CC BY
27
Муравьева Е. А. Muraveva Е. А.
доктор технических наук, профессор кафедры «Автоматизированные технологические и информационные системы», ФГБОУВО «Уфимский государственный нефтяной технический университет», филиал, г. Стерлитамак, Российская Федерация
Шарипов М. И. Sharipov M. I.
кандидат технических наук, доцент кафедры «Автоматизированные технологические и информационные системы», ФГБОУ ВО «Уфимский государственный нефтяной технический университет», филиал, г. Стерлитамак, Российская Федерация
Кубряк А. И. Kubryak A. I.
студент 4 курса кафедры «Автоматизированные технологические и информационные системы», ФГБОУ ВО «Уфимский государственный нефтяной технический университет», филиал, г. Стерлитамак, Российская Федерация
УДК 621.395.66 DOI: 10.17122/1999-5458-2020-16-1-62-68
РАЗРАБОТКА МЕТОДА УПРАВЛЕНИЯ ПРОЦЕССОМ ДОБЫЧИ НА НЕФТЕГАЗОВЫХ МЕСТОРОЖДЕНИЯХ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
На протяжении достаточно долгого периода прослеживается тенденция к повышению вырабатываемости месторождений, поэтому повышение нефтеотдачи месторождений является основной задачей для топливно-энергетического комплекса.
В настоящее время нейронные сети находят все большее применение в различных отраслях. Преимуществом нейронных сетей является работа с большим количеством данных, однако для ее работы должно быть достаточно собранных и подготовленных наборов данных, за счет чего и достигается высокая точность решения.
При разработке нефтяных и газовых месторождений главной задачей является обеспечение максимальной добычи с экономической и физической точек зрения. Добыча нефти на нефтегазовых месторождениях различается по объемам, сложности, условиям эксплуатации и т.д., поэтому необходимо находить оптимальные условия добычи для каждого месторождения.
На данный момент основными проблемами при добыче нефти на нефтегазовых месторождениях являются: длительное время обработки данных, собираемых со скважин, повышенные риски эксплуатации этих скважин, а также невысокое количество добываемой нефти.
Основной целью данного исследования является разработка метода с использованием искусственного интеллекта для управления процессом добычи на нефтегазовых месторождениях с учетом перечисленных выше факторов с целью максимизации добычи нефти.
В ходе данного исследования разработана нейронная сеть прямого распространения, которая применяется для повышения добычи нефти на нефтегазовых месторождениях, с учетом всех факторов. Полученная нейронная сеть, без перенастройки весов связей, формирует выходные сигналы при подаче на вход сети любого набора входных сигналов из обучающего множества.
Полученная нейронная сеть выражает закономерности, которые присутствуют во входных данных. Данная сеть оказывается функциональным эквивалентом некоторой модели зависимостей между переменными.
Ключевые слова: нефть, добыча, скважина, месторождение, нейронная сеть, повышение эффективности, управление, оптимизация, разработка, Matlab.
DEVELOPMENT OF A METHOD FOR CONTROLLING THE PRODUCTION PROCESS IN OIL AND GAS FIELDS USING NEURAL NETWORKS
For a long time there has been a tendency to increase field productivity, therefore, increasing oil recovery is the main task for fuel and energy complex.
Currently, neural networks are increasingly used in various industries. The advantage of neural networks is to work with a large amount of data, however, for its work there must be enough collected and prepared data sets, due to which high accuracy of the solution is achieved.
When developing oil and gas fields, the main task is to ensure maximum production from an economic and physical point of view. Oil production at oil and gas fields varies in volume, complexity, operating conditions, etc., therefore, it is necessary to find the optimal production conditions for each field.
At the moment, the main problems in oil production at oil and gas fields are: the long processing time of data collected from wells, the increased risks of operating these wells, as well as the low amount of oil produced.
The main objective of this study is to develop a control method using artificial intelligence to control the production process in oil and gas fields, taking into account all factors, in order to maximize oil production.
In the course of this study, direct transmission to the neural network was obtained, which allows oil to be extracted at oil and gas fields, taking into account all factors. The resulting neural network, without reconfiguring weighted connections, generates output signals when applied to the input to the network.
The resulting neural network expresses the patterns that are present in the input data. This network turns out to be the functional equivalent of some model of dependencies between variables.
Key words: oil, production, well, field, neural network, efficiency improvement, controlling, optimization, development, Matlab.
Повышение нефтеотдачи скважин на данный момент является основным требованием при разработке и эксплуатации нефтяных месторождений. Однако этому препятствует ряд причин, таких как малый объем добываемой нефти, медленная скорость передачи информации на пункты управления и низкая эффективность процесса закачки воды в пласт. Все эти проблемы можно попытаться решить с помощью искусственного интеллекта. Нейронная сеть должна сократить количество скважин и проводимых анализов для определения характеристик месторождения, что сократит финансовые расходы и позволит сэкономить временные ресурсы.
Искусственным нейронным сетям (ИНС) с каждым днем находят новое применение. Они представляют собой наборы элементарных нейроподобных преобразователей
Электротехнические и информационные комплексы
информации (нейронов), соединенных друг с другом каналами обмена информации для их совместной работы. Данные сети способны обрабатывать большое количество данных с высокой скоростью.
Для построения нейронной сети необходимо подготовить наборы данных, которые будут использоваться для решения поставленных проблем.
После сбора данных происходит процесс обучения нейронной сети, где уточняются значения весовых коэффициентов для отдельных узлов на основе постепенного увеличения объема входной и выходной информации. Обучение происходит до тех пор, пока ошибка не достигнет приемлемо низкого уровня. Затем проводится тестирование полученной модели ИНС на независимых примерах.
- 63
и системы. № 1, т. 16, 2020
Описание технологического процесса Все данные о добыче на месторождении, необходимые для обучения нейронной сети, получают из отдела разведки и добычи нефтяных компаний, поэтому эта информа-
1 2
3
4
5
6 7 S
9
10 LI
Входные данные имеют значения в следующих пределах:
1. Количество нагнетательных скважин —
1-5;
2. Количество добывающих скважин — 1-10;
3. Коэффициент впрыска (соотношение нагнетательных скважин к добывающим) — 0,1-5;
4. Нефтяная фракция в составе сырой нефти — 0,833667-1,0;
5. Количество закачиваемой воды, м3/день — 61685-26994661;
6. Количество выкачиваемой воды, м3/день — 521,2129-3896482.
Основными проблемами данного технологического процесса являются низкое количество добываемой нефти и малая эффективность процесса закачки воды в пласт.
Эти проблемы можно попытаться решить, если для управления процессом добычи использовать нейронную сеть. Так как благодаря быстрой передаче информации на пункты управления растет эффективность использования фонда скважин, снижаются эксплуатационные расходы, оптимизируется закачка воды в пласт, а также увеличиваются объем и скорость добычи.
64 -
Electrical and
ция зависит от реальных данных, полученных в ходе работы скважин. Пример сетки-карты исследуемой области, откуда берут данные, представлен на рисунке 1.
Разработка системы управления
на основе нейронных сетей
Разработка системы в среде Matlab R2015b началась со сбора данных, которые используются в качестве входных наборов данных, включая данные о добыче на известных скважинах. Затем были выбраны наилучшие непрерывные условия добычи, исключая периоды обслуживания, перерывы в работе и т.д.
Для сбора данных на карте расположения скважин выбирается точка, относительно которой рассматривается эксплуатация остальных скважин, затем производится сбор данных со всех рассмотренных скважин.
Суть метода заключается в том, что обрабатываются данные, полученные сразу с нескольких скважин, а не с каждой скважины по отдельности. За счет этого и способности нейронной сети обрабатывать большие значения за один раз значительно сокращается время обработки данных [1-4].
Сбор данных
Для создания обучающего набора для разрабатываемой нейронной сети будем использовать данные и формулу, полученные опытным путём:
2 3 4 5 Ь 7 8 9 10 It 12 13 14
• • • □ □
• » » □ □
• • • • • □ □
• • • □ □
• • * □ □
• • « • □
• • • • п • □
• • * □
• * • * • □ □
• • □ □
• • • * □ □
в- добывающая скважина □ - нагнетательная скважина
Рисунок 1. Сетка-карта исследуемой области
где V — количество добываемой нефти; п — коэффициент впрыска (соотношение нагнетательных скважин к добывающим); V, V — количество закачанной и выкачанной воды соответственно; kн, kд — количество нагнетательных и добывающих скважин соответственно; /— нефтяная фракция в составе сырой нефти.
Обработка и подготовка данных
Используя формулу (1), создадим таблицу с обучающим набором данных. Она будет состоять из 500 примеров.
Таблица 1. Обучающий набор данных
Выбор типа и архитектуры нейронной сети
Нейронная сеть прямого распространения, представленная на рисунке 2, имеет прямолинейную структуру, она передает информацию от входа к выходу. Нейроны одного слоя связаны с нейронами другого слоя, но не связаны между собой. Обучение сети про-
На вход нейронной сети будут подаваться 6 значений:
1. Количество нагнетательных скважин;
2. Количество добывающих скважин;
3. Коэффициент впрыска (соотношение нагнетательных скважин к добывающим);
4. Нефтяная фракция в составе сырой нефти;
5. Количество закачиваемой воды;
6. Количество выкачиваемой воды.
На выходе нейронная сеть должна рассчитать количество добываемой нефти.
исходит по методу обратного распространения ошибки йа^сп = ЧгатЬг', в котором сеть получает множества входных и выходных данных. Если у сети есть достаточное количество скрытых нейронов, то она смоделирует взаимодействие между входным и выходными данными [5].
№ Вход Выход
Количество нагнетательных скважин Количество добывающих скважин Коэффициент впрыска Нефтяная фракция в составе сырой нефти Количество закачанной воды, м3/день Количество выкачанной воды, м3/день Количество добываемой нефти, м3/день
1 5 4 1,25 0,978875 9115227 2118141 17123181
2 5 1 5,0 0,998705 12541155 2581183 24867685
3 2 2 1,0 0,977392 9029387 2242921 2653215
4 4 6 0,7 0,955479 14140388 823860 21375754
5 3 4 0,8 0,943319 10538808 2708967 7090596
6 5 8 0,6 0,910067 16324000 963036 33550815
7 5 1 5,0 0,924735 18851974 647894 42084875
8 2 9 0,2 0,998692 11473443 166511 4065171
9 2 5 0,4 0,911984 7441365 1130555 2302143
10 5 6 0,8 0,95820 7986699 1967742 13841675
991 3 2 1,5 0,951441 16370755 1643203 12611157
992 3 4 0,8 0,927891 14868662 1161867 12209675
993 5 7 0,7 0,951967 11442481 2618506 20580326
994 4 2 2,0 0,954589 14918871 309257 22313883
995 1 3 0,3 0,972896 9394286 230270 802407
996 3 2 1,5 0,903027 18597869 2682456 12934843
997 3 6 0,5 0,984803 3667167 2271887 1236668
998 4 10 0,4 0,956399 14224217 2988849 17192792
999 4 2 2,0 0,964598 13312489 196174 20243154
1000 4 8 0,5 0,904529 3148715 379702 4007444
В\ОД H oil слои Скрытый СЛОЙ Выходной слой
Х1-6 — входные данные; 1-30 — нейроны скрытого слоя; Y — выходное значение Рисунок 2. Структура нейронной сети
Построение и обучение нейронной сети в Matlab
Задаем максимальное количество эпох обучения, равное 1000, которое определяет интервал времени, по прошествии которого обучение будет прекращено, количество эпох между показами равно 5, критерий окончания обучения, при котором обучение будет считаться законченным, указываем 0,0001 [6].
Далее реализуем и обучим нейронную сеть в Matlab. Для этого введем команду uiopen. Входные данные нейронной сети назовем input, а выходные — output. Вводим количество входных и выходных данных и количество скрытых слоев (рисунок 3).
С помощью команды nnstart будет реализован вход во вкладку «Обучение нейронной сети».
I 1
Рисунок 3. Ввод количества скрытых нейронов Best Training Performance Is 5.0959e-12 at epoch 1000
0 1QO 200 300 400 500 600 700 BOO 900 1000 1000 Epochs
Рисунок 4. Принципиальная схема обучения нейронной сети
После обучения сети получаем график (рисунок 4), на котором показано изменение среднеквадратичной ошибки по отношению к эпохам. По графику видно, что с увеличением количества эпох для обучения и тестирования нейронной сети частота ошибок уменьшается. За 1000 эпох достигнуто значение среднеквадратичной ошибки 5,0959-10-12.
На рисунке 5 показаны графики состояния обучения Training State. Конечное значение коэффициента градиента за 1000 эпох равно 6,6271-10-5, что очень близко к нулю. Чем меньше значение коэффициента градиента, тем лучше будет проводиться обучение и тестирование нейронной сети.
Окончательное значение параметра обучения ц равно 50 за 1000 эпох. График Ми показывает, как изменялись переменные регуляризации (ц) выбранного нами метода байесовской регуляризации. Регуляризация представляет собой диапазон числовых значений, необходимый для корректировки значений обучающей выборки и переобучения нейронной сети.
На графике «уаИш1» показана ошибка обучения, которая равна 0 за 1000 эпох. Ошибка обучения является показателем точности настройки модели на обучающем множестве и может использоваться в качестве условия остановки обучения при достижении указан-
ного значения [7, 8].
100 200 300 400 500 600 700 В00 900 1000 1000 Epochs Рисунок 5. Графики обучения сети
Рисунок 6. Сравнение между количеством нефти, полученным по формуле и с помощью нейронной сети
Из графика, представленного на рисунке 6, видно, что данные, получаемые с помощью нейронной сети, приближены к данным, которые получены путем расчетов, из этого следует, что нейронная система обучена корректно.
Проверка нейронной сети Для проверки полученной нейронной сети подадим на вход 6 значений с помощью команды sim(net,[3;6;0,5; 0,966961; 18792218; 1273693]), в итоге получаем значение 1,52 46-107, что примерно равно значению 15245757, которое получено по формуле (1).
Data processíng facílítíes and systems
Из этого можно сделать вывод, что нейронная сеть обучена правильно.
Выводы
Разработанный в данной статье метод управления процессом добычи нефти с использованием искусственного интеллекта помогает увеличить объемы добываемой
Список литературы
1. Муравьева Е.А. Интеллектуальное управление многосвязными объектами, реализованное в ситуационных подпрограммах // Программные продукты и системы. 2012. № 4. С. 145-150.
2. Муравьева Е.А., Шарипов М.И., Кая-шева Г.А., Григорьева Т.В., Боев Е.В., Афа-насенко В.Г. Системы искусственного интеллекта: учеб. пособие. Уфа: Изд-во «Нефтегазовое дело», 2015. 104 с.
3. Муравьева Е.А., Шарипов М.И. Интеллектуальная система управления для параметров процесса на основе нейронной сети. 2014. С. 47-51.
4. Muravyova E.A., Uspenskaya N.N. Development of a Neural Network for a Boiler Unit Generating Water Vapour Control // Optical Memory & Neural Networks (Information Optics). 2018. Vol. 27. No. 4. P. 297-307.
5. Муравьева Е.А., Соловьев К.А., Семи-братченко А.В. Регулирование расхода с помощью нечеткого регулятора с двойной базой правил // Нефтегазовое дело. 2017. Т. 15. № 1. С. 210-215.
6. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием генетических алгоритмов // Приложение к журналу «Информационные технологии». 2000. № 12. 392 с.
7. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы: учебник. М.: Финансы и статистика, 2004. 423 с.
8. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика. М.: Радиотехника, 2009. 392 с.
References
1. Murav'yeva Ye.A. Intellektual'noye upravleniye mnogosvyaznymi ob"yektami, realizovannoye v situatsionnykh podprog-rammakh [Intelligent Management of Multiply Connected Objects Implemented in Situational 68 -
нефти, снижает эксплуатационные расходы и позволяет повысить эффективность процесса закачки воды в пласт. Все это позволит открыть новые возможности по разработке новых месторождений или более эффективно использовать существующие инфраструктуры.
Programs]. Programmnyyeprodukty i sistemy — Software Products and Systems, 2012, No. 4, pp. 145-150. [in Russian].
2. Murav'yeva Ye.A., Sharipov M.I., Kaya-sheva G.A., Grigor'yeva T.V., Boyev Ye.V., Afa-nasenko V.G. Sistemy iskusstvennogo intellekta: ucheb. posobiye [Artificial Intelligence Systems: Tutorial]. Ufa, Neftegazovoye delo Publ., 2015. 104 p. [in Russian].
3. Murav'yeva Ye.A., Sharipov M.I. Intel-lektual'naya sistema upravleniya dlya para-metrov protsessa na osnove neyronnoy seti [Intelligent Control System for Process Parameters Based on a Neural Network]. 2014, pp. 47-51. [in Russian].
4. Muravyova E.A., Uspenskaya N.N. Development of a Neural Network for a Boiler Unit Generating Water Vapour Control. Optical Memory & Neural Networks (Information Optics), 2018, Vol. 27, No. 4, pp. 297-307.
5. Murav'yeva Ye.A., Solov'yev K.A., Semi-bratchenko A.V. Regulirovaniye raskhoda s pomoshch'yu nechetkogo regulyatora s dvoynoy bazoy pravil [Flow Rate Control Using Fuzzy Controller with Double Rule Base]. Neftegazovoye delo — Petroleum Engineering, 2017, Vol. 15, No. 1, pp. 210-215. [in Russian].
6. Vasil'yev V.I., Il'yasov B.G. Intellek-tual'nyye sistemy upravleniya s ispol'zovaniyem geneticheskikh algoritmov [Intelligent Control Systems Using Genetic Algorithms]. Prilo-zheniye k zhurnalu «Informatsionnyye tekhno-logii» — Appendix to the Journal «Information Technology», 2000, No. 12. 392 p. [in Russian].
7. Andreychikov A.V., Andreychiko-va O.N. Intellektual'nyye informatsionnyye sistemy: uchebnik [Intelligent Information Systems: Textbook]. Moscow, Finansy i statistika, 2004. 423 p. [in Russian].
8. Vasil'yev V.I., Il'yasov B.G. Intellektual'nyye sistemy upravleniya. Teoriya i praktika [Intelligent Control Systems. Theory and Practice]. Moscow, Radiotekhnika, 2009. 392 p. [in Russian].
