Прогнозирование некоторых параметров газоконденсатных скважин с помощью нейронных сетей

Вестник ТюмГУ. Физико-математическое моделирование. Нефть, газ, энергетика.


Выпуск:

2017. Том 3. №1

Название: 
Прогнозирование некоторых параметров газоконденсатных скважин с помощью нейронных сетей


Для цитирования: Кугаевских А. В. Прогнозирование некоторых параметров газоконденсатных скважин с помощью нейронных сетей / А. В. Кугаевских // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2017. Том 3. № 1. С. 91-98. DOI: 10.21684/2411-7978-2017-3-1-91-98

Об авторе:

Кугаевских Александр Владимирович, кандидат технических наук, доцент кафедры медицинской и биологической физики, Тюменский государственный медицинский университет; a-kugaevskikh@yandex.ru

Аннотация:

В современных условиях точные измерения выхода на газоконденсатных скважинах затруднены и, как следствие, затруднено прогнозирование. Обычно измеряют параметры на участках сбора, но при этом нельзя получить четкую картину по каждой конкретной скважине. Тем не менее, на основании истории измерений некоторых параметров скважины можно предсказать ее выходные параметры. При этом необходимо учитывать взаимное влияние этих параметров и историю их изменения.

Исследование, описанное в настоящей работе, направлено на получение механизма прогнозирования расхода газоконденсатной смеси и КГФ с ошибкой прогнозирования не более чем в 5%. В работе представлено практическое применение обобщенно-регрессионной нейронной сети к задаче прогнозирования некоторых параметров скважин. Дано обоснование использования именно этой топологии. Проведенная экспериментальная проверка показала приемлемое качество функционирования предлагаемого алгоритма. Приведена зависимость ошибки прогнозирования от количества точек обучения. Исходя из экспериментальных данных, применение сети GRNN для прогнозирования дебита газа и КГФ видится перспективным.

Тем не менее, применение нейронной сети не учитывает физики явления, что также отрицательно сказывается на точности предсказания выбранных параметров.

Список литературы:

  1. Arthur D. k-means++: the advantages of careful seeding / D. Arthur, S. Vassilvitskii // Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms. Society for Industrial and Applied Mathematics Philadelphia. PA, USA, 2007. pp. 1027–1035.
  2. Elman J. L. Finding Structure in Time / J. L. Elman // Cognitive Science. 1990. Pp. 179-211. DOI: 10.1016/0364-0213(90)90002-E
  3. Fahlman S. E. The Cascade-Correlation Learning Architecture / S. E. Fahlman, C. Lebiere // Advances in Neural Information Processing Systems 2 (NIPS 1989). 1989. Pp. 524-532.
  4. Rummelhart D. E. Learning Representations by Backpropagation Errors / D. E. Rummelhart, G. E. Hinton, R. J. Williams // Nature 323. 1986. Pp. 533-536. DOI: 10.1038/323533a0
  5. Specht D. F. A General Regression Neural Network / D. F. Specht // IEEE Transactions of neural networks. 1991. Vol. 2. No 6. Pp. 568-576. DOI: 10.1109/72.97934