Оптимизация параметров системы разработки на основе многовариантных гидродинамических расчетов и нейронной прокси-модели

Обложка

Цитировать

Полный текст

Аннотация

Рассмотрен подход к определению оптимальных параметров системы разработки пласта, базирующийся на серии многовариантных гидродинамических расчетов, направленных на адаптацию модели и последующий прогноз технологических показателей, а также на привлечении нейросетевого анализа. Целесообразность такого алгоритма обуславливается необходимостью повышения точности и надежности получаемых результатов уже на раннем этапе проектирования разработки за счет одновременного учета геологических и гидродинамических неопределенностей. Программное обеспечение «тНавигатор» было выбрано в качестве основного инструмента, поскольку обладает большим набором соответствующих задаче опций. С помощью алгоритма латинского гиперкуба выполнена многовариантная адаптация исходного варианта гидродинамической модели, за счет анализа получаемого качества настройки выбраны представительные реализации для запуска базового прогноза. По итогам базового прогноза с привлечением накопленной функции распределения определены пессимистичный / базовый / оптимистичный сценарии для перехода к оптимизационным расчетам по поиску наилучшей системы разработки с помощью алгоритма дифференциальной эволюции. Контроль качества и уточнение полученных параметров оптимума реализован за счет построения нейронной прокси-модели. По итогам работы сформирован порядок действий по получению искомых оценок, сочетающий в себе достаточно широкий диапазон неопределенности, определяющий многообразие получаемых решений и сокращающий машинное время, затрачиваемое на расчет.

Об авторах

Д. В. Балин

Тюменский индустриальный университет

Автор, ответственный за переписку.
Email: danilbalin@bk.ru
ORCID iD: 0000-0002-9090-0672

Список литературы

  1. Попков, В. И. Интегрированное геолого-гидродинамическое моделирование в системном управлении разработкой нефтегазовых месторождений / В. И. Попков, В. П. Шакшин. – Текст : непосредственный // Вестник Самарского государственного технического университета. Серия: физико-математические науки – 2009. – № 1(18). – С. 239–250.
  2. Козырев, Н. Д. Оценка влияния параметров неопределенности на прогнозирование показателей разработки / Н. Д. Козырев, А. Ю. Вишняков, И. С. Путилов. – doi: 10.15593/2712-8008/2020.4.5. – Текст : непосредственный // Недропользование. – 2020. – Т. 20, № 4. – C. 356–368.
  3. Подходы к выбору реализаций при вероятностном моделировании геологической модели и анализ влияния на прогнозный профиль добычи / С. А. Андронов, Е. А. Горенкова, А. А. Гомонов, И. А. Максименко. – doi: 10.51890/2587-7399-2023-8-4-25-32. – Текст : непосредственный // PRONEFT. Профессионально о нефти. – 2023. – Том 8, № 4 (30). – С. 25–32.
  4. Казанская, Д. А. Интегрированное геолого-гидродинамическое моделирование в ПО «тНавигатор» / Д. А. Казанская, С. С. Красников. – Текст : непосредственный // Актуальные тренды научно-технологического и операционного развития нефтегазовой отрасли : сборник материалов 8-й научно-практической конференции, Тюмень, 23–25 сентября 2024 года. – Москва : Геомодель Развитие, 2024. – С. 207–210.
  5. Пыриков, В. А. Повышение эффективности закачки на основе геолого-технологического моделирования с учетом результатов нейросетевой оптимизации / В. А. Пыриков. – Текст : непосредственный // Онлайн-форум «Инновации для повышения эффективности сопровождения нефтегазовых активов» : сборник докладов, Москва, октябрь 2024 г. – С. 200–202.
  6. Садыков, Р. М. Подбор оптимального числа симуляций Монте-Карло при вероятностном подсчете ресурсов углеводородного сырья / Р. М. Садыков. – doi: 10.54859/kjogi108590. – Текст : непосредственный // Вестник нефтегазовой отрасли Казахстана. – 2022. – Т. 4, № 4. – С. 32–44.
  7. Mohamed, L. History matching and uncertainty quantification: multi-objective particle swarm optimization approach / L. Mohamed, M. Christie, V. Demyanov. – Text : electronic // Conference SPE 143067-MS, 23-26 May, Vienna, Austria. – 2011. – https://doi.org/10.2118/143067-MS
  8. Умановский, А. В. Графовые нейронные сети для прокси-моделирования гидродинамики пласта / А. В. Умановский. – doi: 10.21684/2411-7978-2022-8-3-155-177. – Текст : непосредственный // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. – 2022. – Т. 8, № 3(31). – С. 155–177.
  9. Щелоков, А. С. Изучение изменения скорости обучения алгоритмом «упругого» распространения ошибки PRROP / А. С. Щелоков, А. А. Турчак, А. В. Салтыков. – Текст : непосредственный // Неделя науки Санкт-Петербургского государственного морского технического университета. – 2020. – Т. 1, № 3–1. – С. 3–9.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».