Научная статья на тему 'Застосування нейромережевого підходу для виділення рентабельних перспективних пластів у наявному фонді свердловин української нафтогазовидобувної компанії'

Застосування нейромережевого підходу для виділення рентабельних перспективних пластів у наявному фонді свердловин української нафтогазовидобувної компанії Текст научной статьи по специальности «Экономика и бизнес»

CC BY
95
27
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
геолого-економічна оцінка / рентабельність / штучна нейронна мережа / алгоритми навчання / геофізичні методи / нафтогазова свердловина / інтелектуальний аналіз даних / шаблон / geological and economic evaluation / cost effectiveness / artificial neuronetwork / geophysical method / oil and gas well

Аннотация научной статьи по экономике и бизнесу, автор научной работы — М Т. Краснюк

Запропоновано моделі та технології їх застосування, що забезпечують літологічне розчленовування свердловини та виявлення нафто-газонасичених колекторів. Для вирішення зазначеної вище задачі запропоновано технологію використання штучних нейронних мереж, що вирішить проблему підвищення надійності, об'єктивізації, та підвищення якості інтерпретації нагромаджених геолого-економічних даних та знань вітчизняних нафтогазовидобувних компаній. Впровадження таких технологій та алгоритмів має істотне значення для швидкого та рентабельного нарощування ресурсної бази, а отже, і капіталізації українських нафтогазових компаній в умовах поточної кризи.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

The Use of Neuronetworks for Selecting Cost-Effective Long-Term Layers in Existing Well Stock of Ukrainian Oil and Gas Company

The model and the technologies for lithological division and oil and gas reservoirs detection is proposed. Artificial neuronetworks are suggested using in order to solve the problem mentioned. This will solve the problem of objectivity, quality and validity of stored data and knowledge bases of Ukrainian oil and gas production companies. The business process of interpretation of geological and geophysical data which are difficult to formalize and for geological and economic validity and significance of the results is studied. The implementation of proposed technologies and algorithms is essential for rapid and cost-effective growth of the resource base, and in the hence of recapitalization Ukrainian oil and gas production companies in current crisis conditions.

Текст научной работы на тему «Застосування нейромережевого підходу для виділення рентабельних перспективних пластів у наявному фонді свердловин української нафтогазовидобувної компанії»

7. McClure Samuel M. Neural Correlates of Behavioral Preference for Culturally Familiar Drinks / Samuel M. McClure, Jian Li, Damon Tomlin, P. Read Montague and other. - 2004. [Electronic resource]. - Mode of access http://www.cell.com/neuron/abstract/S0896-6273%2804%2900612-9

8. Чернова М. Нейромаркетинг: мифы, реальные цели и ловушки / М. Чернова. - 2010. [Електронний ресурс]. - Доступний з http://www.marketing.spb.ru/lib-around/science / neuromarke-ting.htm? printversion.

9. Методы нейромаркетинга. - Ч. 2. Eye Tracking, 2011. [Электронный ресурс]. - Доступный с http://blog.votinoff.com/?p=1713.

10. Романюха С. Метаморфная модель Зальтмана ZMET - история и суть методологии / С. Романюха, 2010. [Электронный ресурс]. - Доступный с http://psyfactor.org/lib/zmet.htm.

11. Oticon - people first. [Electronic resource]. - Mode of access http://www.olsonzaltman. com/case-studies/oticon3.htm.

12. Eisenberg А. The Hearing Aid as Fashion Statement / А. Eisenberg, 2006. [Electronic resource]. - Mode of access http://www.nytimes.com/2006/09/24/business/yourmoney/24novel.html? pagewan-ted=print&_r=0.

Фигун Н.В., Фигун А.В. Методология нейромаркетинга: суть, классификация, перспективы развития

Рассмотрена сущность нейромаркетинга как науки и сущность нейромаркетинго-вых исследований. Исследованы перспективы развития нейромаркетинга. Осуществлено разделение методов нейромаркетинговых исследований на две категории: социально-психологические и инструментальные. Освещен ряд преимуществ нейромаркетинговых исследований, в частности, к ключевым отнесены возможность получения специфической информации об особенностях покупательского поведения потребителей и научное обоснование реакций потребителей на различные стимулы. Приведены также и недостатки подобных исследований. Рассмотрены перспективы развития методов и инструментов нейромаркетинга.

Ключевые слова: нейромаркетинг, нейромаркетинговые исследования, социально-психологические инструменты нейромаркетинга, подсознание, эмоции.

Fihun N.V., Fihun A.V. Methodology of Neuromarketing: its Essence, Classification, and Prospects

The essence of neuromarketing investigations is exposed. The prospects of development of such science as neuromarketing were estimated. A division into two categories of neuromarketing methods such as social and psychological, and instrumental, is developed. A number of advantages of neuromarketing surveys was revealed. Main advantages are supposed to be the possibility of getting a specific information about the features of the purchasing behaviour of consumers and the scientific substantiation of consumer reactions to various stimuli. The prospects of a particular method development of neuromarketing research are analysed.

Key words: neuromarketing, neuromarketing methods, neuromarketing investigations, social and psychological instruments of neuromarketing, subconscious, emotions.

УДК338.984:330.4 Доц. М.Т. Краснюк, канд. екон. наук -

Кшвський НЕУ М. Вадима Гетьмана

ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВОГО П1ДХОДУ ДЛЯ ВИД1ЛЕННЯ РЕНТАБЕЛЬНИХ ПЕРСПЕКТИВНИХ ПЛАСТ1В У НАЯВНОМУ ФОНД1 СВЕРДЛОВИН УКРАШСЬКО! НАФТОГАЗОВИДОБУВНО1 КОМПАНН

Запропоновано моделi та технологи !х застосування, що забезпечують л^олопчне розчленовування свердловини та виявлення нафто-газонасичених колектс^в.

Для виршення зазначено! вище задачi запропоновано технологвд використання штучних нейронних мереж, що виршить проблему шдвищення надшносп, об'ектишза-Щ1, та шдвищення якост штерпретацн нагромаджених геолого-економiчних даних та знань втизняних нафтогазовидобувних компанш.

Впровадження таких технологш та алгоритмiв мае icTOTHe значения для швидкого та рентабельного нарощування ресурсно! бази, а отже, i каштшпзащ! укра!нських нафто-газових компанш в умовах поточно! кризи.

Ключовг слова: гeолого-eкономiчна оценка; рентабельшсть, штучна нейронна мережа, алгоритми навчання; гeофiзичнi методи, нафтогазова свердловина, iнтeлeктуальний аналiз даних, шаблон.

Ввдновлення i розвиток нафтогазово! промисловостi будь-якого регюну (кра'ни) свиу пов'язанi насамперед з обсягами прогнозних pecypciB вуглеводтв, станом розвiданих запасiв вyглеводнiв i визначаються технологiчними, економiч-ними, оргашзацшними, полiтичними та iншими факторами. Не е виключенням i Укра'на - одна iз найдавнiших нафтогазовидобувних держав свиу. Перш нiж почати аналiз, необхiдно визначити деякi термiни:

• доведет запаси вуглеводтв - це B^oMi об'еми вуглеводтв, якi можна вилучити з прибутком, використовуючи наявну технолопю;

• нерoзвiданi традицiйнi ресурси - ресурси нафти та газу, яю опошуковують наф-T0r330Bi компанп опрацьованими технoлoгiями i якi можна видобути з викорис-танням наявно'1 традицiйнoí практики розробки вуглеводтв;

• нетрадицшт ресурси - ресурси нафти та газу, яю iснують за межами добре окон-турених пасток;

• ресурси, отримаш завдяки зростанню родовищ - ресурси, яю oчiкуванo дода-дуться до розвщаних запасiв родовища завдяки: фiзичнoму розширенню меж родовища, розробки нових гoризoнтiв, бiльш ретельному тдрахунку та oцiнки за-паив родовища на oснoвi дoсвiду видобутку та змiни вiднoшення мiж цшою та витратами; застосуванню нових технологш i метoдiв пошуку, розробки, видобутку вуглеводтв та оброблення вщповщно'1 шформацп. Значною мiрoю перерахо-ват фактори залежать Bid тновацш, яю складно передбачити. Крiм того, щ фактори е складними та взаемопов'язаними, i отже складно тддаються шдивщу-альному аналiзу. Таким чином, оцшка можливого майбутнього приросту запасiв повинна базуватися на емтричнш проекцп минулих шаблoнiв, зокрема i на застосуванню нейронечиких алгoритмiв пошуку шаблотв Data Mining. Економiчний аналiз ощнюе витрати з трансформацií ресурсов у доведет

запаси, ят технологiчно можливо та економiчно вигiдно вилучити, тобто вщоб-ражае цiнy за пошук, розробку та видобуток певно! юлькосп оцiнених ресyрсiв за поточною технолопею та наявним науковим ршнем розумшня. Головною кш-цевою метою економiчного аналiзy геологiчних ресyрсiв е краще розyмiння еко-номiчноí ситyацií вищим менеджментом iндyстрií та урядом.

Хоч наявш iсторичнi данi недостатнi, щоб поеднати витрати на прирiст за-пасш завдяки iнновацiям, зрозумшо, що в середньому цi витрати нижчi за витрати на po.3eidKy, облаштування та розробку нових родовищ, але вищi за витрати на видобуток iз розвiданих та доведение запаЫв.

Ощнки економiчного аналiзy в цш сферi базуються на геологiчних даних, аналiзi ймовiрностi та ранжуються рiзною мiрою впевненост! Найбшьш важливi результати таких ощнок не в абсолютних цифрах, а в тому, що робити з трендами розвщки та видобутку та можливим розташуванням нерозвiданих ресурсов. 1ншими словами, економiчнi моделi в розвiдцi нафти та газу застосовуються для визначення головних тенденцт, а не точних передбачень.

Мабуть, найважливтим висновком економiчного аналiзy е те, що з вра-хуванням тенденцп зростання родовищ, щоб пiдтримyвати видобуток у кра'нах iз

добре розввданими надрами (Украша, США й ш.), необхiдне використання Bcix можливих шновацш у сферi управлiння розвiдкою та видобутком, значне вдоско-налення технологи розввдки та iнтерпретацií накопичених даних.

Пiд час огляду результатiв економiчного аналiзу, чи ix використання для подальших цiлей аналiтики чи планування, необхвдно враховувати часовий контекст, оскшьки цей аналiз не залежить вiд функцй' часу. Вiн прогнозуе витрати на конвертування (з поточним рiвнем технологи) нерозвiданиx ресурсiв у шдтвер-дженi запаси та видобуток. Звичайно, бурiння свердловин для шдтвердження запаяв потребуе часу, але тодi i теxнологiя, i наукове розумшня продовжують ево-люцiонувати. Наприклад, пiд час останнix двох десятилиь багато геологiчниx, теxнологiчниx та шформацшних проривiв зробленi в бiк значного шдвищення ефективностi розвiдки та розробки нафти та газу.

Специфжа нафтогазовидобувно! галузi та сучаснi вiтчизнянi економшо-геологiчнi умови свiдчать про переважання iнтенсивного шляху збшьшення кшь-косп видобутих в УкраМ вуглеводшв над екстенсивним. Досвiд показуе, що по-чатковi оцiнки розмiру щойно вдаритих нафтогазових родовищ звичайно занижен i з роками збiльшуються. Термш "рiст запас1в" означае типове зростання оцiнки максимально! можливо!' кiлькостi запаав, якi можуть бути видобутi з цих родовищ завдяки iнновацiям, значну роль в яких сьогоднi ввдграють iнновацii у сферi штелектуальних шформацшних систем i теxнологiй.

За результатами аналiзу можна видалити такi поправки в ощнках запас1в через введення економiчниx обмежень: значне зниження частки та кшькосп нет-радицiйниx запаав, зниження кiлькостi нерозвщаних запасiв, та пов'язане з цим зростання частки розввданих запасiв, зростання i частки, i кiлькостi запас1в завдяки приросту запаав наявних родовищ. Ц тенденцп свiдчать про важливiсть приросту запаав у розвiданиx родовищах як важливого фактора економiчноi ста-бiльностi нафтогазово! галузi та вае! економiки. Можна пiдтвердити висновок, що поряд iз традицiйним збiльшенням запаав завдяки розвiдцi нових родовищ (що потребуе значних та довготермiновиx швестицш), значну увагу варто придь ляти зростанню запасiв наявних родовищ завдяки впровадженню iнновацiй, зок-рема у сферi економiко-математичного моделювання та штелектуального аналiзу даних та знань.

Теоретичш засади економiко-математичного моделювання та штелектуального аналiзу даних та знань шдприемств з урахуванням зазначених вище умов дослiджено в роботах укра!нських вчених: 6.В. Афанасьева, О.О. Бордша, В В. Вiтлiнського, Г.1. Велико1ваненко, М.Н. Жукова, М.1. бвдошука, А.Б. Ка-мiнського, Коржнева, А.В. Матвiйчука, Л.М. Кучми, В С. Мiщенко, В.А. Михайлова, С.1. Наконечного, В.Ф. Ситника, О.1. Черняка, ОД. Шарапова та ш.

Статистика розвитку галузi та аналiз вiтчизняниx нафтогазових компанiй показав, що впровадження iнновацiй сприяе зростанню обсялв виробництва (приросту запас1в газу та конденсату, об'емш ix видобутку, транспортування i пе-рероблення) та зниженню каттальних i експлуатацiйниx затрат на одиницю продукций що обумовлюе приркт прибутку та зростання продуктивной працi.

Отож, запропонована технолопя застосування нейромережевого пiдxоду для видшення рентабельних перспективних пластiв у наявному фонда свердловин украшсько! нафтогазовидобувно! компанй' е актуальним завданням, особливо в умовах поточно! макроекономiчноi та галузево!' кризи.

На входи штучно'' нейромережi (ШНМ) подаються показання геофiзичних методiв у кожнiй точщ свердловини. На виходi фiксуeться одне iз двох значень -

1 (пласт е) i 0 (пласт вщсутнш). Параметри функцп активацп, ваговi коефiцieнти мережi, число нейронiв i число пластiв приймемо за невiдомi величини, якi тд-бираються у проце^ навчання. Пiд час дослщження ефективностi методу для навчання нейромережi були взятi геофiзичнi данi iз трьох свердловин з вiдомими розшифруваннями границь пластiв. Навчальна вибiрка мютила бтьше 2000 то-чок. Шсля навчання вiдсоток розпiзнаних точок досяг 81.

Перевiрка проводилася на шших свердловинах цieí площi. На рис. 1,

2 зображено розчленовування розрiзу на пласти за зазначеною методикою для двох свердловин. Спрогнозоваш нейромережею (багатопластовий персептрон) пласти показанi верхшми прямокутниками. Нижнi прямокутники вiдповiдають даним розшифрування каротажних дiаграм для вщповщних свердловин.

Рис. 1. РозподЫ пластiв нейромережевим методом. Свердловина 1

Рис. 2. РозподЫ пластiв нейромережевим методом. Свердловина 2

Метод видтення пласпв геофiзичних свердловин на основi нейронно'' ме-режi iз сигмо'дною функщею активацп дав задовiльнi результати. Перевагою методу е висока швидюсть оброблення нових свердловин i незалежшсть вiд умов вимiрiв. Бiльш високо'' якостi розбивки з облiком того, що границi пласпв-колек-торiв е розмитими, можна добитися за допомогою кодування вихiдних сигналiв нейронно'' мережа

У пласт вписуеться функцiя, задана параболою. Нехай колектор перебувае на глибиш к1... к2 (Н2 > к1). Тодi значення функцп або виходу мережi на глибинi к (у метрах) обчислюеться за формулою:

/ (к )=—^ (к - ^ У+1. ' (к - к,)21 2 )

Таким чином, у серединi пласта-колектора вихiдне значення мережi мак-симальне i дорiвнюe 1. На рис. 3 показана рiзниця мiж вихiдними та кодованими сигналами для цього алгоритму.

Деталiзуeмо розв'язану вище задачу - видiлення пласпв - у видтення ко-лекторiв за геофiзичними даними. Для виршення ще'' задачi iнтелектуального аналiзу даних використовуються такi характернi ознаки колекторiв:

• проникнiсть. Для видiлення колектора використовуються даш, якi отримуються

за допомогою методiв ефективного опору та опору, що здаеться;

низький змют поверхнево активно!' пластично'1 твердо! фази. Визначаеться методами опорiв або комплексним аналiзом останнiх разом iз нейронними, ультразву-ковими та гамма-методами;

висока пористють. Для видiлення колекторiв за цiею ознакою використовуються методи iзотопiв, потенцiалiв, магштометрi'í та термометрi'í.

.....Перевтiлений сигнал -Вихвдний сигнал

Рис. 3. Кодування вихiдного сигналу нейронное мережi

Використовуючи отриману вiд експерта iнформацiю про видтеш колек-тори з тестових свердловин, виявлено закономiрностi мш показаннями карота-жiв i наявнiстю або вщсутшстю колектора.

Для задачi видтення колектора за цим способом кодування розглянуто модель радiальноí нейронно'' мережi (КБЕ). Як вхiднi сигнали радiальноí мережi взято результати вимiрiв iз дектькох свердловин, отриманих вiсьмома методами: ВК ^чний каротаж), БР (власнi потенщали), Р7 (потенцiал-зонд), ОЯ (гамма-метод), КОЯ (нейтронний гамма-метод), БТ (ультразвуковий метод), ББ (дiаметр свердловини) i 1К (iндукцiйний каротаж). Половину отримано' вибiрки (X У) г = 1, К, К = 2000 використано для навчання, iншу половину - для тестування.

Внаслiдок численних експериментiв було встановлено, що для устшного розв'язання задачi розпiзнавання колекторiв кiлькiсть центрiв Н радiальноí нейронно' мережi або кiлькiсть базисних функцш не повинна перевищувати 4. Для взятих свердловин найкращi результати мережа показала при Н = 3, забезпе-чивши, у середньому, розтзнавання колекторiв з ймовiрнiстю 86 %. На рис. 4 показаний результат апроксимацп радiальною мережею частини вихiдного сигналу, представленого в навчальнш свердловинi на глибинi вiд 900 до 930 м.

---Навчальний сигнал **** Апроксимацш ЯВБ

Рис. 4. Результат роботи мережi ЯБГ на свердловит тд час видтення колекторiв

Метод нейромережевого видтення пласпв геофiзичних свердловин дав задовтьт результати. Перевагою методу е висока швидюсть оброблення нових свердловин i незалежшсть вiд умов вимiрiв. Другим кроком дослщжень було зас-тосування рiзних моделей штучних нейронних мереж для визначення коефь цiентiв пористостi колекторiв у задачi геофiзичного дослiдження свердловин. Представлен результати експериментiв на свердловинах.

Визначення коефщенпв пористостi й нафтонасичення е наступним ета-пом у геофiзичному дослвдженш нафтових свердловин пiсля видiлення пластав-колекторiв. Пiд час виконання це' роботи геофiзик-iнтерпретатор вбачае невиз-начешсть i суперечливiсть у геофiзичних даних, тому успiшне вирiшення задачi потребуе вiд нього великого досвiду з розшифрування каротажних дiаграм. Зас-тосування штучних нейронних мереж може значно полегшити працю геофiзика та прискорити процес iнтерпретацií нових свердловин.

Для визначення коефщента пористостi використовують результати вимь рiв, отриманих методами опору, потенщатв власно' поляризацц, нейтронними, неуважного гамма-випромшювання та ультразвуковим. У бшьшосп випадкiв по-ристiсть розраховують за методами опорiв; нейтроннi методи застосовують у тих випадках, коли пористий проспр породи заповнений водою, нафтою або газом з вщомим водневим еквiвалентом.

Розглянуто можливiсть прогнозування коефщента пористостi видаленого пласта-колектора багатопластовим персептроном. На входи мережi подаються показания геофiзичних метод1в видiлених пластiв-колекторiв, вихвдний сигнал вiдповiдаe значенню пористостi для всього пласта. В експерименп брало участь 8 розвiдницьких свердловин, до яких додавалися розшифрування геофiзикiв-iн-терпретаторiв iз вказiвкою глибин свердловин, ввдповвдних до колекторiв, коефь цieнта загально' пористостi i типу насичення. Для нафтонасичених колекторiв додатково вказувався коефщент нафтонасичення. На вхвд мережi подавалися по-казання 7 методiв: ВК ^чний каротаж), 8Р (власнi потенщали), PZ (потенщал-зонд), ОЯ (гамма-метод), КОЯ (нейтронний гамма-метод), БТ (ультразвуковий метод), 1К (iндукцiйний каротаж). Загальна кiлькiсть навчальних прикладав ста-новила 200, половина з яких використовувалася для навчання, iншi - для тесту-вання нейронно' мережi. Використовувалися такi параметри генетичного алгоритму, призначеного для синтезу архiтектури i навчання багатопластово'' нейрон-но'' мережг кiлькiсть хромосом у популяцií - 50; ймовiрнiсть кросовера - 0,90; мутацп - 0,05. Застосовувалися стандартний двохточковий оператор схрещуван-ня i стратег1я елiтизму. Внаслiдок пiсля 200-300 епох алгоритму досягаеться мiнi-мум функцп помилки, у середньому дорiвнюe 0,0050 для обох множин - робочо-го та тестового. Юльккть запропонованих генетичним алгоритмом внутрiшнiх шар1в нейронно!' мережi - 1, нейрошв у пластi - 5. На рис. 5 зображеш графiки залежностей коефiцieнта, виданого нейронною мережею вщ еталонного коефi-цieнта пористостi для такого ж прикладу для навчально' i тестово' вибiрок. Видно, що описана вище модель багатопластового персептрона задов1льно справ-ляеться iз прогнозуванням пористостi за даними комплексу геофiзичних методiв. Така ж методика може бути застосована для ощнки iнших видiв пористостi, нап-риклад динамiчноí пористостi колектор1в.

Нечiтка нейронна мережа Т8К показуе кращi результати на тестових фун-кц1ях, порiвняно з багатопластовим персептроном. Тому дощльно розглянути й' застосування для прогнозування коефщента пористостi. Результати навчання мережi Т8К i тестування представленi на рис. 6. З пор1вняння рис. 5 i 6 випливае, що задача визначення коефщента пористостi краще вирiшуeться мережею Т8К. Середньоквадратична помилка прогнозування на тестовiй множинi даних для багатопластового персептрона а = 1, 9 %, для мережi - Т8К а = 1, 6 %.

Рис. 5. ГрафЫ виходiв нейронно'1 мережi (багатопластовий персептрон), який визначае порист^ть: а) навчальна множима б) тестова множима

Рис. 6. ГрафЫ виходiв нейронно'1 мережi TSK, що визначае порист1сть:

а) навчальна множина б) тестова множина

Розглянуто результати дослщження якосл щентифкацп перспективних пласлв, залежно вщ масштабу та повноти даних. Як вихщт данi для проведення обчислювального експерименту були взятi наявнi оцифрован результати каро-тажних дослiджень свердловин. Перед обробкою данi нормувалися. Залежно вщ експерименту кiлькiсть використовуваних кривих змiнювалася.

В експериментi брало участь 400 штерпретованих свердловин, якi роздь лялися на навчальну (30 %) i тестову (70 %) множини. Оскiльки наявнi в розпо-рядженш висновки зi свердловин мiстили в собi лише данi щодо колекторiв i характеру насичення, уа експерименти були спрямованi на пошук колекторiв i ви-явлення типу флю'ду.

Метою роботи була перевiрка застосовностi штучно'' нейронно'' мережi для лгголопчного розчленовування розрiзу свердловини та ощнка якостi iнтерпретацií.

Для одержання даних, використовуваних для навчання ШНМ, було обрано таку сукупнiсть методiв каротажу: бiчний каротаж (ВК), дiаметр свердловини (Б8), акустичний каротаж (БТ), гамма-каротаж (ОЯ), нейтрон-гамма-каротаж (КОЯ). Це пояснюеться тим, що цi методи представлен на вск свердловинах у наявному на-борi даних. При подш вихiдних даних за окремими методами для розпiзнавання лiтологiчного пласта будуеться ШНМ на кожний каротажний метод окремо.

Пiд чaс експеpиментy 6уло побyдовaно тa швчене по декiлькa ШНМ нa кожний вapiaнт фоpмaлiзaцiï зaдaчi, a попм з отpимaноï множини було обpaно одну, що нaйбiльш точно бyдye зaдaне вiдобpaження. Hейpоннi меpежi, що вико-pистовyються для видшення колектоpiв, мiстять один нейpон y вж^ному шapi. Пpи визнaченнi типу шсичення викоpистовyвaвся pезyльтyючий вектоp MHM тaкого вигляду:

с, = ( s,1, s,2, sf ),

де: s1 - стушнь водотасиченосп плaстa m вщшку глибини i; sf - стушнь шфто-тасиченосп плaстa та вщшку глибини i; sf - стушнь тафто-водошсиченосп плaстa нa ввдтку глибини i.

Розмipнiсть виxiдного Hracra ШHM y цьому випaдкy стaновить 3 нейpо-ни. Зaстосyвaння aлгоpитмy без вiкнa дaниx зa ^упою методiв мaeться нa yвaзi викоpистaння вxiдного вектоpa дaниx тaкого вигляду:

Ui = U1, U,2, U3, uf, Ui,

де: u1 - знaчення ВК нa глибиш i; u,2 - знaчення DS та глибиш i; u,3 - зтачення DT нa глибинi i; uf - знaчення GR m глибиш i; u5 - зшчення NGR нa глибинi i.

Bикоpистaння вiкнa дaниx дae змогу ШHM aнaлiзyвaти не тiльки поточне зтачення кapотaжниx методiв, aле й s xapa^rep поведiнки кpивоï в околищ ощ-нювaноï глибини. Пiд чaс експеpиментy зaстосовyвaлися вiкнa pозмipнiстю в 3 i 5 вдатв глибини. Тaким чином, вxiднi вектоpи виглядaють y тaкий спосiб:

Ui = u}-h u1, u1+l, u-, ui2, uí2+l, uf-l, ui3, uí3+l, ^^ ui4, u¿+l, u5-l, u5, u^-b Ui = ( u,1-2,... , u,1+2, Ui-2,..., Ui+2, Ui-2,..., Ui+2, uf-2,..., uf+2, u5-2,..., u5+2 ), де: u1 - знaчення BK нa глибинi i; u,2 - зшчення DS та глибиш i; u3 - зтачення DT та глибиш i; uf - зшчення GR ш глибиш i; u5 - зшчення NGR ш глибиш i.

Резyльтaти експеpиментy зa видiлення плaстiв колектоpiв зa допомогою ШНМ на трьох свердловинах представлеш на рис. 7.

1.2

-0 2 51 101 151 201 251 301 Э51 ¿101 4SI 501 551 601 Б61 701 У

.0 2 51 101 151 201 251 301 351 401 451 501 551 601 651 701 751 /

-Висновок експерта---Оцнка мереж1

Рис. 7. Результаты навчання мережi з видтення плаотв-колектор{в без в1кна даних на трьох свердловинах

Оцшки якосп розшзнавання наведено в поршняльнш табл. 1.

Табл. 1. Ощнки якост1 видтення пласт1в-колектор{в ШНМ без вжна даних г з в'икюм даних у п'яти глыбинах

№ свер-дловини Середньоквадратичне вщхилення Коефвдент взаемно'1 кореляци

1 вщл. 5 вщл. 1 в1дл. 5 вщл.

1 0,018 0,010 0,58 0,81

2 0,015 0,012 0,62 0,73

3 0,015 0,012 0,64 0,70

4 0,014 0,011 0,70 0,76

5 0,015 0,012 0,65 0,72

6 0,015 0,012 0,55 0,73

7 0,016 0,012 0,60 0,75

8 0,015 0,010 0,64 0,79

9 0,014 0,011 0,67 0,77

10 0,017 0,012 0,56 0,70

Як видно з табл. 1, яккть розшзнавання пластш-колекторш шд час вико-ристання вкна даних зростае. Але одночасно iз цим зростае розмiрнiсть штер-претуючо!' ШНМ i, як насладок, час 11 навчання. Результати експерименту з виз-начення характеру насичення пластiв на трьох свердловинах наведеш на рис. 8.

Оцiнки якосл розпiзнавання наведено в поршняльнш табл. 2.

:Впдэ шиши нефть:

1Нй£р1ь-оода-

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

-ОЦНЁ1рГи- - - -ОЦ ВИДЫ--ОЦ. НЁфТЬ-ВОДЗ

Рис. 8. Результати навчання мережi з визначення характеру насичення без вшна даних на трьох свердловинах

Результати експерименту з видшення иласт1в-колектор1в на трьох свердловинах 1з використанням вшон даних представлен! на рис. 9 для вшиа в 5 ш-тервал1в глибин.

1.2

151 201 251 301 351 ¿01 45 1 501 551 БП1 651 701 751

:1

XI

I

щ

251 301 Э51

451 501

551 В01 651 701 751

-Висновок експерта---Оцшка мережi

Рис. 9. Результати навчання мережi визначенню пластiв-колекторiв на трьох свердловинах з вшном даних у 5 iнтервалiв

Середньоквадратичне вщхилення I коефщ1ент взаемно! кореляцп по 10 свердловинах навчально! виб1рки при розтзнавант нафтонасичених, водона-сичених, нафто-водонасичених иласпв наведет в табл. 2.

Результати експерименту з визначення характеру насичення на трьох свердловинах з вшиом даних у 5 штерватв наведет на рис. 10.

У цьому випадку, аналопчно розтзнаванню иласпв колектор1в видно, що чим бшьша розм1ртсть використовуваного вшиа даних, тим вища яюсть ттер-претацп. Мереж1, навчет по грут каротажних метод1в, дають досить достов1рт оцшки наявност иласт1в-колектор1в, нафто- 1 водонасичених пласпв. Оцшки на-явносл нафто-водонасичених иласпв трохи прш1, пор1вняно з попередтми.

Тaбл. 2. Оцткн якocmi вuзнaчeння xapaKmepy nacmen^ nлacmiв бeз вЫш дaнux

i з вЫ^м дaнux у 5 iнmepвaлiв

№ свеpдлoвини Сеpедньoквaдpaтичне вiдxилення Koефiцieнт взaeмнoï кopеляцïí

1 5 1 5

130S9 нафта 0,015 0,012 0,58 0,б4

130S9 вoдa 0,008 0,008 0,54 0,б8

130S9 нaфтa-вoдa 0,00l 0,00l 0,2l 0,38

13090 нафта 0,015 0,011 0,55 0,16

13090 вoдa 0,009 0,00l 0,бб 0,^

13090 нaфтa-вoдa 0,009 0,00l 0,25 0,59

13091 нафта 0,01б 0,010 0,50 0,б1

13091 вoдa 0,010 0,009 0,51 0,58

13091 нaфтa-вoдa 0,009 0,009 0,18 0,20

13092 нафта 0,012 0,011 0,б0 0,12

13092 вoдa 0,009 0,008 0,5l 0,б2

13092 нaфтa-вoдa 0,008 0,00б 0,24 0,35

13093 нафта 0,014 0,013 0,5l 0,б2

13093 вoдa 0,008 0,008 0,52 0,б0

13093 нaфтa-вoдa 0,009 0,009 0,20 0,22

1310l нафта 0,015 0,014 0,52 0,58

1310l вoдa 0,008 0,00l 0,44 0,52

1310l нaфтa-вoдa 0,008 0,00l 0,19 0,21

1310S нафта 0,01б 0,014 0,51 0,б1

1310S вoдa 0,00l 0,00l 0,50 0,5б

1310S нaфтa-вoдa 0,008 0,008 0,3б 0,38

13109 нафта 0,012 0,012 0,б1 0,б5

13109 вoдa 0,009 0,009 0,59 0,б5

13109 нaфтa-вoдa 0,010 0,010 0,24 0,30

13110 нафта 0,018 0,012 0,45 0,б8

13110 вoдa 0,009 0,008 0,4б 0,б4

13110 нaфтa-вoдa 0,00l 0,00l 0,2l 0,33

13115 нафта 0,01l 0,012 0,4l 0,б2

13115 вoдa 0,008 0,00б 0,45 0,53

13115 нaфтa-вoдa 0,00l 0,00l 0,19 0,23

:вода [iiiiirffl HHfri, :

анефть-лда

оц. нефпи - ■

■ CiL|. aùfl=j--Оц. квфть-еада

Puc. 10. Peзулъmamu naвчannя мepeжi ш mpbox cвepдлoвunax з вiкнoм дanux

5 вiдлiкiв

3S0

36ipHiiK нayкoвo-тeхнiчних пpaць

Недолжом використання подiбних ШНМ е неможливiсть полшшенпя ощ-нок за рахунок додаткових каротажних методов без попереднього перенавчання мережу а також неможливiсть проведения штерпретацп у випадках, коли хоча б один використаний шд час навчання каротажний метод вiдсутнiй.

У цьому випадку, пропонуеться розв'язувати задачу через навчання нейромереж видшенню пластiв-колекторiв за даними певних методiв дослвджен-ня свердловини. Обранi ваговi коефщкнти з видiления колекторш, необхiднi для роботи ШНМ у такому режиш, наведеш в табл. 3.

Табл. 3. Ваговi коефнщтти для видтення колекторiв

Метод Ваговий коефiцieнт

ВК 0,5

ББ 0,2

БТ 0,1

ОЯ 0,5

ыоя 0,8

1К 0,2

рг 0,2

БР 0,1

Нижче, у табл. 4, наведеш результати до^дження можливосп розшзна-вання продуктивних iнтервалiв по скороченш вибiрцi (зокрема i задля зменшен-ня собiвартостi необхiдного комплексу робгг з геофiзичного дослiдження свердловини).

Табл. 4. Оцтки якостi вид'иеннп колекторiв за групами iз 8 i 4 методiв

Свердловина Середньоквадратичне вщхилення Взаемна кореляцш

4 методи 8 методiв 4 методи 8 методiв

13106-1 вщлш 0,018 0,018 0,55 0,55

13106-5 вщлтв 0,017 0,017 0,58 0,59

13111-1 вщлш 0,017 0,017 0,56 0,56

13111-5 вiдлiкiв 0,016 0,016 0,60 0,61

13118-1 вщлш 0,017 0,017 0,58 0,58

13118-5 вiдлiкiв 0,016 0,016 0,61 0,65

13119-1 вщлш 0,017 0,017 0,57 0,58

13119-5 вiдлiкiв 0,015 0,014 0,62 0,68

13120-1 вщлш 0,018 0,017 0,55 0,59

13120-5 вiдлiкiв 0,015 0,014 0,61 0,64

Методика подшу каротажних методав при яккнш штерпретацп даних ГДС в окремих випадках дае змогу використовувати тшьки частину дааграм для одер-жання ощнок мiсця розташування лiтологiчних пластав у розрiзi свердловини.

Висновки. Основним завданням дiяльностi пiдприемств нафтогазовидо-бувного комплексу е забезпечення видобутку та зростаюче поновлення запасiв вуглеводнiв. В умовах поточно!' макроекономiчноí та галузево!' кризи найбшьш швидко та рентабельно отримати прирiст запасiв завдяки зростанню наявних ро-довищ i покладав.

Ресурси отриманi завдяки зростанню родовищ - ресурси, якД очiкувано додадуться до розвщаних запасiв родовища завдяки: ФДзичному розширенню меж родовища, розробки нових горизонтав, бшьш ретельному пiдрахунку та ощнки

запаciв poдoвища на ocнoвi дocвiдy видс6утку та змши вiднoшення мiж штаю та вшратами; заcтocyвання нoвиx теxнoлoгiй i метoдiв шшуку, poзpoбки, видсбут-ку вуглевадшв та oбpoблення вiдпoвiднoï iнфopмацiï. Значтаю мipoю пеpеpaxo-вaнi фaктopи залежать вiд шговащй, зoкpемa зacтocyвaння нейpoнечiткиx алго-pитмiв пoшyкy шaблoнiв Data Mining в нaкoпичениx геoлoгo-екoнoмiчниx та ге-oлoгo-геoфiзичниx кopпopaтивниx данж.

Отже, зaпpoпoнoвaнo мoделi та теxнoлoгiï ïx зacтocyвaння, щo забезпечу-ють лiтoлoгiчне poзчленoвyвaння cвеpдлoвини та виявлення нaфтo-гaзoнacиче-ниx кoлектopiв.

Для poзв'язaння зазначета!' вище зaдaчi зaпpoпoнoвaнo теxнoлoгiю виш-pиcтaння штyчниx нейpoнниx меpеж, щo виpiшить пpoблемy пiдвищення на-дiйнocтi, oб'ективiзaцiï, та пiдвищення mocri iнтеpпpетaцiï нaкoпичениx геoлoгo-екoнoмiчниx данж та знань вiтчизняниx нaфтoгaзoвидoбyвниx кoмпaнiй.

Внacлiдoк aнaлiзy зacтocoвнocтi ШНМ для poзпiзнaвaння лiтoлoгiчнoï cтpyктypи cвеpдлoвини дoведенo мoжливicть зacтocyвaння aпapaтa ШНМ для якicнoï iнтеpпpетaцiï данж, щo дае змoгy aвтoмaтизyвaти якicнy iнтеpпpетaцiю безпocеpедньo на cвеpдлoвинi з дocить витеким cтyпенем нaдiйнocтi.

Рoзpoбленi пpaвилa фopмaлiзaцiï вxiдниx i виxiдниx дaниx шд чac poзв'язaння задач^ за дoпoмoгoю якиx мoжливий aнaлiз як певн^' пocтiйнoï ^у-пи методов, так i змита:!, poзмip як^' мoже бути cкopoчений аж дo oднoгo метoдy.

Рoзpoбленi ефективнi метoдики пoпеpедньoï та пocтoбpoблення кapoтaж-ниx дiaгpaм з метoю пiдвищення тoчнocтi меpежi та aпpoбoвaнi метoди oцiнки mocri poзпiзнaвaння.

Пpoведенo кoмплекcний екcпеpимент iз навчання ШНМ, щo пoлягaе у ви-дiленнi плacтiв-кoлектopiв i нaфтoнacичениx, вoдoнacичениx, нaфтo-вoдoнacиче-ниx плacтiв. Отpимaнo екcпеpиментaльнi зaлежнocтi мiж пpaвилaми фopмaлiзaцiï зaдaчi та кiнцевими pезyльтaтaми poзпiзнaвaння лiтoлoгiчнoï cтpyктypи poзpiзy cвеpдлoвини за дoпoмoгoю aпapaтa ШНМ.

Лiтература

1. Cвдoщук М.1. Гeoлoгo-мeтoдичнi пpинципи oцiнювaння запаив (peсуpсiв) вуглeвoднiв у нaдpax / М.1. Cвдoщук, С.П. Cвдoщук, O.Й. Пшчук, B.Я. Сшщин // Нaфтoвa i гaзoвa opoimaio-вiсть. - 2001. - № 1. - С. 11-14.

2. Гафич O.I. Нaукoвo-мeтoдичнi засади пoбудoви систeми динaмiчнoгo aнaлiзу нeвизнaчe-i pизикiв нaфтoгaзoвидoбувниx пpoeктiв i mдтpимки пpийняття piшeнь з ïx peaii3aujï / O.I.

Гафич // Бiзнeс iнфopм ; нaукoв. жуфнал. - 2013. - № 8 (421). - С. 1 бб-113.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

3. Kapaмишeв O.Q Знaчeння гeoлoгo-eкoнoмiчнoï oцiнки гeoлoгopoзвiдувaльниx poбiт в prn-кoвиx умoвax нaдpoкopистувaння / O.С. Kapaмишeв, B.A. Рoмaнюк // Нaфтoвa i гаюва пpoмислo-вiсть. - 1998. - № б. - С. 3-5.

4. ^аснюк М.Т. №4^™ opieнтoвaнi на знання зaсoби пiдтpимки ^^mma iнвeстицiйниx piшeнь нaфтoгaзoвидoбувнoï кoмпaнiï / М.Т. ^асн^ // Екoнoмiкa та mдпpиeмництвo i зб. наук. npa^ мoлoдиx учeниx та aспipaнтiв / вщп. peд. С.1. Дeм'янeнкo. - К. i B^A^o КНЕУ, 2002. - Bm. 9. - 200 с.

5. ^аснюк М.Т. TexTOioi^'í штучнoгo iнтeлeкту та гiбpидний пiдxiд в opieнтoвaниx на знання (11111' (на пpиклaдi нaфтoгaзoвидoбувнoï кoмпaнiï) / М.Т. Kpaснкк // Мoдeлквaння та iнфopмa-цiйнi систeми в eкoнoмiцi i Мiжвiдoм. наук. зб. / Bi^rn peд. М.Г. Tвepдoxлiб. - К. i B^^o КНЕУ, 2002. - Bип. б8. - 190 с.

6. Kpaснкк М.Т. Oсoбливoстi poзвитку гeoлoгo-eкoнoмiчниx iнфopмaцiйниx тexнoлoгiй у га-лузi poзвiдки i poзpoбки нaфтoгaзoвиx poдoвищ на У^аЫ / М.Т. ^аснк^ O.I. Гафич // Мoдeлк-вання та iнфopмaцiйнi систeми в eкoнoмiдi. - К. i B^^o КНЕУ. - 200б. - № 14. - С. 182-192.

382

Збipник нayкoвo-тeхнiчних пpaць

7. Краснюк М.Т. Управлшня економ1чним ризиком швестування у газовидобувну галузь / М.Т. Краснюк // Проблеми економ1чного ризику: анал1з та управлшня : зб. наук. праць за матер. Першо'1 Всеукрашсько'1 наук.-практ. конф. - К. : Вид-во КНЕУ. - 1998. - С. 36-37.

8. Краснюк М.Т. Розроблення ефективно'1 методики геолого-економ1чного моделювання i оцшки ризиюв нафтогазовидобувних проектов / М.Т. Краснюк, О.1. Гафич // Моделювання та ш-формацiйнi системи в економiцi. - К. : Вид-во КНЕУ. - 2007. - № 75.

9. Краснюк М.Т. Систематизация, моделювання та оцшка галузевих ризикв при технжо- та геолого-економiчному обrрунтуваннi швестицшних проектов нафтогазовидобутку / М.Т. Краснюк, О.1. Гафич // Моделювання та шформацшш системи в економiдi. - К. : Вид-во КНЕУ. - 2007. - № 76. - С. 95-106.

10. Краснюк М.Т. Моделювання ризику участ компани-швестора в проектах пошуку i роз-вщки нафти i газу / М.Т. Краснюк, О.1. Гафич // Економiчний вюник Надiонального гiрничого уш-верситету : наук.-екон. журнал. - Дншропетровськ : Вид-во НГУ. - 2010. - № 1. - С. 102-111.

11. Нафта i газ Украши / за ред. М.П. Ковалко та ш. - К. : Вид-во "Наук. думка", 1997. -

380 с.

12. Ротштейн А.П. Идентификация нелинейных объектов нечеткими базами знаний / А.П. Ротштейн, Д.И. Кательников // Кибернетика и системный анализ : Мiжнар. наук.-теорет. журнал. -К. : Вид-во 1К iм. В.М. Глушкова НАН Украши. - 1998. - № 5. - С. 53-61.

13. Ротштейн А.П. Идентификация нелинейных зависимостей нейронными сетями / А.П. Ротштейн, Ю.И. Митюшкин // Проблемы бионики : всеукр. межведомств. науч.-техн. сборник, Харьков. - 1998. - № 49. - С. 168-174.

14. Ситник В.Ф. Проблеми шдтримки прийняття ризикових ршень засобами СППР, орieнто-ваних на знання (на прикладi нафтогазовидобувно'1 галузi Украши) / В.Ф. Ситник, М.Т. Краснюк // Ризикологш в економшд та тдприемнш^ : зб. наук. праць за матер. Мiжнар. наук.-практ. конф. -К. : Вид-во КНЕУ. - 2001. - С. 369-370.

15. Юрчишин В.М. Економжо-еколопчш аспекти шформацшного моделювання нафтогазо-вих об'екйв / В.М. Юрчишин // Нафтова i газова промиокгасть. - 2001. - № 4. - С. 54-56.

Краснюк М. Т. Применение нейросетевого подхода для выделения рентабельных перспективных пластов в имеющемся фонде скважин украинской нефтегазодобывающей компании

Предложены модели и технологии их применения, обеспечивающих литологичес-кое расчленение скважины и выявления нефте-газонасыщенных коллекторов.

Для решения вышеуказанной задачи предложена технология использования искусственных нейронных сетей, которая решит проблему повышения надежности, объективизации и повышения качества интерпретации накопленных геолого-экономических данных и знаний отечественных нефтегазодобывающих компаний. Внедрение таких технологий и алгоритмов имеет существенное значение для быстрого и рентабельного наращивание ресурсной базы, а следовательно, и капитализации украинских нефтегазовых компаний в условиях текущего кризиса.

Ключевые слова: геолого-экономическая оценка; рентабельность, искусственная нейронная сеть, алгоритмы учебы; геофизические методы, нефтегазовая скважина, интеллектуальный анализ данных, шаблон.

KrasniukM.T. The Use of Neuronetworks for Selecting Cost-Effective Long-Term Layers in Existing Well Stock of Ukrainian Oil and Gas Company

The model and the technologies for lithological division and oil and gas reservoirs detection is proposed. Artificial neuronetworks are suggested using in order to solve the problem mentioned. This will solve the problem of objectivity, quality and validity of stored data and knowledge bases of Ukrainian oil and gas production companies. The business process of interpretation of geological and geophysical data which are difficult to formalize and for geological and economic validity and significance of the results is studied. The implementation of proposed technologies and algorithms is essential for rapid and cost-effective growth of the resource base, and in the hence of recapitalization Ukrainian oil and gas production companies in current crisis conditions.

Key words: geological and economic evaluation, cost effectiveness, artificial neuronetwork, geophysical method, oil and gas well.

i Надоели баннеры? Вы всегда можете отключить рекламу.