Помощь студентам в учебе
Разработка методики суррогатного прокси-моделирования для экспресс-оценки неопределенностей и прогнозирования добычи нефти на месторождениях Западной Сибири
|
ВВЕДЕНИЕ 11
1. ОБЗОР ЛИТЕРАТУРЫ 13
2. ХАРАКТЕРИСТИКА ГЕОЛОГИЧЕСКОГО ОБЪЕКТА 21
3. ОБЪЕКТ И МЕТОДЫ ИССЛЕДОВАНИЯ 28
4. РАСЧЕТЫ И АНАЛИТИКА 30
5 . РЕЗУЛЬТАТЫ ПРОВЕДЕННОГО ИССЛЕДОВАНИЯ 33
6. ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ 42
6.1. Разработка общей экономической идеи суррогатного прокси-моделирования 43
6.2. Организация работ по научному исследованию 43
6.3. Бюджет научного проекта 45
6.4. Формирование и расчет затрат, включаемых в себестоимость 46
6.5. Итог 52
7. СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ 53
7.1. Профессиональная социальная безопасность 53
7.2. Производственная безопасность 54
7.3. Анализ вредных факторов при разработке и эксплуатации проектируемого решения 55
7.4. Анализ опасных факторов 62
7.5 Безопасность в чрезвычайных ситуациях 64
7.6 Правовые и организационные вопросы обеспечения безопасности 66
ЗАКЛЮЧЕНИЕ 68
СПИСОК ЛИТЕРАТУРЫ 69
ПРИЛОЖЕНИЯ 71
Приложение А 71
1. ОБЗОР ЛИТЕРАТУРЫ 13
2. ХАРАКТЕРИСТИКА ГЕОЛОГИЧЕСКОГО ОБЪЕКТА 21
3. ОБЪЕКТ И МЕТОДЫ ИССЛЕДОВАНИЯ 28
4. РАСЧЕТЫ И АНАЛИТИКА 30
5 . РЕЗУЛЬТАТЫ ПРОВЕДЕННОГО ИССЛЕДОВАНИЯ 33
6. ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ 42
6.1. Разработка общей экономической идеи суррогатного прокси-моделирования 43
6.2. Организация работ по научному исследованию 43
6.3. Бюджет научного проекта 45
6.4. Формирование и расчет затрат, включаемых в себестоимость 46
6.5. Итог 52
7. СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ 53
7.1. Профессиональная социальная безопасность 53
7.2. Производственная безопасность 54
7.3. Анализ вредных факторов при разработке и эксплуатации проектируемого решения 55
7.4. Анализ опасных факторов 62
7.5 Безопасность в чрезвычайных ситуациях 64
7.6 Правовые и организационные вопросы обеспечения безопасности 66
ЗАКЛЮЧЕНИЕ 68
СПИСОК ЛИТЕРАТУРЫ 69
ПРИЛОЖЕНИЯ 71
Приложение А 71
Объектом исследования является суррогатная прокси-модель резервуара, основанная на
численном моделирование участка Крапивинского месторождения.
Цель работы – разработать методику суррогатного прокси-моделирования для экспрессоценки неопределённостей и прогнозирования добычи нефти.
В процессе исследования проводились аналитический обзор литературы по выбранной
теме моделирования и машинного обучения, изучены российские и зарубежные технические
решения, проводились эксперименты по суррогатному прокси-моделированию участка
месторождения.
В результате исследования была разработана методика суррогатного проксимоделирования, основанная на результатах численного моделирования пласта.
Основные конструктивные, технологические и технико-эксплуатационные
характеристики: суррогатная прокси-модель основана на методике обучения нейронных сетей
по принципу «обучение с учителем».
Область применения: суррогатная прокси-модель резервуара наиболее полезна для
экспресс-оценки неопределенностей при проектировании разработки, может помочь быстро
принять решение, сделать быстрый анализ неопределенностей по степени влияния.
Экономическая эффективность/значимость работы: внедрение данной технологии
может помочь с менеджментом рисков в инвестиционных вопросах, а также для принятия
быстрого решения при оптимизации разработки месторождения.
В будущем планируется реализовать данную концепцию с помощью нейронных сетей со
сложной архитектурой для повышения точности прогноза показателей добычи нефти и
показателей динамического состояния пласта.
ВВЕДЕНИЕ
Актуальность темы. Разработка нефтяных месторождений
основывается на комплексном проектировании системы разработки. На
данный момент для повышения эффективности проекта используют
моделирование разработки нефтяного резервуара. Математическое
моделирование помогает оценить вероятный результат разработки залежи и
увеличить нефтеотдачу на 10-25% [1]. Полный и всесторонний анализ
доступной информации, полученной методами нефтегазопромысловой
геологии, является основой для проектирования [2]. Специалистам
нефтегазовой отрасли приходится работать с большим числом
неопределенностей в начальных данных, являющихся результатом получения
только локальной информации из разведочных скважин, а также
погрешностями методик и оборудования. Проект разработки месторождения
является в первую очередь коммерческим проектом, и для инвестиционной
оценки требуется анализ возможных рисков и оценка влияния различных
неопределенностей на результат, а также обоснование наиболее вероятных
вариантов. Работу упрощает моделирование, имитирующее разработку
залежей нефти [3], но с другой стороны это требует больших численных
расчетов. На данный момент численные модели демонстрируют высокую
точность, т.к. используемые уравнения, основаны на физических процессах,
однако, ограничены в предельной скорости вычислений масштабами моделей
имитацией резервуара чрез структуру ячеек, обладающих набором
статических и динамических параметров, и технологической стороной
используемых электронных вычислительных машин. Зачастую нефтегазовые
компании имеют сжатые сроки для реализации проекта, и требуется быстрая
оценка неопределенностей, а также изменение модели непосредственно в
процессе реализации разработки месторождений углеводородов. На данный
момент нишу быстрых инструментов для оценки отклонений параметров12
объекта разработки заняли аналитические прокси-модели резервуаров, но они
обладают недостаточной точностью за счет того, что не учитывают множество
факторов [4]. Главное отличие прокси-модели от численной модели
резервуара - это отсутствие расчетов перетоков между ячейками. Проблема
точности экспресс-оценки неопределённостей проекта разработки
месторождения является на данный момент довольно значимой в
нефтегазовой индустрии. Её решение могло бы сэкономить время
проектирования и упростить оценку влияния различных параметров на
разработку.
Применение нетрадиционных математических разделов в нефтяной
индустрии началось еще в 80-х годах XX века. От анализа данных в геологии
и геофизике [5] до выбора методов воздействия на залежь [6]. В Российской
академии наук были рассмотрены методы нечеткой логики в моделировании
месторождений [7]. Иваненко Б.П. рассмотрел применение нейронных сетей в
моделировании гидрогеологических объектов [8]. К настоящему времени
проблема экспресс-оценки неопределенностей является одной из
составляющих концепции интеллектуальных месторождений [9]. Одним из
успешных направлений прокси-моделирования является суррогатные модели
резервуаров, значимые результаты этого направления можно отметить в
разработках Университета Западной Вирджинии и компании Intelligent
Solutions, Inc [10 -11].
Целью работы является разработка методики суррогатного проксимоделирования для экспресс-оценки неопределенностей проекта разработки
нефтяной залежи, способной прогнозировать показатели добычи нефти.
Объектом исследования является суррогатная прокси-модель резервуара,
основанная на результатах численного моделирования разработки участка
Крапивинского месторождения (Западная Сибирь). Методика создания
суррогатной прокси-модели резервуара является предмет исследования.
Научной новизна заключается в разработке концепции суррогатного прокси-13
моделирования с помощью нейронных сетей. Результаты данной работы могут
использованы при проектирование разработки нефтяных месторождений для
быстрой оценки влияния неопределенностей на добычу нефти.
численном моделирование участка Крапивинского месторождения.
Цель работы – разработать методику суррогатного прокси-моделирования для экспрессоценки неопределённостей и прогнозирования добычи нефти.
В процессе исследования проводились аналитический обзор литературы по выбранной
теме моделирования и машинного обучения, изучены российские и зарубежные технические
решения, проводились эксперименты по суррогатному прокси-моделированию участка
месторождения.
В результате исследования была разработана методика суррогатного проксимоделирования, основанная на результатах численного моделирования пласта.
Основные конструктивные, технологические и технико-эксплуатационные
характеристики: суррогатная прокси-модель основана на методике обучения нейронных сетей
по принципу «обучение с учителем».
Область применения: суррогатная прокси-модель резервуара наиболее полезна для
экспресс-оценки неопределенностей при проектировании разработки, может помочь быстро
принять решение, сделать быстрый анализ неопределенностей по степени влияния.
Экономическая эффективность/значимость работы: внедрение данной технологии
может помочь с менеджментом рисков в инвестиционных вопросах, а также для принятия
быстрого решения при оптимизации разработки месторождения.
В будущем планируется реализовать данную концепцию с помощью нейронных сетей со
сложной архитектурой для повышения точности прогноза показателей добычи нефти и
показателей динамического состояния пласта.
ВВЕДЕНИЕ
Актуальность темы. Разработка нефтяных месторождений
основывается на комплексном проектировании системы разработки. На
данный момент для повышения эффективности проекта используют
моделирование разработки нефтяного резервуара. Математическое
моделирование помогает оценить вероятный результат разработки залежи и
увеличить нефтеотдачу на 10-25% [1]. Полный и всесторонний анализ
доступной информации, полученной методами нефтегазопромысловой
геологии, является основой для проектирования [2]. Специалистам
нефтегазовой отрасли приходится работать с большим числом
неопределенностей в начальных данных, являющихся результатом получения
только локальной информации из разведочных скважин, а также
погрешностями методик и оборудования. Проект разработки месторождения
является в первую очередь коммерческим проектом, и для инвестиционной
оценки требуется анализ возможных рисков и оценка влияния различных
неопределенностей на результат, а также обоснование наиболее вероятных
вариантов. Работу упрощает моделирование, имитирующее разработку
залежей нефти [3], но с другой стороны это требует больших численных
расчетов. На данный момент численные модели демонстрируют высокую
точность, т.к. используемые уравнения, основаны на физических процессах,
однако, ограничены в предельной скорости вычислений масштабами моделей
имитацией резервуара чрез структуру ячеек, обладающих набором
статических и динамических параметров, и технологической стороной
используемых электронных вычислительных машин. Зачастую нефтегазовые
компании имеют сжатые сроки для реализации проекта, и требуется быстрая
оценка неопределенностей, а также изменение модели непосредственно в
процессе реализации разработки месторождений углеводородов. На данный
момент нишу быстрых инструментов для оценки отклонений параметров12
объекта разработки заняли аналитические прокси-модели резервуаров, но они
обладают недостаточной точностью за счет того, что не учитывают множество
факторов [4]. Главное отличие прокси-модели от численной модели
резервуара - это отсутствие расчетов перетоков между ячейками. Проблема
точности экспресс-оценки неопределённостей проекта разработки
месторождения является на данный момент довольно значимой в
нефтегазовой индустрии. Её решение могло бы сэкономить время
проектирования и упростить оценку влияния различных параметров на
разработку.
Применение нетрадиционных математических разделов в нефтяной
индустрии началось еще в 80-х годах XX века. От анализа данных в геологии
и геофизике [5] до выбора методов воздействия на залежь [6]. В Российской
академии наук были рассмотрены методы нечеткой логики в моделировании
месторождений [7]. Иваненко Б.П. рассмотрел применение нейронных сетей в
моделировании гидрогеологических объектов [8]. К настоящему времени
проблема экспресс-оценки неопределенностей является одной из
составляющих концепции интеллектуальных месторождений [9]. Одним из
успешных направлений прокси-моделирования является суррогатные модели
резервуаров, значимые результаты этого направления можно отметить в
разработках Университета Западной Вирджинии и компании Intelligent
Solutions, Inc [10 -11].
Целью работы является разработка методики суррогатного проксимоделирования для экспресс-оценки неопределенностей проекта разработки
нефтяной залежи, способной прогнозировать показатели добычи нефти.
Объектом исследования является суррогатная прокси-модель резервуара,
основанная на результатах численного моделирования разработки участка
Крапивинского месторождения (Западная Сибирь). Методика создания
суррогатной прокси-модели резервуара является предмет исследования.
Научной новизна заключается в разработке концепции суррогатного прокси-13
моделирования с помощью нейронных сетей. Результаты данной работы могут
использованы при проектирование разработки нефтяных месторождений для
быстрой оценки влияния неопределенностей на добычу нефти.
Результаты обучения модели и её прогнозы продемонстрировали в
первую очередь реализуемость данной идеи – замены численного
моделирования на информационную модель. Для целых векторов различных
показателей были получены числа, близкие к целевым заданным. «Обучение с
учителем» играет в этом случаем огромную роль. Сеть за счет метода
обучения определила веса для нейронов как входных, так и скрытых, весь
массив был обработан с корреляцией ~0.9.
Следующим выводом можно определить примерные способности
нейронных сетей в данном направление. Использование нейронной сети
простой архитектуры типа MLP способно с допусками сделать прогноз
добычи нефти в некотором доверительном временном окне. На поздних
стадиях расчета накапливается ошибка, и выдается обосновано другой ответ.
Предполагаемое решение проблемы - это более сложные архитектуры
нейронных сетей, в т.ч. рекуррентные сети, способные учитывать предыдущее
состояние нейрона.
Также нужно отметить, что MLP не способна создать универсальную
модель для любой ячейки для получения всей необходимой информации, это
возможно оценить только в комплексе со значениями остальных ячеек, где
наблюдается нормальное распределение результатов.
Положительным моментом является время работы нейронной сети: для
получения результата состояния гидродинамической системы на следующий
шаг нужны доли секунды в оговоренном выше доверительном окне данная
методика может найти себе применение. Также стоит отметить, что модель
неограничена количеством участвующих скважин.
первую очередь реализуемость данной идеи – замены численного
моделирования на информационную модель. Для целых векторов различных
показателей были получены числа, близкие к целевым заданным. «Обучение с
учителем» играет в этом случаем огромную роль. Сеть за счет метода
обучения определила веса для нейронов как входных, так и скрытых, весь
массив был обработан с корреляцией ~0.9.
Следующим выводом можно определить примерные способности
нейронных сетей в данном направление. Использование нейронной сети
простой архитектуры типа MLP способно с допусками сделать прогноз
добычи нефти в некотором доверительном временном окне. На поздних
стадиях расчета накапливается ошибка, и выдается обосновано другой ответ.
Предполагаемое решение проблемы - это более сложные архитектуры
нейронных сетей, в т.ч. рекуррентные сети, способные учитывать предыдущее
состояние нейрона.
Также нужно отметить, что MLP не способна создать универсальную
модель для любой ячейки для получения всей необходимой информации, это
возможно оценить только в комплексе со значениями остальных ячеек, где
наблюдается нормальное распределение результатов.
Положительным моментом является время работы нейронной сети: для
получения результата состояния гидродинамической системы на следующий
шаг нужны доли секунды в оговоренном выше доверительном окне данная
методика может найти себе применение. Также стоит отметить, что модель
неограничена количеством участвующих скважин.