Выпуск:
2021. Том 7. № 2 (26)Об авторах:
Косяков Виталий Петрович, кандидат физико-математических наук, старший научный сотрудник, Тюменский филиал Института теоретической и прикладной механики им. С.А. Христиановича СО РАН, доцент кафедры расходометрии нефти и газа, Тюменский государственный университет; eLibrary AuthorID, Web of Science ResearcherID, lik.24@yandex.ru; ORCID: 0000-0002-2297-408XАннотация:
Настоящая работа посвящена методике, предполагающей совместное использование элементов машинного обучения и физически содержательной фильтрационной модели. Предложено использование сети радиальных базисных функций для решения задачи восстановления гидропроводности в межскважинном пространстве для нефтяного месторождения. Показано преимущество предлагаемого подхода по сравнению с классическими методами интерполяции применительно к задачам восстановления фильтрационно-емкостных свойств межскважинного пространства. В работе рассмотрен алгоритм взаимодействия методов машинного обучения, фильтрационной модели, механизм разделения входных данных, вид общей целевой функции, включающей в себя физические и экспертные ограничения. Исследования проводились на примере симметричного элемента нефтяного месторождения. Предлагаемая процедура поиска решения включает в себя решение прямой и сопряженной задачи.
Ключевые слова:
Список литературы:
Басниев К. С. Подземная гидромеханика / К. С. Басниев, Н. М. Дмитриев, Р. Д. Каневская, В. М. Максимов // М.-Ижевск: Ин-т компьютерных исследований, 2006. 488 с.
Закиров И. С. Развитие теории и практики разработки нефтяных месторождений / И. С. Закиров. М.-Ижевск: Ин-т компьютерных технологий, 2006. 356 с.
Роженко А. И. Сравнение радиальных базисных функций / А. И. Роженко // Сибирский журнал вычислительной математики. 2018. Том 21. № 3. С. 273-292. DOI: 10.15372/SJNM20180304
Broomhead D. H. Multivariable Functional Interpolation and Adaptive Networks / D. H. Broomhead, D. Lowe // Complex Systems: Journal. 1988. Vol. 2. No. 3. Pp. 321‑355.
Ertekin T. Artificial Intelligence Applications in Reservoir Engineering: A Status Check / T. Ertekin, Q. Sun // Energies. 2019. Vol. 12. Art. 2897. DOI: 10.3390/en12152897
Glorot X. Deep sparse rectifier neural networks / X. Glorot, A. Bordes, Y. Bengio // The 14th International Conference on Artificial Intelligence and Statistics. 2011. Vol. 15. Pp. 315-323.
Kosyakov V. P. Structural and Parametric Identification of an Aquifer Model for an Oil Reservoir / V. P. Kosyakov // Lobachevskii Journal of Mathematics. 2020. Vol. 41. No. 7. Pp. 1242-1247. DOI: 10.1134/S1995080220070239
Misbahuddin M. Estimating Petrophysical Properties of Shale Rock Using Conventional Neural Networks CNN. / M. Misbahuddin // Society of Petroleum Engineers Annual Technical Conference and Exhibition. 2020. DOI: 10.2118/204272-STU
Musakaev E. N. Parameter identification for sector filtration model of an oil reservoir with complex structure / E. N. Musakaev, S. P. Rodionov, D. Yu. Legostaev, V. P. Kosyakov // AIP Conference Proceedings. 2019. Vol. 2125. Art. 030113. DOI: 10.1063/1.5117495
Otchere D. A. Application of supervised machine learning paradigms in the prediction of petroleum reservoir properties: Comparative analysis of ANN and SVM models / D. A. Otchere, T. O. Arbi Ganat, R. Gholami, S. Ridha // Journal of Petroleum Science and Engineering. 2021. Vol. 200. Art. 108182. DOI: 10.1016/j.petrol.2020.108182