Применение алгоритмов машинного обучения для замены компонентов интегрированной модели нефтегазового месторождения
Исмагилова З.Ф., Пристов М.А., Шайхетдинов Р.И.
DOI: https://doi.org/10.25689/NP.2023.4.282-298
Аннотация
В работе рассмотрена методика замены части интегрированной модели нефтегазового месторождения на модель машинного обучения. Это позволит уменьшить время расчета данной модели и увеличить ее отклик. Выделено четыре наиболее подходящих алгоритма, выполнено тестовое обучение и предсказание параметров расчета одного из компонентов интегрированной модели. Как пример рассматривается интегрированная модель нефтегазового месторождения, построенная на базе ПО Petroleum Experts. Созданы и подготовлены синтетические модели и модели реальных месторождений. Оценена степень влияния эксплуатационных параметров на расчет интегрированной модели. Разработаны методики, позволяющие учитывать влияние данных параметров без построения интегрированной модели. Оценена возможность использования машинного обучения для замены компонентов интегрированной модели. Алгоритм машинного обучения написан на языке программирования Python при помощи библиотеки scikit-learn. Интеграция модели машинного обучения с интегрированной моделью производилась в программном продукте Petroleum Experts Resolve.
Список литературы
2. Интеллектуальные нефтегазопромысловые системы / И.Г. Соловьев, Д.А. Говорков, П. В. Кушманов, В. В. Фомин // Автоматизация, телемеханизация и связь в нефтяной промышленности. – 2016. – № 4. – С. 18-23. – EDN TORMZQ.
3. Применение методов искусственного интеллекта для выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин: проблемы и основные направления решения / А. Д. Черников, Н. А. Еремин, В. Е. Столяров [и др.] // Георесурсы. – 2020. – Т. 22, № 3. – С. 87-96. – DOI 10.18599/grs.2020.3.87-96. – EDN ORNYBD.
4. Дмитриевский, А.Н. Роль информации в применении технологий искусственного интеллекта при строительстве скважин для нефтегазовых месторождений / А.Н. Дмитриевский, Н.А. Еремин, В.Е. Столяров // Научный журнал Российского газового общества. – 2020. – № 3(26). – С. 6-21. – EDN HJUUIG.
5. Ануфриев, А. А. Опыт эксплуатации и выбор оптимального варианта работы установки переработки газа Иргизского месторождения / А.А. Ануфриев, А.Н. Шаталов, А.З. Мингазова // Сборник научных трудов ТатНИПИнефть / ПАО «Татнефть». Том Выпуск 84. – Москва: ЗАО "Издательство "Нефтяное хозяйство", 2016. – С. 208-214. – EDN XSIUZF.
6. Варианты увеличения степени отбора углеводородных компонентов от потенциала на УПГ "Иргизская" / А.А. Ануфриев, А.Н. Шаталов, Д.Н. Морунова, А.З. Мингазова // Сборник научных трудов ТатНИПИнефть / ТатНИПИнефть. Том Выпуск 85. – Набережные Челны: ЭкспозицияНефтьГаз, 2017. – С. 356-362. – EDN XQLMHB.
7. Zhao Xianzheng, Wang Hongyu, Liu Jichao, Lai Jishun Research and Contemplation on How to Build Old Oilfields into Digital Intelligent Ones – Take Dagang Oilfield for Example[J]. Oil Forum, 2021, 40 (5): 1–8. DOI: 10.3969/j.issn.1002-302x.2021.05.001.
8. Sorokin, Valery Sergeevich, Gudoshnikov, Alexey Semenovich, Nyunyaykin, Denis Vyacheslavovich, Kochenkov, Andrey Anatolyevich, Sethuraman, Prasad, Barysheva, Sabina, Lipanin, Dmitriy Sergeevich, Mokrev, Aleksey Aleksandrovich, Vukolov, Sergey Aleksandrovich, and Aleksey Anatolyevich Ardalin «Production Optimiser Pilot for the Large Artificially-Lifted and Mature Samotlor Oil Field». Paper presented at the SPE Russian Petroleum Technology Conference, Virtual, October 2021. doi: https://doi.org/10.2118/206517-MS.
9. Menad Nait Amar, Mohammed Abdelfetah Ghriga, Hocine Ouaer, Mohamed El Amine Ben Seghier, Binh Thai Pham, Pål Østebø Andersen, Modeling viscosity of CO2 at high temperature and pressure conditions, Journal of Natural Gas Science and Engineering, Volume 77, 2020, ISSN 1875-5100, https://doi.org/10.1016/j.jngse.2020.103271.
10. El-Banbi, Ahmed & Elshreef, Khaled & Sayyouh, Mohamed. (2006). New Modified Black-Oil PVT Correlations for Gas Condensate and Volatile Oil Fluids. 10.2118/102240-MS.
11. Elgibaly, Ahmed & Ghareeb, Mohamed & Kamel, Said & El-Bassiouny, Mohamed. (2021). Prediction of gas-lift performance using neural network analysis. AIMS Energy. 9. 355-378. 10.3934/energy.2021019.
12. Jianwei Gu, Wei Liu, Kai Zhang, Liang Zhai, Yigen Zhang, Fuzhen Chen, Reservoir production optimization based on surrograte model and differential evolution algorithm, Journal of Petroleum Science and Engineering, Volume 205, 2021, ISSN 0920-4105, https://doi.org/10.1016/j.petrol.2021.108879.
13. Mai-Cao, L. and Truong-Khac, H. 2022. A Comparative Study on Different Machine Learning Algorithms for Petroleum Production Forecasting: DOI: 10.14800/IOGR.1205. Improved Oil and Gas Recovery. 6, (Jul. 2022).
14. Ojedapo, Babawale, Ikiensikimama, Sunday Sunday, and Virtue Urunwo Wachikwu-Elechi. "Petroleum Production Forecasting Using Machine Learning Algorithms." Paper presented at the SPE Nigeria Annual International Conference and Exhibition, Lagos, Nigeria, August 2022.
DOI: https://doi.org/10.2118/212018-MS.
15. Цифровые инструменты повышения экономической эффективности разработки месторождений.Эл.РесурсNeftegaz.RU:https://magazine.neftegaz.ru/articles/tsifrovizatsiya/784611-povyshenie-ekonomicheskoi-effektivnosti-razrabotki-neftegazovykh-mestorozhdenii-na-osnove-vnedreniya/.
Сведения об авторах
Исмагилова Зульфия Фаритовна, кандидат технических наук, доцент кафедры «Транспорта и хранения нефти и газа» Альметьевского государственного нефтяного института (АГНИ)
Россия, 423450, Альметьевск, ул. Ленина, 2
E-mail: iiii.iskandar@inbox.ru
Пристов Максим Александрович, магистрант группы 72-01 кафедры «Транспорта и хранения нефти и газа» Альметьевского государственного нефтяного института (АГНИ)
Россия, 423450, Альметьевск, ул. Ленина, 2
E-mail: pristov.maxim@mail.ru
Шайхетдинов Радик Ильнарович, магистрант группы 72-01 кафедры «Транспорта и хранения нефти и газа» Альметьевского государственного нефтяного института (АГНИ)
Россия, 423450, Альметьевск, ул. Ленина, 2
E-mail: radikshaihetdinov@yandex.ru
Для цитирования:
Исмагилова З.Ф., Пристов М.А., Шайхетдинов Р.И. Применение алгоритмов машинного обучения для замены компонентов интегрированной модели нефтегазового месторождения // Нефтяная провинция.-2023.-№4(36).-С. 282-298. -
DOI https://doi.org/10.25689/NP.2023.4.282-298. - EDN VKLNRN