CC BY
37
УДК 004.89:622.276
И.В. Евсюткин, Н.Г. Марков
Управление геолого-техническими мероприятиями на месторождениях нефти и газа с использованием искусственных нейронных сетей
Своевременный выбор скважин-кандидатов на проведение геолого-технических мероприятий (ГТМ) и выбор конкретных ГТМ для таких скважин являются актуальными задачами для нефтегазодобывающих компаний. Сегодня решение этих задач осуществляется преимущественно за счёт большого опыта и интуиции специалиста-геолога. Более того, процесс решения требует серьёзных затрат времени специалистов и не исключает ошибочных результатов, связанных с человеческим фактором. Поэтому актуальным направлением исследований являются разработка и внедрение новых интеллектуальных методов анализа геологических и технологических данных при управлении ГТМ. В статье предложено при решении задач управления ГТМ использовать глубокие искусственные нейронные сети прямого распространения. Приведены результаты комплексных исследований эффективности таких нейронных сетей при управлении ГТМ, показавшие перспективность этого метода интеллектуального анализа данных при автоматизации нефтегазодобывающего производства.
Ключевые слова: геолого-технические мероприятия на месторождениях нефти и газа, автоматизация производства, интеллектуальный анализ данных, искусственные нейронные сети. ао1: 10.21293/1818-0442-2020-23-1-62-69
Бурения новых скважин на эксплуатируемых месторождениях являются трудоемкими и дорогостоящими проектами, поэтому в качестве альтернативного подхода большинство нефтегазодобывающих предприятий использует методы интенсификации добычи углеводородного сырья (УВС) из существующих скважин. Среди них особый интерес представляют геолого-технические мероприятия (ГТМ), повышающие интенсивность добычи УВС.
Управление ГТМ требует значительных трудовых и временных затрат квалифицированных специалистов-геологов предприятия, которые на сегодняшний день практически вручную анализируют большие объемы разнородных геологических и технологических данных по фонду скважин, что способствует увеличению вероятности возникновения ошибок вследствие человеческого фактора [1]. Всё это указывает на актуальность разработки методов и алгоритмов высокоавтоматизированного управления ГТМ в условиях больших объёмов постоянно обновляющихся на промыслах данных.
В настоящее время всё более актуальной становится концепция интеллектуальных месторождений [2]. Неотъемлемой её частью является разработка методов интеллектуального анализа данных (ИАД) для поддержки принятия решений при управлении фондом скважин, в том числе при управлении ГТМ.
Целью данной работы является исследование эффективности глубоких искусственных нейронных сетей (ИНС) прямого распространения применительно к задачам управления ГТМ.
Интеллектуальные методы анализа данных при управлении фондом скважин
При разработке месторождений нефти и газа основным объектом управления является фонд скважин, позволяющий тем или иным способом извлекать УВС из продуктивных пластов месторождения. Сегодня управление фондом скважин добыва-
ющего предприятия - это управление совокупностью весьма сложных бизнес-процессов, начиная с планирования уровней добычи УВС, мониторинга состояния скважин и продуктивных пластов, интенсификации процессов добычи УВС и заканчивая организацией и проведением работ по текущему и капитальному ремонту скважин [3].
Среди процессов интенсификации добычи особое место занимают ГТМ. Они являются управляющими воздействиями на элементы объекта управления - скважины фонда и продуктивные пласты. Решение о проведении ГТМ принимает субъект управления - специалисты различных служб промысла, в первую очередь, геологической. Принятые ими решения о ГТМ на той или иной скважине реализуют бригады текущего и капитального ремонта скважин или при проведении сложного ГТМ специалисты подрядной организации. Важным реализуемым в системе управления фондом скважин процессом является оценка эффективности проведённых ГТМ. Такая оценка опирается на решение задачи прогноза дебитов УВС с использованием методов ИАД. Оценка эффективности позволяет сформировать обратные связи и, если это требуется, корректировать управляющие воздействия на скважины или пласты [4]. Например, довольно часто выполняется на одном и том же блоке месторождения многократный гидроразрыв пласта (ГРП) - один из перспективных методов ГТМ [5].
С другой стороны, управление ГТМ требует решения ряда сложноформализуемых задач. В первую очередь, к ним относятся задача выбора скважин-кандидатов для ГТМ и задача определения вида ГТМ для таких скважин. Для решения этих задач требуются значительные трудовые и временные затраты квалифицированных специалистов. Это ещё раз подчёркивает необходимость использования в контуре управления методов ИАД как методов
поддержки принятия решений субъектом управления в реализации таких сложноформализуемых задач.
В статье [5] приведены результаты исследования применения ИНС для прогноза параметров работы скважин после проведения ГРП на крупных месторождениях УВС. Точность результатов оказалась невысокой для последующего практического применения этих ИНС.
В работе [6] был проведён анализ операций по выравниванию профиля приёмистости для нагнетательных скважин, а также оценено влияние геолого-геофизических характеристик и технологических показателей работы скважин на результат с точки зрения прироста добычи нефти вследствие уменьшения обводнённости УВС. При этом предложено использовать ИНС для предсказания технологической эффективности от выравнивания профиля приёмистости скважин. Показано, что точность полученной модели сопоставима с таковой в методе гидродинамического моделирования пластов, но скорость работы ИНС оказалась гораздо выше.
Другим классом методов ИАД, который исследовался на предмет использования в управлении фондом скважин нефтегазодобывающих предприятий, является класс методов кластеризации данных. Так, в работе [7] применялся кластерный анализ для разделения фонда скважин месторождения на кластеры (группы) в зависимости от приоритетности проведения ГТМ, затем на подкластеры - по типу ГТМ для каждой скважины.
Основными недостатками примененного подхода являются использование для анализа только геологических данных и простейший алгоритм кластеризации, который на одном и том же наборе исходных данных может показывать различные результаты, чувствителен к шумам и требует априорного задания количества кластеров.
В статьях [8-11] приводятся первые результаты исследований при решении задачи выбора скважин-кандидатов для ГТМ с использованием ещё одного метода ИАД - метода нечёткой логики. К сожалению, эти результаты имеют невысокую точность.
Таким образом, с помощью методов ИАД получены первые обнадёживающие результаты, но на сегодняшний день они не обладают приемлемой для практиков точностью. Поэтому необходимы дальнейшие исследования новых методов ИАД применительно к задаче выбора скважин-кандидатов для ГТМ и выбора типа мероприятий на скважинах-кандидатах.
В развитие описанных выше исследований в данный работе предложено при управлении ГТМ использовать один из перспективных методов ИАД -глубокие нейронные сети прямого распространения [12]. Рассмотрены особенности подготовки обучающей и тестовой выборок для таких ИНС на основе больших массивов геологических и технологических данных на эксплуатируемом месторождении и исследована эффективность этих ИНС при решении задач управления ГТМ.
Предварительная обработка больших данных перед обучением ИНС
Большие объёмы разнородных технологических и геологических данных с датчиков и результаты ручного ввода обычно аккумулируются в базах данных (БД) информационных систем предприятий по добыче УВС. Для датчиков характерны сбои, ручной ввод также может давать ошибки в данных: опечатки, несоблюдение единиц измерений и их порядков и т.д. В результате БД содержат частично ошибочную, пропущенную и искажённую информацию, дублированные и противоречивые данные [13, 14].
При решении задач интенсификации добычи УВС важно, чтобы исходные технологические данные по фонду скважин и геологические данные по продуктивным пластам месторождения были актуальны и не содержали пропусков и ошибок. Это особенно важно для дальнейшего интеллектуального анализа таких данных и принятия решений при управлении ГТМ. Однако в реальности на промыслах другая картина. В БД информационных систем для управления производством, в которых за многие годы эксплуатации месторождения накопился огромный объём данных, довольно много пропущенных данных и ошибок ручного ввода.
Многие методы анализа данных, в том числе интеллектуальные, очень чувствительны к пропускам и выбросам в данных. Некоторые из них в таких случаях следует применять с осторожностью.
В качестве наборов данных для обучения и тестирования ИНС были выбраны значения указанных ниже параметров для каждого комплекса «скважина-пласт». Использовались следующие геологические и технологические параметры: дебит нефти Qн, т; дебит газа Qг, тыс. м3; дебит жидкости Qж, м3; дебит воды Qв, т; давление забойное Рзаб, атм; давление буферное Рбуф, атм; давление затрубное Рзат, атм; температура на устье скважины Ту, °С; давление пластовое Рпл, атм; пластовая температура Тпл, °С; обводнённость Ш, %; эффективная мощность пласта Н, м; газовый фактор В; диаметр штуцера Б, мм. К сожалению, не для всех этих параметров имеется возможность извлечь из БД достаточный объём данных для обучения ИНС.
Ручная инспекция данных сложна ввиду чрезвычайно больших объёмов данных, например, некоторые значения технологических параметров скважин поступают в БД каждые 15 мин, и даже за небольшой промежуток времени в БД накапливается большой объём данных. Более того, просмотр данных специалистом по-прежнему не страхует от новых ошибок. Поэтому перспективным решением является использование специальных программных средств, реализующих методы и правила обнаружения и исправления ошибок в таких данных.
Известно, что каждый технологический параметр скважины или геологический параметр продуктивного пласта месторождения должен находиться в определённом диапазоне значений в зависимости от месторождения и условий его эксплуата-
ции [15]. Тогда, учитывая допустимые диапазоны значений параметров, можно определить ошибочные значения этих параметров, а для их исправления использовать различные зависимости, например, закон Дарси или метод интерполяции исправляемых значений по соседним корректным значениям параметра. Ряд параметров, в первую очередь геологических, в силу своей природы не может изменяться резко. Так, например, эффективная мощность продуктивного пласта может считаться постоянной в течение длительного времени (обычно до года). Тогда в результатах ручного ввода значений таких параметров легко распознать ошибку порядка числа и автоматически её исправить.
Учитывая это, а также ряд особенностей дублируемых записей в БД технологических и геологических параметров, нами были созданы соответствующие программные средства, реализующие различные методы и алгоритмы обнаружения и исправления ошибок в исходных для последующего анализа данных [16]. Для извлечения информации из БД была создана хранимая процедура на языке SQL в СУБД Microsoft SQL Server. Результаты применения созданных программных средств и хранимой процедуры представляются в БД в виде совокупности строк, очищенных и скорректированных, упорядоченных по кустам скважин и отдельным скважинам, по времени измерения каждого параметра из набора и дате проведения каждого ГТМ. Например, строка содержит название куста, номер скважины и дату ввода её в эксплуатацию; название ГТМ, дату его начала и окончания; параметр, его значение и дату измерения.
Задачи классификации скважин и типов ГТМ с использованием ИНС
Во-первых, с целью управления ГТМ ставилась и решалась задача бинарной классификации всех добывающих скважин фонда с помощью глубоких ИНС прямого распространения. В первый класс должны попасть все скважины, которые занесены в БД и были выбраны специалистами-геологами для проведения определённого типа (вида) ГТМ - класс «скважин-кандидатов для ГТМ». Основанный на опыте и интуиции ручной выбор специалистами-геологами скважин-кандидатов для ГТМ считался эталоном при формировании обучающей выборки, если после проведённого ГТМ произошло существенное увеличение дебита скважины.
Во второй класс скважин должны входить все остальные скважины (класс «скважин не для ГТМ»), на которых в момент анализа по той или иной причине ГТМ проводить не следовало. Например, высо-кодебитные скважины, дающие основной объём добычи УВС на месторождении. Даже небольшая их остановка (для каких-либо работ или исследований) существенно снизит общий уровень добычи УВС на имеющемся фонде скважин. По сути, это задача бинарной классификации, решаемая с помощью ИНС.
Другой задачей управления ГТМ являлась также задача разделения ГТМ на классы и выбора клас-
са (типа) ГТМ для каждой скважины-кандидата. Среди ГТМ выделено четыре класса (типа) мероприятий, обычно примерно в одинаковых пропорциях, проводимых на скважинах: ремонтно-изоляцион-ные работы (РИР) - замена насосно-компрессорных труб, ликвидация межколонных давлений и перетоков; использование электроцентробежных насосов (ЭЦН) - перевод скважин на механизированный способ добычи, спуск ЭЦН, смена ЭЦН; ГРП; прочие мероприятия - ремонт наземного оборудования скважин, смена фонтанной арматуры или пакеров и т.п.
При решении многих задач нет заранее определённых критериев выбора гиперпараметров и архитектуры ИНС. Таким образом, по сути необходимо было провести экспериментальный поиск оптимальных архитектуры и гиперпараметров ИНС для решения поставленных задач классификации скважин и ГТМ.
Число скрытых слоёв ИНС прямого распространения выбиралось равным 2-20. Исследовалось также применение различных функций активации (Sigmoid, TanH, ReLU) и алгоритмов оптимизации при обучении ИНС (SGD, Adam, AdaGrad, AdaDelta), дающих лучшую сходимость при обучении [17]. Изменялась также скорость обучения: 0,2; 0,1; 0,05; 0,01; 0,005; 0,001. Также использовался слой Dropout с различными вероятностями [18].
Обучающая выборка формировалась на основе баз данных технологических и геологических параметров одного из нефтегазоконденсатных месторождений Томской области. Фонд скважин месторождения имеет 142 добывающие скважины, на которых было проведено 436 различных ГТМ за 6 лет.
По данным ряда геологических служб добывающих предприятий известно, что планирование ГТМ происходит не ранее чем за 4 месяца до его проведения. Более того, нет той чёткой границы, когда происходит переход скважины из одного класса в другой класс (из класса рентабельных в класс нерентабельных и требующих ГТМ). Чаще всего это происходит в процессе её эксплуатации от одного проведённого ГТМ до другого путём постепенного изменения значений параметров до критических. Поэтому средний интервал времени между моментами времени проведения соседних ГТМ на скважине разумно считать «сомнительным для принятия решения о необходимости ГТМ» и исключить его из рассмотрения. В общем случае такой интервал не симметричен относительно середины интервала времени эксплуатации скважины между выполненными на ней ГТМ. Экспериментально было установлено, что «сомнительный» интервал времени может составлять до 30% от интервалов времени между ГТМ. Это было учтено при формировании обучающей выборки для ИНС и оценке ее достаточного объёма.
Фонд скважин месторождения часто имеет относительно небольшое количество добывающих скважин, особенно если это месторождение эксплуатируется не так давно. Ещё меньше в таком фонде
тех скважин, которые подвергаются ГТМ в выбранный период времени. Учитывая это, предложено использовать аугментацию данных - методику создания дополнительных обучающих данных из имеющихся данных. Применялся один из основных методов аугментации - добавление к ряду значений вышеперечисленных параметров исходной обучающей выборки случайного шума [19].
Значения различных параметров скважин и продуктивных пластов измеряются в разных диапазонах, и для того чтобы каждый параметр оказывал влияние на конечный результат в экспериментах, осуществлялась нормализация данных [20]. Значения по каждому параметру были нормированы так, чтобы они находились в диапазоне [0, 1].
При исследовании важно понять, какое сочетание геологических и (или) технологических параметров содержит наиболее существенные признаки, которые может извлечь ИНС для решения поставленных задач классификации. Формировались следующие обучающие и тестовые наборы параметров, подаваемых на вход ИНС.
- Набор № 1 - все измеряемые параметры скважин и продуктивных пластов: Q^ Qr; Qx; Qb; Рзаб; Рбуф; Рзат; Ту; D; Рпл; Тга; W; H; B.
- Набор № 2 - все технологические параметры скважин: Q^ QT; Qж; Q в; Рзаб; Рбуф; Рзат; Ту; B.
- Набор № 3 - параметры дебитов скважин: Q^ Qi-; Qж; QB.
- Набор № 4 - технологические параметры скважин (без дебитов): Рзаб; Рбуф; Рзат; Ту; B.
- Набор № 5 - параметры дебитов скважин и параметры продуктивных пластов: Q^ QT; Qж; Qb;
Рпл; Тпл.
- Значения параметров в общем случае измеряются в разное время для каждой конкретной скважины. Чтобы получить вектор всех значений на определённый момент времени, необходимо было интерполировать значения некоторых параметров по соседним имеющимся значениям.
Число обучающих и тестовых примеров, включая данные, полученные за счёт аугментации, составляет 2016 пар «признаки - метки» для каждого указанного выше обучающего и тестового набора. Объём обучающей выборки составляет 80% от общего используемого объёма данных набора. Точность классификации оценивалась для обучающей выборки и для тестовой выборки, составляющей 20% этого объёма данных. Под точностью классификации понимается отношение скважин, правильно отнесённых к заранее известному классу, к общему числу анализируемых скважин в обучающей и тестовой выборках (в процентах). Аналогично вычислялась точность классификации при выборе типа ГТМ.
Для программной реализации ИНС различной архитектуры и задания гиперпараметров ИНС использовалась библиотека Microsoft CNTK, имеющая ряд преимуществ перед другими библиотеками [21]. Схема архитектуры ИНС, приведённая в качестве примера, представлена на рис. 1. Она включает в
себя входной слой, куда подаются значения параметров из того или иного обучающего или тестового набора из пяти перечисленных, совокупность скрытых слоёв (показаны 3 слоя с функцией активации TanH) и выходной слой Softmax. Для предотвращения переобучения перед выходным слоем в ИНС использовался слой Dropout. Из рис. 1 видно, что ИНС в принципе позволяет решать одновременно обе задачи классификации. То есть в случае выбора скважины-кандидата для ГТМ на выходе нейросети имеется выбранный для неё тип ГТМ.
Значения параметров скважин и пластов
Выходной слой (6 нейронов, SoftMax)
Скюжита Скюжита рир ЭЦН ГРП Прочие не для ГТМ для ГТМ ГТМ
Рис. 1. Схема архитектуры ИНС
Для оценки соответствия используемым для обучения данным каждой из исследуемых архитектур ИНС с её гиперпараметрами применялась технология кроссвалидации. Использовался метод К-блоков, причем К = 5. Это означает, что все вычисленные в ходе исследований итоговые значения точности классификации скважин и типов ГТМ являются результатом усреднения по пяти значениям точности, полученным в ходе обучения и тестирования.
Результаты экспериментов и их анализ
В таблице приведены в качестве примера результаты экспериментов с ИНС различной архитектуры для набора № 2 при решении задачи классификации скважин-кандидатов для ГТМ. В экспериментах использованы четыре варианта алгоритмов оптимизации при обучении ИНС и для каждого из них - три варианта наиболее известных функций активации. Аналогичные эксперименты были проведены для наборов № 1, 3, 4 и 5 и результаты сведены в соответствующие четыре таблицы.
На рис. 2 приведены взятые из таблиц все лучшие результаты по точности классификации скважин для всех пяти наборов параметров в случае тестовых выборок. Они получены с помощью оптимизационных алгоритмов обучения Adam или SGD и функций активации TanH или ReLU.
Проанализируем полученные результаты. Видно, что основным фактором, влияющим на точность классификации, является различие архитектур ИНС, в первую очередь, по числу скрытых слоёв.
Функция активации Sigmoid для всех алгоритмов обучения и алгоритм оптимизации при обучении AdaDelta для всех функций активации не позволили получить высокую точность классификации скважин вследствие плохой обучаемости ИНС.
Результаты классификации скважин с использованием ИНС в случае набора № 2
Алгоритм обучения Функция активации Точность классификации скважин, %
Выборка Число слоёв
2 3 4 5 6 7 8 9 10 15 20
SGD Sigmoid Обучающая 65,327 52,874 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000
Тестовая 64,205 52,092 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000
TanH Обучающая 93,416 98,250 99,228 97,115 99,332 98,870 97,220 99,590 96,497 99,640 91,298
Тестовая 92,594 96,722 97,734 95,910 98,359 97,730 95,268 97,326 95,702 97,334 89,337
ReLU Обучающая 94,853 98,148 98,765 98,970 99,127 97,323 99,333 99,024 98,095 98,971 94,539
Тестовая 93,019 96,305 97,134 97,334 97,947 96,709 97,534 97,938 97,746 95,893 92,827
AdaGrad Sigmoid Обучающая 53,232 52,423 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000
Тестовая 52,708 52,245 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000
TanH Обучающая 86,005 93,467 97,839 99,074 99,537 99,280 98,662 99,332 99,536 99,614 99,076
Тестовая 85,604 93,414 96,913 97,742 96,702 96,913 96,918 96,922 97,334 97,118 96,084
ReLU Обучающая 49,692 47,737 56,995 51,594 50,566 46,912 50,051 50,671 46,135 52,881 50,000
Тестовая 49,800 47,938 57,198 51,641 50,629 47,326 50,208 51,433 46,327 53,291 50,000
AdaDelta Sigmoid Обучающая 50,103 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000
Тестовая 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000 50,000
TanH Обучающая 56,168 63,271 52,470 51,851 48,463 58,180 57,716 59,722 55,194 64,403 63,323
Тестовая 55,761 62,751 52,462 52,270 48,963 58,019 57,194 59,881 54,736 64,392 63,376
ReLU Обучающая 52,830 62,447 61,058 61,266 66,716 60,495 60,805 61,575 58,537 70,113 75,670
Тестовая 52,474 61,505 60,697 61,101 66,471 60,068 60,276 61,922 58,027 69,116 74,881
Adam Sigmoid Обучающая 84,158 89,760 96,039 82,665 81,662 73,243 71,504 55,132 51,751 50,825 50,000
Тестовая 83,529 89,107 93,831 79,821 80,672 70,391 69,575 54,362 51,637 50,816 50,000
TanH Обучающая 99,794 99,640 98,508 99,383 99,846 99,537 99,279 98,256 96,393 51,388 51,540
Тестовая 97,126 98,563 96,922 97,942 98,767 97,530 97,334 96,909 95,710 51,442 51,247
ReLU Обучающая 99,486 97,889 99,332 99,281 99,486 99,332 99,538 99,589 89,639 59,333 59,227
Тестовая 98,146 96,298 97,326 97,126 97,326 97,942 98,159 98,567 88,163 59,583 59,184
и функций активации результаты также невысоки. Из рис. 2 следует, что наилучшая точность для разного числа скрытых слоёв ИНС достигнута для набора № 1, а наихудшая - для набора № 3.
На практике для столь серьёзного по финансовым затратам мероприятия, как остановка скважины и выполнение на ней того или иного ГТМ, важно иметь как можно большую точность классификации. Поэтому средняя точность классификации при обучении ИНС более 99% и средняя точность при её тестировании более 98% были выбраны как приемлемые для практического использования (см. таблицу, значения указаны жирным шрифтом). Выше таких пороговых значений точности находятся результаты, полученные на наборах № 1 и 2 с помощью оптимизационных алгоритмов Adam и SGD и функций активации TanH и ReLU. Остальные результаты не представляют практический интерес.
Все результаты по точности классификации скважин, приемлемые для практического использования, сравнивались по критерию Краскела-Уоллиса. Показано, что отличия в результатах при выборочных флуктуациях не являются существенными при уровне значимости, равном 0,05.
Так как разница в точности классификации скважин для указанных архитектур ИНС незначительна, на некоторых нефтегазодобывающих предприятиях могут отдать предпочтение наиболее простым моделям ИНС с точки зрения их архитектуры и числа параметров на входе. Например, архитектуре с тремя или даже с двумя скрытыми слоями и функцией активации TanH или ReLU. При этом на входе ИНС будет набор № 2 параметров, а обучение нейросети ведётся по алгоритму Adam. Это позволит
100
X1
о4
^ 95
: 90
¡3
85
¡80
о
H
75
3
9
10
4 5 6 7 8 Число скрытых слоёв
—----- для набор а № 1 "О" для набор а № 2 .—Х-— дЛя набора № 3 ■ для набора № 4 _ ' для набора № 5
Рис. 2. Лучшие результаты по точности классификации скважин на тестовых выборках
Весьма низкие результаты наблюдаются при использовании в ИНС 2 или 3 скрытых слоёв для всех алгоритмов оптимизации, кроме алгоритма Adam. По-видимому, это связано с тем, что число извлекаемых в этих случаях признаков скважины для отнесения ее к тому или иному классу не соответствует сложности задачи. Для числа скрытых слоёв более 10 для этих же алгоритмов оптимизации
снизить требования к вычислительным ресурсам, необходимым для анализа технологических и геологических данных с помощью ИНС, а также минимизировать перечень параметров на входе нейросети и соответственно объем предварительной подготовки к анализу значений таких параметров.
Этот пример показывает, что полученные результаты исследования могут быть востребованы для разработки методики использования сложного аппарата глубоких ИНС при управлении ГТМ.
В экспериментах по определению точности классификации при выборе типа (класса) ГТМ на выявленных скважинах-кандидатах для ГТМ использовались архитектуры и гиперпараметры ИНС, а также обучающие и тестовые наборы данных, давшие наилучшие результаты по точности классификации скважин. В итоге для ИНС с 9 скрытыми слоями для алгоритма Adam и функции активации TanH в случае набора № 2 получена наилучшая точность классификации типов ГТМ при тестировании -85%. Знание типа ГТМ позволит специалисту-геологу сузить область рассмотрения потенциально возможных ГТМ для скважины-кандидата и тем самым окажет ему поддержку в принятии решения по выбору ГТМ.
Заключение
Сегодня очевидно, что интеллектуальные технологии - главный фактор обеспечения оптимальных управленческих решений при эксплуатации фондов скважин месторождений УВС, в том числе при управлении ГТМ на этих фондах.
Проведены исследования эффективности глубоких ИНС прямого распространения при решении задач классификации при выборе скважин-кандидатов для проведения ГТМ и при выборе типа ГТМ для таких скважин. Наилучшие и практически приемлемые результаты по точности выбора скважин-кандидатов для ГТМ (более 98% на тестовых выборках) были достигнуты при подаче на вход ИНС полного набора всех измеряемых технологических и геологических параметров или набора всех технологических параметров скважины. При этом обучение ИНС велось с использованием оптимизационных алгоритмов Adam и SGD и функций активации ReLU и TanH. Наилучшая точность классификации типов ГТМ для скважин-кандидатов составила 85% на тестовых выборках.
Отметим, что полученные результаты исследований эффективности глубоких ИНС позволят создать методику использования ИНС при управлении ГТМ на месторождениях нефти и газа.
Литература
1. Марков Н.Г. Информационно-управляющие системы для газодобывающего производства. - Томск: Изд-во Том. политехн. ун-а, 2016. - 261 с.
2. Барбер Э. Оптимизация добычи: от продуктивного пласта до пункта подготовки нефти и газа / Э. Барбер, М.Е. Шиппен, С. Баруа // Нефтегазовое обозрение. - 2008. -Т. 19, № 4. - С. 22-37.
3. Evsyutkin I. Intellectual information system for management of geological and technical arrangements during oil field exploitation / I. Evsyutkin, N. Markov // Journal of Physics: Conference Series. - 2017. - Vol. 803: Information Technologies in Business and Industry (ITBI2016): International Conference, 21-26 September 2016, Tomsk, Russian Federation. - [012093, 6 p.].
4. Березина А.А. Экономическая концепция нефтегазового «интеллектуального» месторождения / А.А. Березина, А.Е. Череповицын // Нефтяное хозяйство. - 2014. -№ 14. - С. 14-15.
5. Редикульцев С.А. Использование метода нейронных сетей для прогноза параметров работы скважин после проведения ГРП / С.А. Редикульцев, А.В. Липлянин, А.О. Палий // Бурение, разработка, добыча. - 2010. - Т. 5, № 1. - C. 33-37.
6. Келлер Ю.А. Разработка искусственных нейронных сетей для предсказания технологической эффективности от выравнивания профиля приёмистости // Изв. Том. политехн. ун-та. Сер.: Информационные технологии. -2014. - Т. 325, № 5. - С. 60-65.
7. Келлер Ю.А. Применение кластеризации данных на основе самоорганизующихся карт Кохонена при подборе скважин-кандидатов для методов увеличения нефтеотдачи // Управление, вычислительная техника и информатика: Вестник Том. гос. ун-та. - 2014. - Т. 28, № 3. - С. 32-37.
8. Кашапов А. Применение теории нечётких множеств для поиска скважин-кандидатов на проведение геолого-технических мероприятий // SPE International, Society of Petroleum Engineers [Электронный ресурс]. - Режим доступа: https://www.onepetro.org/conference-paper/SPE-176744-RU (дата обращения: 15.01.2020).
9. Галиуллин М.М. Методика выбора скважин-кандидатов для интенсификации добычи с использованием математического аппарата нечёткой логики / М.М. Галиуллин, П.В. Зимин, В.В. Васильев // Нефтяное хозяйство. - 2011. - № 6. - С. 120-123.
10. Odedele T.O. Oil Well Performance Diagnosis System Using Fuzzy Logic Inference Models / T.O. Odedele, H.D. Ibrahim // Proceedings of The World Congress on Engineering. - 2014. - P. 80-85.
11. Okwu M.O. A review of fuzzy logic applications in petroleum exploration, production and distribution operations / M.O. Okwu, N.A. Nwachukwu // Journal of Petroleum Exploration and Production Technology. - 2018. - Vol. 9. -P. 1555-1568.
12. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник ЮУиГУ. Сер.: Вычислительная математика и информатика. - 2017. - Т. 6, № 3. -С. 28-59.
13. Azeroual O. Data Quality Measures and Data Cleansing for Research Information Systems / O. Azeroual, G. Saake, M. Abuosba // Journal of Digital Information Management. -2018. - Vol. 16, No. 1. - P. 12-16.
14. Kofi Sarpong Adu-Manu A Review of Data Cleansing Concepts Achievable Goals and Limitations / Kofi Sar-pong Adu-Manu, John Kingsley Arthur // International Journal of Computer Applications. - 2013. - Vol. 7, No. 76. - P. 19-22.
15. Евсюткин И.В. Веб-сервис обнаружения и корректировки ошибок в данных на промыслах нефтегазодобывающих компаний / И.В. Евсюткин, Н.Г. Марков / Сб. науч. тр. XVI Междунар. науч.-практ. конф. студентов, аспирантов, молодых учёных «Молодёжь и современные информационные технологии», Томск, 3-7 декабря 2018 г. -Томск: Изд-во Том. политехн. ун-та, 2019. - С. 231-232.
16. Коршак А.А. Основы нефтегазового дела: учебник для вузов. - 3-е изд., испр. и доп. / А.А. Коршак,
А.М. Шаммазов. - Уфа.: ООО «ДизайнПолиграфСервис», 2005. - 528 с.
17. Dropout: A Simple Way to Prevent Neural Networks from overfitting / Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov // Journal of Machine Learning Research. - 2014. - Vol. 15. - P. 1929-1958.
18. Darío Baptista Performance comparison of ANN training algorithms for classification / Darío Baptista, Sandy Rodrigues, F. Morgado-Dias // Conference: Intelligent Signal Processing (WISP), 2013 IEEE 8th International Symposium. - 2013. - P. 115-120.
19. Khandakar M. Times-series data augmentation and deep learning for construction equipment activity recognition / M. Rashid Khandakar, Joseph Louis // Advanced Engineering Informatics. - 2019. - Vol. 42. - Article 100935.
20. Han J. Data Mining: Concepts and Techniques, 3rd Edition / J. Han, M. Kamber, J. Pei. - Elsevier Science, 2011. -744 p.
21. Shaohuai Shi Benchmarking State-of-the-Art Deep Learning Software Tools / Shaohuai Shi, Qiang Wang, Pengfei Xu, Xiaowen Chu // arXiv:1608.07249v7 [cs. DC] 17 Feb 2017. - URL: https://arxiv.org/pdf/1608.07249.pdf (дата обращения: 15.01.2020).
Евсюткин Иван Викторович
Аспирант Отделения информационных технологий (ОИТ) Инженерной школы информационных технологий и робототехники (ИШИТР) Национального исследовательского Томского политехнического университета (НИ ТПУ) Ленина пр-т, д. 30, г. Томск, Россия, 634050 Тел.: +7-923-425-12-09 Эл. почта: ive1@tpu.ru
Марков Николай Григорьевич
Д-р техн. наук, профессор ОИТ ИШИТР НИ ТПУ Ленина пр-т, д. 30, г. Томск, Россия, 634050 Тел.: +7 (382-2) 70-16-09 Эл. почта: markovng@tpu.ru
Evsyutkin I.V., Markov N.G.
Management of geological and technical arrangements on oil-and-gas fields with the use of artificial neural networks
The timely selection of the wells to carry out the geological and technical arrangements (GTAs) and the selection of definite GTAs for such wells are crucial tasks for oil-and-gas extraction companies. Nowadays, these tasks are solved mainly using the wide experience and intuition of the specialistgeologist. Moreover, the decision process demands serious time contributions from a specialist and does not exclude the incorrect results bound with a human factor. Therefore, the development and deployment of new intellectual methods of the geological and technological data analysis for the management of GTAs are aimed in the research. In the article, the authors propose to use deep feed-forward neural networks when solving GTAs management problems. The results of complex efficiency evaluation for such neuron networks, which showed the potential of this method of intellectual data analysis for the GTAs management, are described. Keywords: geological and technical arrangements on oil-and-gas fields, automation of the production, the intellectual analysis of data, artificial neural networks. doi: 10.21293/1818-0442-2020-23-1 -62-69
References
1. Markov N.G. Informatsionno-upravlyayushchiye sis-temy dlya gazodobyvayushchego proizvodstva [Management of information systems for gas production]. Tomsk, Tomsk Polytechnic University Publ., 2016, 261 p. (in Russ.)
2. Barber E., Shippen M.E., Barua S. [Extraction optimization: from productive formation to the point of oil-and-gas preparation]. Oil and gas review, 2008, vol. 19, no. 4, pp. 2237 (in Russ.).
3. Evsyutkin I., Markov N. Intellectual information system for management of geological and technical arrangements during oil field exploitation. Journal of Physics: Conference Series, 2017, vol. 803: Information Technologies in Business and Industry (ITBI2016): International Conference, 21-26 September 2016, Tomsk, Russian Federation [012093, 6 p.].
4. Berezina A.A., Cherepovitsyn A.E. [Economic concept of an oil-and-gas "intellectual" field]. Oil industry, 2014, no. 14, pp. 14-15 (in Russ.)
5. Redikultsev S.A., Liplyanin A.V., Paliy A.O. [Use of the method of neural networks for the forecast of parameters of work of wells after carrying out hydraulic fracturing of formation]. Drilling, development, extraction, 2010, vol. 5, no. 1, pp. 33-37 (in Russ.)
6. Keller Yu.A. [Development of artificial neural networks for the prediction of technological efficiency from conformance control]. News of Tomsk Polytechnic University, Information technologies, 2014, vol. 325, no. 5, pp. 60-65 (in Russ.)
7. Keller Yu.A. [Application of clustering of data based on the self-organizing Kokhonen's cards at the selection of candidates-wells for methods of oil extraction increase] // Control, computers, and informatics: News of Tomsk State University, 2014, vol. 28, no. 3, pp. 32-37 (in Russ.)
8. Kashapov A. [Application of the fuzzy logic theory for the selection of candidates-wells for carrying out geological and technical arrangements]. SPE International, Society of Petroleum Engineers, 2015, SPE-176744-RU (in Russ.)
9. Galiullin M.M., Zimin P.V., Vasilyev V.V. [Approach of the selection of candidates-wells for an extraction intensification with the use of fuzzy logic]. Oil industry, 2011, no. 6, pp. 120-123 (in Russ.)
10. Odedele T.O, and Ibrahim H.D. Oil Well Performance Diagnosis System Using Fuzzy Logic Inference Models. Proceedings of The World Congress on Engineering, 2014, pp. 80-85.
11. Okwu M.O., Nwachukwu A.N. A review of fuzzy logic applications in petroleum exploration, production and distribution operations. Journal of Petroleum Exploration and Production Technology, 2018, vol. 9, pp. 1555-1568.
12. Sozykin A.V. [Review of methods for deep neural networks training]. News of the Southern-Ural State University, 2017, pp. 28-59 (in Russ.)
13. Azeroual O., Saake G., Abuosba M. Data Quality Measures and Data Cleansing for Research Information Systems. Journal of Digital Information Management, 2018, vol. 16, no. 1, pp. 12-16.
14. Kofi Sarpong Adu-Manu, John Kingsley Arthur A Review of Data Cleansing Concepts Achievable Goals and Limitations. International Journal of Computer Applications, 2013, vol. 7, no. 76, pp. 19-22.
15. Evsyutkin I.V., Markov N.G. Veb-servis ob-naruzheniya I korrektirovki oshibok v dannykh na promyslah neftegazodobyvayushchikh kompaniy [Web-service of detection and correction of errors in the oil-and-gas extraction companies]. V sbornike nauchnykh trudov XVI Mezhdunarodnoy konferentsii studentov, aspirantov, molodikh uchyonikh «Mo-
lodyozh I sovremennyye informatsionnie tekhnologii» (Tomsk, 3-7 dekabrya 2018 g) ["Youth and modern information technologies" (Tomsk, 3-7 December 2018). Proc. of the XVI International scientific and practical conference of students, PhD students, young scientists]. Tomsk. Tomsk Polytechnic University Publ, 2019, pp. 231-232 (in Russ.)
16. Korshak A.A., Shammazov A.M. Osnovy nefte-gazovogo dela. Uchebnik dlya vuzov [Bases of the oil-and-gas industry: The educational book for higher education institutions]. Ufa. LLC «DizaynPoligrafServis» Publ., 2005, 528 p. (in Russ.)
17. Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov Dropout: A Simple Way to Prevent Neural Networks from overfitting. Journal of Machine Learning Research, 2014, vol. 15, pp. 1929-1958.
18. Dario Baptista, Sandy Rodrigues, F. Morgado-Dias Performance comparison of ANN training algorithms for classification. Conference: Intelligent Signal Processing (WISP), 2013 IEEE 8th International Symposium, 2013, pp. 115-120.
19. Khandakar M. Rashid, Joseph Louis Times-series data augmentation and deep learning for construction equipment activity recognition. Advanced Engineering Informatics, 2019, vol. 42, Article 100935.
20. Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques, 3rd Edition. Elsevier Science, 2011, 744 p.
69
21. Shaohuai Shi, Qiang Wang, Pengfei Xu, Xiaowen Chu Benchmarking State-of-the-Art Deep Learning Software Tools. arXiv:1608.07249v7 [cs.DC] 17 Feb. 2017. Available at: https://arxiv.org/pdf/1608.07249.pdf (Accessed: January 15, 2020).
Ivan V Evsyutkin
Post graduate student,
Department of Information Technologies,
School of Computer Science & Robotics,
National Research Tomsk Polytechnic University (NI TPU)
30, Lenin pr., Tomsk, Russia, 634050
Phone: +7-923-425-12-09
Email: ive1@tpu.ru
Nikolay G Markov
Doctor of Engineering Sciences, Professor, Department of Information Technologies, School of Computer Science & Robotics, NI TPU 30, Lenin pr., Tomsk, Russia, 634050 Phone: +7 (382-2) 70-16-09 Email: markovng@tpu.ru
