CC BY
43
2021 Химическая технология и биотехнология № 4
DOI: 10.15593/2224-9400/2021.4.08 УДК 004.8
В.А. Коннов, Е.А. Муравьева, М.И. Шарипов
Уфимский государственный нефтяной технический университет, Стерлитамак, Россия
СИСТЕМА АВТОМАТИЗИРОВАННОГО ПОДБОРА ОБОРУДОВАНИЯ УЭЦН К СКВАЖИНЕ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ
В настоящее время крупнейшие нефтяные компании России сталкиваются с проблемой истощения эксплуатируемых нефтяных скважин, что обусловливает повышение себестоимости добываемого сырья. Это стимулирует к необходимости внедрения более качественных инструментов повышения эффективности работы скважинного оборудования электроцентробежных насосов.
В данной работе рассмотрено построение автоматизированного программного комплекса для подбора характеристик электроцентробежного насоса к скважине на основе искусственных нейронных сетей на языке программирования Python с использованием технологий машинного обучения Tensorflow. Для анализа и формирования обучающих выборок взяты данные добывающих скважин Ванкор-ского месторождения. Сформированная выборка включает в себя следующие переменные: дебит добывающей скважины, подача насоса, обводненность, плотность нефти, плотность воды, глубина верхних дыр перфорации, глубина забоя, глубина спуска насосно-компрессорных труб, динамический уровень, пластовое давление, устьевое давление, вязкость жидкости, коэффициент подачи, внешний диаметр насосно-компрессорных труб, шероховатость насосно-компрессорных труб, толщина стенок труб. Эти данные непосредственно влияют на выбор типоразмера и характеристик электроцентробежных насосов и оказывают взаимное влияние друг на друга. Создан расчетный алгоритм. Данные описаны, обработаны и подготовлены. Рассмотрено влияние оптимизации путем подбора оптимальных характеристик насоса на экономию электроэнергии. С помощью библиотек машинного обучения Tensorflow в программной PyCharm создана модель нейронной сети, прогнозирующая оптимальные характеристики подходящего электроцентробежного насоса с учетом влияющих параметров.
Данная работа позволит автоматизированно определять оптимальный типоразмер насоса, за счет чего можно увеличить экономическую целесообразность добычи нефти в обедневших скважинах нефтяных месторождений.
Ключевые слова: дебит скважины, добывающая скважина, забойное давление, нейронная сеть, машинное обучение, нагнетательная скважина, алгоритм, пластовое давление, разработка.
V.A. Konnov, E.A. Muravyova, M.I. Sharipov
Ufa State Petroleum Technological University, Sterlitamak, Russian Federation
SYSTEM OF AUTOMATIC SELECTION OF ESP EQUIPMENT TO WELL BASED ON MACHINE LEARNING
Currently, the largest oil companies in Russia face the problem of depletion of the operated oil wells, which leads to an increase in the cost of the extracted raw materials.
This encourages the need for the introduction of better tools to improve the efficiency of the downhole equipment of electric centrifugal pumps.
In this paper, we consider the construction of an automated software package for selecting the characteristics of an electric centrifugal pump to a well based on artificial neural networks in the Python programming language using Tensorflow machine learning technologies. For the analysis and formation of training samples, data from the production wells of the Vankor field were taken. The generated sample includes such variables as: production well flow rate, pump supply, water cut, oil density, water density, depth of the upper perforation holes, bottom hole depth, depth of the descent of the tubing, dynamic level, reservoir pressure, wellhead pressure, fluid viscosity, feed rate, outer diameter of the tubing, roughness of the tubing, pipe wall thickness. These data directly affect the choice of the size and characteristics of electric centrifugal pumps, and have a mutual influence on each other. A calculation algorithm has been created. The data is described, processed, and prepared. The influence of optimization by selecting the optimal pump characteristics on energy savings is considered. Using Tensorflow machine learning libraries in PyCharm software, a neural network model has been created that predicts the optimal characteristics of a suitable electric centrifugal pump, taking into account the influencing parameters.
This work will allow you to automatically determine the optimal pump size, thereby increasing the economic feasibility of oil production in impoverished wells of oil fields.
Keywords: well flow rate, production well, downhole pressure, neural network, machine learning, injection well, algorithm, reservoir pressure, development.
Существенным резервом повышения технико-экономических показателей эксплуатации (увеличения межремонтного периода работы скважины и снижения удельного расхода электроэнергии на подъем нефти) и дебита нефти добывающих скважин является оптимизация режима работы насосного фонда [1, 2].
Для определения оптимальных характеристик насосов и их типоразмеров имеет значение эффективная обработка большого количества данных, например таких, как расчет напорной характеристики скважины на основе гидродинамических данных [3-5].
Напорная характеристика скважины является показателем согласования работы насосного оборудования и скважины, которая определяет величину удельной энергии, передаваемой насосным оборудованием
жидкостной мелкодисперсной смеси и соответствия нормы отбора этой жидкости со скважины по выбранной глубине спуска насосного оборудования. В случае значения отношения, меньшего чем 0,8, говорят о том, что насосное оборудование УЭЦН не соответствует скважине [6].
К настоящему времени применение искусственного интеллекта, включающего искусственные нейронные сети, показали свою высокую эффективность при решении обработки данных и прогнозирования [7, 8].
Нейросетевой анализ позволяет сократить время и силы работников, необходимые для проведения аналитического расчета, особенно в условиях большого количества исходных данных. Снижение трудозатрат происходит за счет замены человека компьютером, уменьшения времени на получение и ввод данных в компьютер, так как для принятия решения требуется относительно небольшой объем первоначальной информации [8-10]. Все это также ускоряет процесс принятия решения.
Создание алгоритма расчета напорных характеристик скважины. В общем виде создаваемая программа должна позволять пользователю вводить данные о скважине, выполнять расчет, подавать рассчитанные значения на входы нейронной сети, далее обрабатываться нейронной сетью и выводиться в результат в графическом окне. При наличии вышеназванных требований структура программного комплекса будет представлять собой дерево последовательно выполняемых шагов до достижения результата (рис. 1).
Ввод скважинных параметров
Расчет напорных характеристик
,---
Обработка расчетных данных нейросетью
_а;_
Вывод оптимальных характеристик оборудования
Расчет энергоэффективности оборудования Рис. 1. Общая структура программного комплекса
После ввода данных пользователем программа должна оценить значение коэффициента подачи. В том случае, если коэффициент подачи больше либо равен значению 0,8, программа возвращает значение None, в дальнейшем пользователю приходит ответ «Установка ЭЦН соответствует скважине», программа понимает, что в дальнейшем расчете нет смысла, и завершает свою работу. В случае если коэффициент подачи меньше значения 0,8, пользователю приходит ответ «Установка ЭЦН не соответствует скважине, требуется оптимизация». После ответа пользователю, программа продолжает расчет общего напора скважины по введенным данным скважины пользователем с помощью формул.
Программная реализация расчета напорных характеристик и подбора оборудования электроцентробежных насосов в среде разработки PyCharm. Для ввода данных пользователем создана функция get_total_press, которая содержит в себе формы ввода input().
После расчета программа возвращает значения debit_liq и total_press, которые будут далее являться входами созданной нейросе-ти на следующем шаге, а также выводит ответ пользователю и производит дальнейший расчет. Программный расчет по количеству введенных тестов, а также условие вывода ответов пользователю реализованы в виде цикла for, который связан с функцией get_total_press и в зависимости от условий выдает тот или иной результат.
Перед началом создания модели нейросети важно определиться с архитектурой. Для нейросети на Python будет использоваться архитектура многослойного перцептрона.
Для создания архитектуры многослойного перцептрона используется специализированная библиотека машинного обучения Tensorflow [11].
Создание скрытых слоев нейронной сети производится с помощью функции tf.keras.Dense, для всех слоев присваивается функция линейной активации. Два нейрона сети принимают входные значения и связываются с ними, выходной нейрон полносвязно соединен с двумя входными нейронами [12].
После создания слоев модели необходимо скомпилировать ее. Для компиляции применяется функция оптимизации Адам с шагом обучения 0,01 [13]. Также задается функция потерь, которая будет минимизироваться в процессе обучения. Задается функция потерь loss как значение средней абсолютной ошибки, которая учитывает сумму абсолютных ошибок по длине наблюдений.
После компилирования модели необходимо создать тренировочный массив для обучения нейронной сети. Для обучения модели была
создана выборка на основе реальных промысловых данных нефтедобывающих скважин Ванкорского месторождения, таких как дебит и общая напорная характеристика. Были учтены характеристики уже установленных насосов, являющихся наиболее подходящими к данным скважинам, работающим в оптимальном режиме (табл. 1).
Таблица 1
Пример промысловых данных для обучения нейронной сети
Номер скважины Дебит, м3/сут. Общий напор, м Подача ЭЦН, м3/сут.
952 287 1320 127
348 283 1270 125
525 298 1360 134
657 327 1260 168
714 286 1400 129
590 315 1257 154
896 245 1285 118
684 253 1195 119
329 382 1468 157
469 185 1115 110
476 143 1057 103
912 273 1348 132
Определение массива данных в PyCharm реализовывается с помощью метода array модуля NumPy [14]. Матрица массива выходных целевых значений транспонируется с помощью метода Т [15].
После формирования обучающего массива производится обучение и тренировка модели нейронной сети. Внутри функции обучения model.fit из библиотеки Keras задаются входные и выходные выборки, количество эпох обучения, равное 500, а также функция shuffle, которая перемешивает данные при обучении. Проводится проверка эффективности обучения на количестве шагов, равном 500. Отображение графика обучения нейронной сети представлено на рис. 2.
Как видно из графика, после 500 итераций нейронная сеть успешно обучилась, потери составили loss = 9,2087. Уже после 90 шагов нейронная сеть научилась строить взаимосвязи и предсказывать результат. После проведения обучения сверяются эталонные данные с результатом выходов обученной нейронной сети на рис. 3.
Апробация реализованной программы расчета напорных характеристик и подбора оборудования электроцентробежных насосов. Созданную и обученную модель нейронной сети необходимо апробировать на реальных промысловых данных скважин. Для апробации выбраны скважины № 836, 540, 909 Ванкорского месторождения.
_Step 500, loss 9.2087
1400 1200 1000 800 600 400 200 0 t
0 100 200 300 400 500 Рис. 2. Реализация тренировки модели нейронной сети в PyCharm
Нейронная сеть - Истинное значение
133 127
129 125
138 134
135 168
139 129
133 154
124 118
119 119
158 157
103 110
93 103
133 132
Рис. 3. Отображение результатов обучения нейронной сети
Для этих скважин уже известна существующая подача установки электроцентробежного насоса, поэтому необходимо выяснить, подходит ли реально установленный электроцентробежный насос, и в случае, если не подходит, вывести оптимально подходящую подачу электроцентробежного насоса для данных скважин (табл. 2).
Далее последовательно вводятся данные по каждой из скважин с последующим расчетом и выводом результата, представленного на рис. 4-6.
После расчета определено, что скважины под номерами 836, 540 нуждаются в оптимизации оборудования УЭЦН, спрогнозированными нейронной сетью моделями электроцентробежных насосов.
Таблица 2
Промысловые данные скважин и подачи установок электроцентробежных насосов
Показатель Номер скважины
836 540 909
Дебит по жидкости, м3/сут 287 110 191
Обводненность, % 9 11 22
Плотность нефти, кг/м3 902 902 902
Плотность воды, кг/м3 1007 1007 1007
Глубина верхних дыр перфорации, м 1676 1682 1680
Забой, м 3144 3858 3103
Глубина спуска НКТ, м 1584 1634 1496
Динамический уровень, м 418 385 394
Пластовое давление, атм 121 131 117
Устьевое давление, атм 23,0 19,0 11,0
Вязкость жидкости, сП 8,9 8,9 8,9
Коэффициент подачи, доли 0,35 0,13 0,23
Внешний диаметр НКТ 89 102 102
Шероховатость НКТ, мм 0,0375 0,0375 0,0375
Толщина стенок труб, мм 6,5 6,5 6,5
Подача УЭЦН скважины, м3/сут 482 840 230
/ Подбор оптимальных характеристик ЭЦН - X
Рис. 4. Результат апробации расчета программы для скважины № 836
Рис. 5. Результат апробации расчета программы для скважины № 540
Рис. 6. Результат апробации расчета программы для скважины № 909
Таким образом, после подбора программой с использованием обученной нейронной сети подходящих моделей ЭЦН с оптимальной подачей к скважинам, нуждающимся в оптимизации работы, выявлена возможность значительно повышения энергоэффективности эксплуатации скважин, а значит, и увеличения экономической целесообразности добычи нефти в данных скважинах.
Список литературы
1. Алпайдин Э. Машинное обучение: новый искусственный интеллект. -М.: Точка, 2017. - 208 с.
2. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. - М., 2013. - 391 с.
3. Ивановский В.Н. Одновременно-раздельная эксплуатация и «интеллектуализация» скважин: вчера, сегодня и завтра // Инженерная практика. -2010. - № 1. - С. 4-15.
4. Кубряк А.И., Муравьева Е.А. Способ повышения эффективности многомерного четкого логического регулятора // Сб. материалов 71-й всерос. науч.-техн. конф. студ., магистрантов и аспирантов высших учеб. заведений с междунар. участием: в 3 ч. - Ярославль, 2018. - Ч. 2. - С. 290-293.
5. Муравьева Е.А., Абдрафикова Ф.Ф., Газизова Г.И. Система управления технологическим процессом бродильного отделения на основе нечеткого регулятора // Информационные технологии. Проблемы и решения. -2020. - № 3 (12). - С. 136-141.
6. Разработка автоматической системы поддержания оптимального уровня жидкости с использованием поплавкового уровнемера на основе переменного резистора / Е.А. Муравьева, Э.Р. Еникеева, Р.Р. Нургалиев, А.И. Кубряк // Достижения, проблемы и перспективы развития нефтегазовой отрасли: материалы междунар. науч.-практ. конф. / Альмет. гос. нефт. ин-т. -Альметьевск, 2018. - С. 238-243.
7. Муравьева Е.А., Зайнуллина Д.Р. Разработка алгоритма автоматизированной системы управления силосом для сыпучих материалов // Современные технологии: достижения и инновации: сб. материалов II Всерос. науч.-практ. конф. - Уфа, 2020. - С. 414-416.
8. Муравьева Е.А., Радакина Д.С. Разработка алгоритма настройки адаптивного нечеткого регулятора с двойной базой правил // Информационные технологии интеллектуальной поддержки принятия решений: тр. VI Всерос. конф. (с приглашением зарубежных ученых). - Уфа, 2018. - С. 36-41.
9. Муравьева Е.А., Столповская Ю.В. Система управления электрообогревом реактора с применением нейронной сети и нечеткого регулятора // Промышленные АСУ и контроллеры. - 2020. - № 1. - С. 3-8.
10. Остроумова Е.Г. Интеллектуальное месторождение: мировая практика и современные технологии // Газовая промышленность. - 2012. -№ 7 (677). - С. 10-11.
11. Абдрафикова Ф.Ф., Муравьева Е.А., Кулакова Е.С. Анализ видов и последствий отказов процесса добычи нефти // Химия. Экология. Урбанистика: сб. материалов Всерос. науч.-практ. конф. (с междунар. участием). -2020.- Т. 4. - С. 242-245.
12. Абдрафикова Ф.Ф., Муравьева Е.А. Анализ причин и последствий отказов процесса нефтедобычи // Актуальные проблемы науки и техники: материалы XIII Междунар. науч.-практ. конф. молодых ученых. - Уфа, 2020. -Т. 2. - С. 121-122.
13. Коннов В.А., Муравьева Е.А. Анализ эффективности современных методов моделирования нефтяных месторождений // Химия. Экология. Урбанистика: сб. материалов Всерос. науч.-практ. конф. (с междунар. участием). -2020. - Т. 4. - С. 250-253.
14. Коннов В.А., Муравьева Е.А., Шарипов М.И. Исследование эффективности построения моделей нефтяных месторождений в условиях недостатка информации // Актуальные проблемы науки и техники: сб. материалов XIII Междунар. науч.-практ. конф. молодых ученых: в 2 т. - Уфа, 2020. -Т. 2. - С. 137-139.
15. Коннов В.А., Муравьева Е.А., Шарипов М.И. Современные проблемы моделирования нефтяных месторождений // Современные технологии: достижения и инновации: сб. материалов II Всерос. науч.-практ. конф. -Уфа, 2020. - С. 458-460.
References
1. Alpaidin E. Mashinnoe obuchenie: novyi iskusstvennyi intellekt [Machine learning: the new artificial intelligence]. Moscow, Tochka, 2017, 208 p.
2. V'iugin V.V. Matematicheskie osnovy mashinnogo obucheniia i prognozirovaniia [Mathematical foundations of machine learning and forecasting]. Moscow, 2013, 391 p.
3. Ivanovskii V.N. Odnovremenno-razdel'naia ekspluatatsiia i «intellek-tualizatsiia» skvazhin: vchera, segodnia i zavtra [At the same time-separate operation and «intellectualization» of wells: yesterday, today and tomorrow]. Inzhenernayapraktika, 2010, № 1, pp. 4-15.
4. Kubriak A.I., Muravyova E.A. Sposob povysheniia effektivnosti mnogo-mernogo chetkogo logicheskogo reguliatora [A method for improving the efficiency of a multidimensional clear logic controller]. Sem 'desyat pervaya vserossijskaya nauchno-tekhnicheskaya konferenciya studentov, magistrantov i aspirantov vysshih uchebnyh zavedenij s mezhdunarodnym uchastiem Sbornik materialov konferencii. V3-h chastyah., Ufa, 2018, Chast'2. pp. 290-293.
5. Muravyova E.A., Abdrafikova F.F., Gazizova G.I. Sistema upravleniia tekhnologicheskim protsessom brodil'nogo otdeleniia na osnove nechetkogo reguliatora [Fermentation department process control system based on fuzzy controller]. Informatsionnye tekhnologii. Problemy i resheniia, 2020, no 3 (12), pp. 136-141.
6. Muravyova E.A., Enikeeva E.R., Nurgaliev R.R., Kubriak A.I. Razrabotka avtomaticheskoi sistemy podderzhaniia optimal'nogo urovnia zhidkosti s ispol'zovaniem poplavkovogo urovnemera na osnove peremennogo rezistora [Development of an automatic system for maintaining the optimal liquid level using a float level gauge based on a variable resistor]. Dostizheniya, problemy i perspektivy razvitiya neftegazovoj otrasli materialy Mezhdunarodnoj nauchno-prakticheskoj konferencii. Al'met'evskijgosudarstvennyj neftyanoj institut, 2018, pp. 238-243.
7. Muravyova E.A., Zainullina D.R. Razrabotka algoritma avtomati-zirovannoi sistemy upravleniia silosom dlia sypuchikh materialov [Development of an algorithm for an automated silo control system for bulk materials]. sovremennye tekhnologii: dostizheniya i innovacii-2020. Sbornik materialov II vserossijskoj nauchno-prakticheskoj konferencii, Ufa, 2020, pp. 414-416.
8. Muravyova E.A., Radakina D.S. Razrabotka algoritma nastroiki adaptivnogo nechetkogo reguliatora s dvoinoi bazoi pravil [Development of an algorithm for configuring an adaptive fuzzy controller with a double rule base]. Informacionnye tekhnologii intellektual'noj podderzhki prinyatiya reshenij. Trudy VI Vserossijskoj konferencii (spriglasheniem zarubezhnyh uchenyh), Ufa, 2018, pp. 36-41.
9. Muravyova E.A., Stolpovskaia Iu.V. Sistema upravleniia elektro-obogrevom reaktora s primeneniem neironnoi seti i nechetkogo reguliatora [Control system for electric heating of the reactor using a neural network and a fuzzy controller]. Promyshlennye asu i kontrollery, 2020, no 1, pp. 3-8.
10. Ostroumova E.G. Intellektual'noe mestorozhdenie: mirovaia praktika i sovremennye tekhnologii [Intellectual field: world practice and modern technologies]. Gazovayapromyshlennost', 2012, no 7 (677), pp. 10-11.
11. Abdrafikova F.F., Muravyova E.A., Kulakova E.S. Analiz vidov i posledstvii otkazov protsessa dobychi nefti [Analysis of the types and consequences of failures in the oil production process]. Vserossijskaya nauchno-prakticheskaya konferenciya (s mezhdu-narodnym uchastiem) «Khimiia. Ekologiia. Urbanistika», 2020, vol. 4, pp. 242-245.
12. Abdrafikova F.F., Muravyova E.A. Analiz prichin i posledstvii otkazov protsessa neftedobychi [Analysis of the causes and consequences of failures of the oil production process]. XIIIMezhdunarodnaia nauchno-prakticheskaia konferentsiia molodykh uchenykh «Aktual'nye problemy nauki i tekhniki - 2020», Ufa, 2020, vol. 2, pp. 121-122.
13. Konnov V.A., Muravyova E.A. Analiz effectivnosty sovremennych metodov modelirovaniya neftyanych mestorozhdenij [Analysis of the effectiveness of modern methods of modeling oil fields]. Vserossijskaya nauchno-prakticheskaya konferenciya (s mezhdunarodnym uchastiem) «Khimiia. Ekologiia. Urbanistika», 2020, vol. 4, pp. 250-253.
14. Konnov V.A., Muravyova E.A., Sharipov M.I. Issledovanie effektiv-nosti postroeniya modelej neftyanyh mestorozhdenij v usloviyah nedostatka informacii [Investigation of the effectiveness of constructing models of oil fields in conditions of lack of information]. XIII Mezhdunarodnaia nauchno-prakticheskaia konferentsiia molodykh uchenykh «Aktual'nye problemy nauki i tekhniki - 2020», v 2-h tomah. Ufa, 2020, vol. 2, pp. 137-139.
15. Konnov V.A., Muravyova E.A., Sharipov M.I. Sovremennye problemy modelirovaniya neftyanyh mestorozhdenij [Modern problems of modeling oil fields]. Sbornik materialov II Vserossijskoj nauchno-prakticheskoj konferencii «Sovremennye tekhnologii: dostizheniya i innovacii - 2020», Ufa, 2020, pp. 458-460.
Получено 02.10.2021
Об авторах
Коннов Виктор Андреевич (Стерлитамак, Россия) - магистрант кафедры автоматизированных технологических и информационных систем, Уфимский государственный нефтяной технический университет, филиал в г. Стерлитамак (453118, г. Стерлитамак, Проспект Октября, 2, e-mail: konnov.victor@gmail.com).
Муравьева Елена Александровна (Стерлитамак, Россия) - доктор технических наук, профессор, заведующая кафедрой автоматизированных технологических и информационных систем, Уфимский государственный нефтяной технический университет, филиал в г. Стерлитамак (453118, г. Стерлитамак, Проспект Октября, 2; e-mail: muraveva_ea@mail.ru).
Шарипов Марсель Ильгизович (Стерлитамак, Россия) - кандидат технических наук, доцент кафедры автоматизированных технологических и информационных систем, Уфимский государственный нефтяной технический университет, филиал в г. Стерлитамак (453118, г. Стерлитамак, Проспект Октября, 2; e-mail: muraveva_ea@mail.ru).
About the authors
Victor A. Konnov (Sterlitamak, Russian Federation) - Undergraduate Student of Department for Automated Process and Information Systems, Ufa State Petroleum Technological University, branch Sterlitamak (2, October av., Sterlitamak, 453118, e-mail: konnov.victor@gmail.com).
Elena A. Muravyova (Sterlitamak, Russian Federation) - Doctor of Engineering, professor, head of Department for Automated Process and Information Systems, Ufa State Petroleum Technological University, branch Sterlitamak (2, October av., Sterlitamak, 453118, e-mail: muraveva_ea@mail.ru).
Marsel' I. Sharipov (Sterlitamak, Russian Federation) - Ph.D. in Technical Sciences, Associate Professor of Department for Automated Process and Information Systems, Ufa State Petroleum Technological University, branch Sterlitamak (2, October av., Sterlitamak, 453118, e-mail: muraveva_ea@mail.ru).
