. С. 33-36.
7. Семенов Е. Д. Адаптивное прогнозирование входных параметров при добыче нефти с использованием рекуррентной нейронной сети // Проблемы и решения автоматизации XXI века : сб. материалов V Национал. науч.-практич. студ. конф., 25-26 марта 2022 г., г. Сургут. Сургут : СурГУ, 2022. С. 78-83.
8. Будыльский Д. В. GRU и LSTM: современные рекуррентные нейронные сети // Молодой ученый. 2015. № 15. С. 51-54.
9. Kingma D. P., Ba J. L. Adam: A method for stochastic optimization. In: Proceedings of the 3rd International Conference for Learning Representations, May 7-9, 2015, San Diego. p. 1-15. DOI 10.48550/arXiv. 1412.6980.
10. Melinte D. O., Vladareanu L. Facial expressions recognition for human-robot interaction using deep convolutional neural networks with rectified Adam optimizer. Sensors. 2020;20(8):2393.
Информация об авторах
Е. Д. Семёнов - инженер-программист II категории. М. Я. Брагинский - кандидат технических наук, доцент.
Д. В. Тараканов - кандидат технических наук, доцент.
И. Л. Назарова - аспирант.
нятия решений и оптимизации процессов в области добычи нефти и других сферах, где требуется точный прогноз временных данных.
References
1. Kulentsan A. L., Marchuk N. A. Analysis of oil production from reservoirs in the Russian Federation. Rossiiskii khimicheskii zhurnal. 2022;66(1):71-75. DOI 10.6060/rcj.2022661.10. (In Russian).
2. Murashov B. A., Teplyakov N. F. Calculation and optimization of oil treatment and pumping facilities during project evaluation and reengineering. PROneft. Professionally about Oil. 2018;(4):71-74. (In Russian).
3. Shevchuk T. N., Kashnikov O. Yu., Mezentseva M. A. et al. Production forecast for Bazhen formation reservoirs on the basis of statistical analyses and machine learning techniques. PROneft. Professionally about Oil. 2020;(4):63-68. (In Russian).
4. Tutygin V. Iskusstvennyi intellekt v neftegazovoi indus-trii kak faktor razvitiia proizvodstvennoi sistemy. Science and Innovation. 2023;(3):168-171. (In Russian).
5. Khasanov I. I., Khasanova Z. R., Shakirov R. A. et al. Overview of the use of neural networks in the field of oil and gas production and transportation. Transport and Storage of Oil Products and Hydrocarbons. 2022;(3-4):11-15. (In Russian).
6. Podolsky A. K. The application of artificial intelligence methods in the oil and gas industry. Sovremen-naia nauka. 2016;(3):33-36. (In Russian).
7. Semenov E. D. Adaptivnoe prognozirovanie vkhodnykh parametrov pri dobyche nefti s ispolzovaniem rekur-rentnoi neironnoi seti. In: Proceedings of the VNational Research-to-Practice Conference "Problemy iresheniiaavtomatizatsiiXXIveka", March 25-26, 2022, Surgut. Surgut: SurSU; 2022. p. 78-83. (In Russian).
8. Budylsky D. V. GRU i LSTM: sovremennye rekurrent-nye neironnye seti. Molodoi uchenyi. 2015;(15):51-54. (In Russian).
9. Kingma D. P., Ba J. L. Adam: A method for stochastic optimization. In: Proceedings of the 3rd International Conference for Learning Representations, May 7-9, 2015, San Diego. p. 1-15. DOI 10.48550/arXiv. 1412.6980.
10. Melinte D. O., Vladareanu L. Facial expressions recognition for human-robot interaction using deep convolutional neural networks with rectified Adam optimizer. Sensors. 2020;20(8):2393.
Information about the authors
E. D. Semyonov - Second Category Software Engineer. M. Ya. Braginsky - Candidate of Sciences (Engineering), Docent.
D. V. Tarakanov - Candidate of Sciences (Engineering), Docent.
I. L. Nazarova - Postgraduate.
