CC BY
0УДК 004.896
Задагерей Б.М.
магистр,
Казахстанско-Британский технический университет (г. Алматы, Казахстан)
РАЗРАБОТКА АЛГОРИТМА ПРОГНОЗИРОВАНИЯ ДОБЫЧИ НЕФТИ ПРИ ЗАКАЧКЕ ПОЛИМЕРОВ С ИСПОЛЬЗОВАНИЕМ
НЕЙРОННЫХ СЕТЕЙ, ОСНОВАННЫХ НА ФИЗИКЕ (PINN)
Аннотация: точное прогнозирование добычи нефти при перегонке полимеров имеет решающее значение для оптимизации производственных процессов в нефтяной промышленности. Традиционные методы часто основаны на эмпирических корреляциях и упрощенных моделях, которые могут не отражать сложную динамику процесса. Нейронные сети, ориентированные на физику (Pins), предлагают многообещающий подход, интегрируя физические законы в структуру нейронных сетей, обеспечивая более надежный и точный инструмент прогнозирования. В данной статье представлена разработка алгоритма прогнозирования добычи нефти в процессе дистилляции полимеров на основе PIN-кода, а также его методология, реализация и оценка эффективности.
Ключевые слова: добыча нефти, полимеры, нейронные сети, физика, прогнозирование, нефтяная индустрия, оптимизация.
Введение.
Дистилляция полимеров является ключевым процессом в нефтяной промышленности, направленным на повышение нефтеотдачи пластов и качества продукции. Точное прогнозирование добычи нефти в ходе этого процесса необходимо для оптимизации эксплуатационных параметров и повышения эффективности. Традиционные методы прогнозирования часто оказываются неэффективными из-за того, что они основаны на эмпирических данных и упрощенных физических моделях. Прогнозирование добычи нефти при перегонке полимеров имеет решающее значение для оптимизации
производственных процессов и обеспечения эффективного использования ресурсов. Традиционные методы прогнозирования часто в значительной степени основаны на эмпирических данных, что может ограничить их обобщаемость и точность. В этой статье представлена разработка усовершенствованного алгоритма с использованием нейронных сетей, основанных на физике (Pins), для повышения точности прогнозирования за счет учета физических законов, управляющих процессом дистилляции. Интеграция физических ограничений в функцию потерь нейронной сети обеспечивает соблюдение известных физических принципов, повышая надежность и интерпретируемость модели.
Существующие модели прогнозирования добычи нефти в процессе перегонки полимеров часто не позволяют сделать обобщения для различных условий и точно отразить лежащие в их основе физические процессы. Это ограничение может привести к неоптимальному принятию решений и снижению эффективности.
Целью данного исследования является разработка и апробация алгоритма нейронной сети с учетом физики (PINN) для точного прогнозирования добычи нефти в процессе дистилляции полимеров. Ожидается, что интеграция физических законов в структуру нейронной сети повысит точность и надежность модели.
Нефтяная промышленность играет ключевую роль в мировой экономике, являясь основным источником энергии для различных отраслей, от транспортировки до производства. Однако с ростом эксплуатации месторождений и истощением легкодоступных запасов становится критически важным повысить эффективность производственных процессов. Одним из подходов, направленных на повышение нефтеотдачи пластов, является использование полимеров при закачке, что увеличивает вязкость воды и облегчает движение нефти к скважине. Однако эффективность этого процесса зависит от точного прогнозирования добычи. [1]
В этом контексте использование современных методов машинного обучения, таких как нейронные сети, становится все более востребованным.
Недавние исследования показывают потенциал нейронных сетей для точного прогнозирования показателей добычи в нефтяной отрасли. Однако существующие модели часто недостаточно учитывают физические законы и ограничения этого процесса.
Обзор литературы.
Эмпирические и механистические модели широко используются в нефтяной промышленности для прогнозирования добычи нефти. Эти модели обычно основаны на исторических данных и упрощенных физических допущениях, таких как закон Дарси и эмпирические корреляции (Ahmed, 2010). Однако их применимость ограничена конкретными условиями, в которых они были разработаны. [1]
В последние годы машинное обучение (ML) получило широкое распространение благодаря своей способности обрабатывать большие массивы данных и выявлять сложные закономерности (Мохагхег, 2017). Применение ML в нефтяной инженерии включает определение характеристик пластов, оптимизацию добычи и обнаружение неисправностей. Однако модели, основанные исключительно на данных, часто не поддаются интерпретации и могут не соответствовать известным физическим законам, что потенциально приводит к нереалистичным прогнозам (Sun et al., 2020).
Нейронные сети, ориентированные на физику (PINN).
PINN представляют собой новый подход, который интегрирует физические законы непосредственно в процесс обучения нейронной сети. Благодаря внедрению дифференциальных уравнений, управляющих физическими явлениями, PINN обеспечивают соответствие прогнозов фундаментальным принципам, повышая как точность, так и интерпретируемость (Raissi et al., 2019).
Методология.
Теоретическая основа.
Предложенный алгоритм PINN включает в себя уравнения сохранения массы и энергии, управляющие процессом дистилляции полимера. Эти
уравнения представлены в виде уравнений в частных производных (РЭЕ) и служат ограничениями в процессе обучения нейронной сети. Общая форма используемых уравнений сохранения такова:
д(ре) dt
^ + V • (ри) = 0(сохранение массы) + V • (puh) = V • (kVT) + Q (энергосбережение)
Где p - плотность, u - поле скоростей, e - удельная внутренняя энергия, h -удельная энтальпия, k - теплопроводность, T - температура, а Q - источник тепла.
Модель PINNA состоит из нейронной сети с несколькими слоями и нелинейными функциями активации. Входные данные включают в себя рабочие параметры, такие как температура, давление и концентрация полимера. На выходе получается прогнозируемый уровень добычи нефти. Архитектура показана на рисунке 1.
Fully-connected network
о а о
© О С) о
© о о с о-о-о
" .............v...;
Physics-Informed network
! ®
\ ¿wf '
© I №
Rbd ■= u(x,t) - h(x,t)
Boundary condition
Ric := u(x, 0) - g(x) Initial condition Rp :=: ut + Residual equation
Рисунок 1. Схема архитектуры PINN.
У = !в (*)
Где х представляет входные характеристики, у - прогноз на выходе, а 0 -параметры нейронной сети. Функция потерь объединяет потери, обусловленные данными (среднеквадратическая ошибка между прогнозируемыми и наблюдаемыми значениями), и потери, основанные на физике (остатки РЭЕ).
^ = ^йаЬа + ^-^рНуБьсз
Где - это потеря при среднеквадратичной ошибке, ^рпузкв-
остаточная потеря РЭБ, а X - весовой коэффициент. Сбор и предварительная обработка данных.
Был использован набор данных, содержащий исторические данные о работе установки перегонки полимеров. Данные включали температуру, давление, концентрацию полимера и соответствующие показатели добычи нефти. Этапы предварительной обработки включали нормализацию и разделение данных на обучающие и валидационные наборы. В таблице 1 приведены краткие характеристики набора данных.
1 - таблица. Приведены краткие описания наборов данных.
Параметр Означать Стандартное отклонение Минимум Максимум
Температура (°С) 250.3 15.2 220.0 280.0
Давление (бар) 5.6 0.8 4.0 7.0
Содержание полимера (мас.%) 3.5 1.0 1.0 5.0
Добыча нефти (баррель в сутки) 3000.0 500.0 2000.0 4000.0
Процедура обучения.
PINN был обучен с использованием комбинации стохастического градиентного спуска и автоматического дифференцирования, чтобы минимизировать комбинированную функцию потерь. Для оптимизации производительности модели была выполнена настройка гиперпараметров.
Результаты и обсуждение.
Производительность модели.
Модель PINN продемонстрировала превосходную производительность по сравнению с традиционными эмпирическими моделями и нейронными сетями, основанными на данных. Интеграция физических законов позволило получать более точные и согласованные прогнозы в различных условиях эксплуатации. На рисунке 3 показано сравнение фактических и прогнозируемых показателей добычи нефти для тестовой установки.
Resource Production Rale
1D2Ü 1&-0 15G0 LKO 2С& 202 J 2W.0 20 jQO
Vear
Рисунок 2. Фактические и прогнозируемые темпы добычи нефти.
Утверждение.
Валидация модели проводилась с использованием отдельного тестового набора данных. В рамках PINN был достигнут высокий коэффициент корреляции (R2 > 0,9) между прогнозируемыми и наблюдаемыми показателями добычи нефти, что свидетельствует о высокой прогнозирующей способности. В таблице 2 представлены показатели эффективности для различных моделей.
1 - таблица. Показатели эффективности для различных моделей
Модель RMSE MAE R2
Эмпирическая модель 150.2 120.5 0.78
Управляемый данными NN 100.3 85.4 0.85
PINN 45.6 32.1 0.92
Анализ чувствительности.
Был проведен анализ чувствительности для оценки влияния различных входных параметров на прогнозы модели. Анализ подтвердил, что температура и концентрация полимера являются наиболее важными факторами, влияющими на добычу нефти.
Выводы.
В этом исследовании представлен новый алгоритм прогнозирования добычи нефти при перегонке полимеров на основе РШ-кода. Благодаря включению физических законов в структуру нейронной сети модель обеспечивает более высокую точность и надежность по сравнению с традиционными методами.
Последствия.
Предложенный алгоритм может значительно улучшить оптимизацию процессов дистилляции полимеров, что приведет к повышению операционной эффективности и снижению затрат в нефтяной промышленности.
В будущих исследованиях следует изучить применение Pins в других сложных промышленных процессах и изучить возможность интеграции дополнительных физических ограничений для дальнейшего повышения производительности модели.
СПИСОК ЛИТЕРАТУРЫ:
Ahmed, T. (2010). Reservoir Engineering Handbook. Gulf Professional Publishing; Mohaghegh, S. D. (2017). Machine Learning in Petroleum Engineering: Theory and Practice. Springer;
Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378, 686-707;
Sun, H., Wang, H., Zhang, Y., & Yang, X. (2020). Machine learning applications in oil and gas production forecasting: A comprehensive review. Petroleum Science, 17(1), 206-227
Zadagerey B.M.
Kazakh-British Technical University (Almaty, Kazakhstan)
DEVELOPMENT OF ALGORITHM FOR PREDICTING OIL PRODUCTION DURING POLYMER INJECTION USING PHYSICS-BASED NEURAL NETWORKS (PINN)
Abstract: accurate forecasting of oil production during polymer distillation is crucial for optimizing production processes in the oil industry. Traditional methods are often based on empirical correlations and simplified models that may not reflect the complex dynamics of the process. Physics-oriented neural Networks (Pins) offer a promising approach by integrating physical laws into the structure of neural networks, providing a more reliable and accurate forecasting tool. This article presents the development of an algorithm for predicting oil production in the process of polymer distillation based on a PIN code, as well as its methodology, implementation and efficiency assessment.
Keywords: oil production, polymers, neural networks, physics, forecasting, oil industry, optimization.
