Использование искусственных нейронных сетей для прогнозирования динамики обводнения горизонтальных скважин

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


Выпуск:

2019. Том 5. №4 (20)

Название: 
Использование искусственных нейронных сетей для прогнозирования динамики обводнения горизонтальных скважин


Для цитирования: Кислицын А. А. Использование искусственных нейронных сетей для прогнозирования динамики обводнения горизонтальных скважин / А. А. Кислицын, С. В. Кузнецов, А. В. Поднебесных, А. М. Грановский // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2019. Том 5. № 4 (20). С. 160-180. DOI: 10.21684/2411-7978-2019-5-4-160-180

Об авторах:

Кислицын Анатолий Александрович, доктор физико-математических наук, профессор кафедры экспериментальной физики и нанотехнологий, Тюменский государственный университет; akislicyn@utmn.ru

Кузнецов Сергей Викторович, кандидат физико-математических наук, координатор проекта, Газпромнефть НТЦ (г. Тюмень); kuznetsov72tmn@gmail.com

Поднебесных Александр Владимирович, кандидат геолого-минералогических наук, заместитель управляющего директора по науке, Компания СИАМ, Интегра; apodnebesnykh@integra.ru

Грановский Андрей Михайлович, руководитель направления по геологии, Газпромнефть-ГЕО (г. Санкт-Петербург); granovskiy.am@gazprom-neft.ru

Аннотация:

Сформулирована задача определения условий интенсивного обводнения горизонтальных скважин, пробуренных в пластах, имеющих сложное геологическое строение. Таковыми являются пласты покурских отложений Восточно-Мессояхского месторождения, относящиеся к аллювиальным равнинам континента и прибрежно-морской обстановке осадконакопления. Основной особенностью их геологического строения является высокая латеральная неоднородность, связанная с миграцией русловых комплексов в процессе накопления осадочного материала. С привлечением метода нейронных сетей разработан алгоритм, позволяющий объяснить различную динамику характеристик вытеснения для скважин с идентичными геолого-технологическими показателями для пластов покурской формации континентального генезиса. Исследована динамика и причины обводнения 125 скважин Восточно-Мессояхского месторождения. Показано, что для описания сложнопостроенных объектов континентальных отложений методы геостатистики неприменимы; основной объем информации о межскважинном пространстве дают результаты интерпретации сейсмических данных. Предложен алгоритм полного регрессионного анализа при адаптации гидродинамической модели, включающего в себя методику построения куба песчанистости на основе нейросетевого моделирования. Определены основные факторы, влияющие на динамику обводнения: расcтояние от ствола скважины до водонефтяного контакта и наличие непроницаемых или полупроницаемых пропластков между стволом Скважины и водонефтяным контактом. С помощью генетического алгоритма нейронных сетей (genetic inversion) выполнены тестовые расчеты на скважинах одного из кустов с длительной эксплуатацией. Показано, что предлагаемые подходы при построении распределения коллектора в межскважинном пространстве позволяют добиться лучшей интегральной сходимости динамики обводнения на первых итерациях полномасштабной гидродинамической модели.

Список литературы:

  1. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений / А. Б. Барский. М.: Финансы и статистика, 2004. 176 с.

  2. Боровикова В. П. Нейронные сети STATISTICA Neural Networks: методология и технология современного анализа данных / В. П. Боровикова. М.: Горячая линия — Телеком, 2008. 392 c.

  3. Демьянов В. В. Геостатистика: теория и практика / В. В. Демьянов, Е. А. Савельева. М.: Наука, 2010. 327 с.

  4. Динариев О. Ю. Геостатистический анализ микротомограмм горных пород: некоторые новые подходы и результаты / О. Ю. Динариев, В. С. Свительман // Известия вузов. Нефть и газ. 2013. № 2. С. 16-21.

  5. Жемчугова В. А. Резервуарная седиментология: курс лекций / В. А. Жемчугова. М.: ЕАГЕ Геомодель, 2012. 383 с.

  6. Писарев А. Д. Энергоэффективное биоморфное импульсное кодирование информации в электронных нейронах для входного блока нейропроцессора / А. Д. Писарев // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2019. Том 5. № 3. С. 186-212. DOI: 10.21684/2411-7978-2019-5-3-186-212

  7. Поднебесных А. В. Комплексный подход к изучению газовой шапки в пласте ПК1-3 / А. В. Поднебесных, К. А. Малышевская, Т. С. Малышевская, В. П. Овчинников // Известия вузов. Нефть и газ. 2014. № 6. С. 13-18.

  8. Приезжев И. И. Методика сейсмической инверсии с помощью генетического алгоритма с последующим использованием результатов инверсии при моделировании коллекторских свойств резервуара / И. И. Приезжев // Технологии сейсморазведки. 2009. № 2. С. 18-23.

  9. Хусаинов А. Т. Инновационный аналитический метод для расчета показателей нефтедобычи // Известия вузов. Нефть и газ. 2013. № 3. С. 61-63.

  10. Chan K. S. Water control diagnostic plots / K. S. Chan // SPE Annual Technical Conference and Exhibition (22-25 October, Dallas, Texas). 1995. Article № SPE-30775-MS. DOI: 10.2118/30775-MS