РЕФЕРАТ 7
ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ, СОКРАЩЕНИЯ 8
ВВЕДЕНИЕ 9
1. ОБЗОР ЛИТЕРАТУРЫ 13
INTRODUCTION 22
LITERATURE REVIEW 25
2.1 Особенности месторождения 31
2.2 Г еолого-физическая характеристика месторождения 35
2.3 Особенности тектонического строения 37
2.4 Нефтегазоносность 41
3. СОЗДАНИЕ ЭКСПЕРТНОЙ СИСТЕМЫ 44
3.1 Г еолого-технические мероприятия 44
3.2 Разработка рабочего алгоритма 48
3.3 Анализ проведённых ГТМ 57
3.4. Выбор конечного алгоритма 60
3.5 Создание экспертной системы 61
3.6 Анализ и оптимизация работы системы 63
3.7 Анализ рисков и неопределенностей 71
4. АНАЛИЗ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ ГТМ 74
5. СОЦИАЛЬНАЯ ОТВЕСТВЕННОСТЬ 77
5.1. Анализ вредных факторов рабочей зоны и обоснование мероприятий по
их устранению 78
Отклонение показателей микроклимата на открытом воздухе 79
Электрический ток 85
Пожароопасность и взрывоопасность 87
5.2. Экологическая безопасность 89
Безопасность в чрезвычайных ситуациях 90
Законодательное регулирование проектных решений 94
ВЫВОДЫ ПО ПРОДЕЛАННОЙ РАБОТЕ 97
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 99
Актуальность данной работы заключается в том, что машинное обучение и
нейросетевое программирование являются очень актуальными вопросами в
последние 10 лет. И эти процессы находят применение не только в
нефтегазовой отрасли.
Существует огромное количество методов и алгоритмов работы с
разнообразными данными. Как было представлено в этой работе, в
нефтегазовой отрасли применяют весовое распределение комплексного
геологического параметра, метод k-means. Ведется большое количество работ и
исследований в данном направлении. Конечной целью всех этих усилий
является создание оптимальных систем, алгоритмов или процессов, умеющих
обрабатывать огромное количество данных, анализировать их и выводить
закономерности или же, как было сделано в данной работе, кластеризовать их.
Кластеризация данных была выбрана как процесс, способствующий
отсеиванию части данных и работы лишь с определенными кластерами. Ввиду
того, что на некоторых месторождениях фонд скважин достигает отметки в
2000-3000 тысячи скважин, обработка данных по этим скважинам не
представляется возможной, учитывая все техногенные причины остановок
скважин и прочие факторы, влияющие на достоверность данных.
Поэтому в данной работе была создана система, способная обучаться на
входных параметрах, с добавлением лишь небольшой части данных.
Полученная система применяет метод k-NN (Nearest Neighbour), который
отлично проявил себя при кластеризации данных. Элементы получившихся
кластеров имеют схожие значения параметров, на основе которых было
проведено из разделение. В свою очередь в каждом кластере была выделена
обучающая выборка именно для этого кластера, что говорит о том, что машина
самостоятельно принимает решение об обучающей выборке, анализирую
загруженные данные.98
Участие человека в данном процессе – загрузка исходных данных и
введение нескольких дополнительных параметров. Всю остальную работу
система проводит сама.
Таким образом, в данной работе был выполнен и представлен анализ
следующих данных:
• фильтрационно-емкостные свойства пласта (ФЕС);
• история разработки месторождения с начала эксплуатации и
до текущего момента;
• Подробное изучение истории проведённых ГТМ (причины
проведения, процент успеха и не успеха, причины провалов);
• Ознакомление с текущим режимом работы месторождения и
техническим состоянием скважин;
• Подбор наиболее эффективных ГТМ и их дизайна на основе
проведённого анализа;
• оценка эффективности предложенных ГТМ;
Основываясь на этих данных, мною была построена экспертная система,
которая включает в себя алгоритм кластеризации данных и самостоятельное
обучение по каждому получившемуся кластеру.
Бесспорно, имеется некоторая степень неточности исходных данных,
поэтому с целью оптимизации работы системы, необходимо увеличить
количество входных данных и их качество.
