CC BY
900
в открытом доступе на сайте sovnauka.com
СОВРЕМЕННАЯ НАУКА № 3/2016 Прикладные исследования
33
УДК 608
Научная специальность 25.00.17 — Разработка и эксплуатация нефтяных и газовых месторождений
ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ
А.К. Подольский*
Аннотация. Рассматривается бурно развивающиеся направление прикладной математики — искусственные нейронные сети. Показана заинтересованность мировых и российских нефтяных компаний в развитии в сферах высоких технологий. Обобщен опыт внедрения искусственных нейронных сетей в различных направлениях нефтегазовой промышленности. Ключевые слова. искусственная нейронная сеть, искусственный интеллект, методы прогнозирования, статистика.
THE APPLICATION OF ARTIFICIAL INTELLIGENCE METHODS IN THE OIL AND GAS INDUSTRY
A.K. Podol'skiy*
Abstract. Of the discussed the rapidly develop direction of applied mathematics and artificial neural network. Shown the interest of Russian and world oil companies in the development in the fields of high technology. Summarizes the experience of implementation of artificial neural networks in various areas of oil and gas industry.
Keywords: artificial neural network, artificial intelligence, forecasting techniques, statistics.
Искусственный интеллект (ИИ) как научное направление представляет собой наглядный пример интеграции различных научных областей. Специалисты в естественно-научных областях и вычислительных науках изучают свойства и функционирование живых систем, пользуясь сходными методами. В целом, искусственный интеллект — это самостоятельная область научных исследований, которая сформировалась в результате достижений в математике и логике
и основана на накопленных человечеством знаниях о живой и неживой природе.
Практически с самого начала ученые, занимавшиеся этим новым направлением научных знаний, предположили, что к конструктивному определению и моделированию мышления полезно идти от специфики задач, вводя искусственный интеллект как механизм, необходимый для их решения. Таким образом, искусств енный интеллект в современном понимании — это совокуп-
Рис. 1. Схема многослойной искусственной нейронной сети
* Подольский Артем Константинович,
аспирант по кафедре разработки полезных ископаемых Всероссийский нефтегазовый научно-исследовательский институт имени А.П. Крылова
Контакты: Дмитровский пр-д., д. 10, Москва, Россия, 127422 E-mail: artem.podolskij@mail.ru
* Aitern K. Podol'skiy,
postgraduate student
Krylov All-Russian Oil and Gas Scientific Research Institute Joint-Stock Company
Contacts: Dmitrovskiy pr-d, d. 10, Moscow, Russia, 127422 E-mail: artem.podolskij@mail.ru
СОВРЕМЕННАЯ НАУКА № 3/2016 34 -
Прикладные исследования
Рис. 2. Процесс обучения нейронной сети
ность методов и инструментов решения различных сложных прикладных задач, использующих принципы и подходы, аналогичные размышляющему над их решением человеку или процессам, протекающим в живой или неживой природе.
Еще одно определение искусственного интеллекта — ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать задачи так, как делал бы размышляющий над их решением человек.
Искусственный интеллект основывается на самообучаемых искусственных нейронных сетях (ИНС) [1]. Что в свою очередь представляет систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов) (рисунок 1).
Возможность обучения — одно из главных преимуществ нейронной сети перед традиционными алгоритмами. Обучить нейронную сеть, то есть дать понять, что от нее требуется на выходе. Процесс обучения сводится к подстройке весов сети с наименьшей ошибкой. Алгоритм обучения представлен на рисунке 2.
Во всем мире стало бурно развиваться направление прикладной математики, специализирующееся на искусственных нейронных сетях. В основном, ИНС используют для распознания образов такие гиганты высоких технологий как Google, Yandex и д.р.
С учетом мировых и российских инновационных тенденций в нефтяной отрасли происходит модернизация нефтегазовой промышленности в сферах высоких технологий и интеллектуализации месторождений.
В ведущих нефтяных компаниях инициируются или уже разрабатываются проекты по принципу «интеллектуальное» месторождение. Вектор развития данного направления, безусловно будет иметь восходящую динамику в России и мире (таблица 1).
В работе [2] проведен системный анализ основных направлений развития цифровых и интеллектуальных месторождений. По мнению автора, нефтегазовая отрасль имеет все необходимое для цифровых и интеллектуальных преобразований. В целом, инновационные процессы будут осуществлять эффективную модернизацию нефтегазовой промышленности России на новом витке разви-
Табл. 1. Опыт нефтегазовых компаний по интеллектуализации месторождений
*
РОСНЕФТЬ
J
^ГАЗПРОМ
[Од ЛУКОЙЛ
1 НЕФТЯНАЯ КОМПАНИЯ
TAT IM EFT
Компания Месторождение Технология
Shell Салымские Умное месторождение
Chevron Joint Operations Wafra Интеллектуальное месторождение
Роснефть Приобское Месторождение на ладони
Газпром Сахалин-2 Умное месторождение
BP Самотлорское, Ваньеганское, Уватские Интеллектуальное месторождение
НК ЛУКОЙЛ Западная Круна-2 Интеллектуальное месторождение
Кокуйское Интеллектуальный куст скважин
Татнефть Ромашкинское Интеллектуальное месторождение
СОВРЕМЕННАЯ НАУКА № 3/2016 Прикладные исследования
тия, а именно в сферах высоких технологий и интеллектуализации месторождений. В основе цифровых и интеллектуальных технологий нефтегазовой отрасли лежит использование методов искусственного интеллекта (рис. 3).
Как видно из графика, в настоящий момент один из наиболее применяемых методов — искусственные нейронные сети. В России по состоянию на 1 января 2015 г. количество цифровых месторождений достигло 26, что составляет около 12% от общего их количества в мире: ПАО «Роснефть» — 10; ПАО «Газпром» — 7 (1 морское безлюдное); ОАО «Лукойл» — 4; ОАО «Новатэк» — 2 (1 безлюдное); ПАО «Татнефть» — 1; ОАО «Ритэк» — 1. Инновационные и интеллектуальные технологии, модернизация нефтегазовой отрасли в конечном итоге приведут к системным изменениям и положительным преобразованиям в нашей стране.
В настоящий момент можно выделить три потенциальные сферы применения технологий на основе искусственного интеллекта: геологоразведка, добыча и стратегическое планирование. В геологоразведке использование искусственного интеллекта позволит более эффективно интерпретировать данные сейсмических исследований и разведочного бурения. Такой подход позволит сократить количество пробуренных скважин и проводимых тестов для определения характеристик месторождений, что в свою очередь будет способствовать экономии денежных средств и временных ресурсов. В технологиях добычи нефти развивается такое направление, как «умные месторождения» и «умные скважины». Их продвигают такие зарубежные нефтяные компаниями, как Chevron, BP и Shell (использует в России на месторождении Салым Петролеум в Западной Сибири). Такие место-
рождения предполагают удаленное управление объектами нефтедобычи, что позволит сократить издержки и увеличить КИН. Согласно исследованию, проведенному Cambridge Energy Research Association (CERA), отдача на «умных месторождениях» уже сейчас на 2—10% выше, чем на традиционных. И это только экспериментальная фаза развития подобных технологий.
В Удмуртском институте нефти и газа им. М.С. Гуцериева специалисты сравнили эффективность применения нейронных сетей и метода множественной линейной регресии при прогнозировании эффективности ГТМ [5]. В работе обучение нейронных сетей проводилось при помощи программного продукта STATISTI-CA Neural Networks. Объектом исследования были по-интервальные солянокислотные обработки, проведенные в 2010—2014 гг. на верейко-башкирском объекте Сосновского месторождения. Всего было исследовано 25 обработок. Для сравнения эффективности нейронных сетей были получены уравнения множественной линейной регрессии. Авторы делают вывод, что нейронная сеть способна более точно предсказывать эффективность ГТМ, основываясь на истории предыдущих обработок, нежели множественная линейная регрессия. Средняя относительная ошибка в двое меньше. Однако, и нейронная сеть не всегда хорошо предсказала эффективность, это возможно исправить путем нормализации обучающих данных.
В Томском государственном университете рассмотрена возможность использования искусственных нейронных сетей для оценки ожидаемой дополнительной добычи нефти в результате выполнения выравнивания профиля приемистости (ВПП) на нагнетательных сква-
100
s -
о
CS
а н
о «
о к s H
<u к о с a
о s
о
с
10
0,1
САУ ^ ^^^^ ^^^^ Добыча данных
Прокси-модели Виртуальные^^^^ среды ^^^ ♦ + ЭС Нейронные сети ♦ Машинное обучение
♦ ^^^ САПР Умнеть, Генетические алгоритмы Рассуждение ^ по прецедентам
0,1
1 10 Поиск в Интернете (106 ссылок)
100
Рис. 3. Результаты исследования применения методов интеллекта в нефтегазовой отрасли
СОВРЕМЕННАЯ НАУКА № 3/2016 36 -
Прикладные исследования
жинах [3]. На примере фактически проведенных в 2012 г. операций по ВПП на одном из месторождений была оценена погрешность прогнозирования эффективности данных мероприятий посредством разработанной модели искусственной нейронной сети. В сравнении с гидродинамическим моделированием, разработанная мате-чматическая модель позволила получить прогнозные показатели за гораздо меньший срок при сопоставимой точности предсказания.
Для создания модели ИНС были использованы показатели по 106 скважинам, ранее на которых проводились ВПП. Входные данные для обучения нейронной сети были: пористость пласта, проницаемость, дебит жидкости до ВПП, обводненность скважин до ВПП, объем закачки реагента и др. В качестве выходных (предсказываемых) данных использовались две характеристики: ожидаемое изменение обводненности и ожидаемая продолжительность эффекта. Создание модели ИНС осуществлялось в программном обеспечении STATISTICA. Для обучения модели, состоявшей из
4-х нейронов в промежуточном слое с функции сиг-мода, использовался алгоритм Левенберга — Мар-квардта. Анализ результатов показал, что построенная ИНС характеризуется высоким качеством обучения.
В работе [4] проводили попытку установить влияние параметров и показателей разработки нефтяного месторождения на конечный КИН. Рассматривали метод линейной регрессии и моделирование нейронной сетью для оценки и прогноза КИН. Было произведено 7000 эпох обучения, в результате которой расчеты показали очень высокую точность предсказания КИН.
Как видно из работ других специалистов, в мире, в последние время бурно стараются развивать новую прикладную область математики, специализирующуюся на искусственных нейронных сетях в нефтяной промышленности. Зачастую, решить однозначно проблему получается не всегда. В большинстве случаев это связано с недостаточной достоверностью входных данных для обучения модели, или же их количества. Необходимые данные для создания ИНС должны быть максимально точными.
Литература/References
1. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. 2007. № 1. C. 20—29. [Vasenkov DV. Methods of training artificial neural networks Komp'yuternye instrumenty v obrazovanii. 2007(1):20-9].
2. Еремин Н.А., Дмитриевский А.Н., Тихомиров Л.И. Настоящее и будущее интеллектуальных месторождений // Нефть. Газ. Новации. 2015. № 12. С. 45—50. [Eremin NA, Dmitrievskiy AN, TikhomirovLI. Present and future of intellectual deposits. Neft' Gaz Novatsii. 2015(12):45-50].
3. Келлер Ю.А. Разработка искусственных нейронных сетей для предсказания технологической эффективности от выравнивания профиля приемистости // Известия Томского политехнического университета. Информационные технологии. 2014. Т. 325. № 5. C. 60—65. [Keller YA. Development of artificial neural networks for predicting technological efficiency from equalizing the pickup profile. Izvestiya Tomskogo politekhnicheskogo universiteta Informatsionnye tekhnologii. 2014(5):60-5].
4. Мандрик И.Э., Шахвердиев A.X., Сулейманов И.В. Оценка и прогноз нефтеотдачи на основе моделирования нейронными сетями // Нефтяное хозяйство. 2005. № 10. С. 31—34. [Mandrik IE, Shakhverdiev AX, Suleymanov IV. Estimation and forecast of oil recovery based on modeling by neural networks. Neftyanoe kho-zyaystvo. 2005(10):31-4].
5. URL://http://earthpapers.net/operativnoe-regulirovanie-razrabotki-zalezhey-nefti-metodami-neyrosetevogo-mo delirovaniya#ixzz4j Do3f6bm
7. Пчельников И.В., Борхович С.Ю., Натаров А.Л. Перспективы прогнозирования эффективности ГТМ на основе нейросетевого моделирования // Нефть. Газ. Новации. 2016. № 4. С. 37—40. [Pchel'nikovIV, Bork-hovich SY, NatarovAL. Prospects for predicting the efficiency of geological and technical measures based on neural network modeling. Neft' Gaz Novatsii. 2016(4):37-40].
© Подольский А.К./Podol'skiy A.K., 2016. Это произведение распространяется по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. [This work is licensed under the Creative Commons Attribution 4.0 International License].
