Preview

Науки о Земле и недропользование

Расширенный поиск

Разработка новой эмпирической корреляции для прогнозирования объемного коэффициента пластовой нефти с использованием методов искусственного интеллекта

https://doi.org/10.21285/2686-9993-2021-44-4-408-416

Полный текст:

Аннотация

Известно, что для нефти, находящейся в пластовых условиях, характерно содержание определенного количества растворенного газа. В процессе снижения пластового давления этот газ выделяется из нефти, существенно изменяя ее физические свойства, в первую очередь плотность и вязкость. Кроме того, происходит уменьшение объема нефти, иногда на 50–60 %. В связи с этим при подсчете запасов необходимо обосновать величину, на которую уменьшится объем пластовой нефти после извлечения ее на поверхность. Для этого введено понятие объемного коэффициента пластовой нефти. Объемный коэффициент нефти считается одним из основных параметров, необходимых для определения характеристик сырой нефти, а также для моделирования и прогнозирования характеристик нефтяного коллектора. Целью данного исследования являлась разработка новой эмпирической корреляции для прогнозирования объемного коэффициента пластовой нефти с использованием методов искусственного интеллекта на базе программного обеспечения MATLAB, таких как искусственная нейронная сеть, адаптивная нейро-нечеткая система вывода и метод опорных векторов. В работе представлена новая эмпирическая корреляция, извлеченная из искусственной нейронной сети на основе 503 экспериментальных точек данных для нефтей с месторождения Восточной Сибири, которая помогла спрогнозировать объемный коэффициент нефти с коэффициентом корреляции 0,969 и средней абсолютной ошибкой меньше 1 %. Проведенное исследование показывает, что точность прогнозирования искомого параметра в разработанной модели искусственного интеллекта превосходит точность результатов исследований с применением обычных статистических методов. Также данная модель может быть полезна в перспективе оптимизации процессов при планировании и разработке месторождений.

Об авторах

Э. В. Шакирова
Иркутский национальный исследовательский технический университет
Россия

Шакирова Эльвира Венеровна, кандидат политических наук, доцент, доцент кафедры нефтегазового дела, Институт недропользования

г. Иркутск


Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.



А. А. Александров
Тюменский государственный университет
Россия

Александров Александр Андреевич, студент, Политехническая школа

г. Тюмень


Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.



М. В. Семыкин
Иркутский национальный исследовательский технический университет
Россия

Семыкин Михаил Вячеславович, студент, Институт недропользования

г. Иркутск


Конфликт интересов:

Авторы заявляют об отсутствии конфликта интересов.



Список литературы

1. Lippmann R. P. An introduction to computing with neural nets // IEEE ASSP Magazine. 1987. Vol. 4. Iss. 2. P. 4–22.

2. Hinton G. E., Osindero S., Teh Y.-W. A fast learning algorithm for deep belief nets // Neural Computation. 2006. Vol. 18. Iss. 7. P. 1527–1554. https://doi.org/10.1162/neco.2006.18.7.1527.

3. Rammay M. H., Abdulraheem A. Automated history matching using combination of adaptive neuro fuzzy system (ANFIS) and differential evolution algorithm // SPE Large Scale Computing and Big Data Challenges in Reservoir Simulation Conference and Exhibition. Istanbul, 2014. SPE-172992-MS.

4. Ben-Hur A., Horn D., Siegelmann H. T., Vapnik V. Support vector clustering // Journal of Machine Learning Research. 2001. Vol. 2. P. 125–137.

5. Jeng J.-T., Chuang C.-C., Su S.-F. Support vector interval regression networks for interval regression analysis // Fuzzy Sets and Systems. 2003. Vol. 138. Iss. 2. P. 283–300. https://doi.org/10.1016/S0165-0114(02)00570-5.

6. Tahmasebi P., Hezarkhani A. A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation // Computers & Geosciences. 2012. Vol. 42. P. 18–27. https://doi.org/10.1016/j.cageo.2012.02.004.

7. Klir G., Yuan B. Fuzzy sets and fuzzy logic: theory and applications. New Jersey: Prentice Hall, 1995. 574 p.

8. Kaydani H., Mohebbi A., Baghaie A. Neural fuzzy system development for the prediction of permeability from wireline data based on fuzzy clustering // Petroleum Science and Technology. 2012. Vol. 30. Iss. 19. P. 2036–2045. https://doi.org/10.1080/10916466.2010.531345.

9. Press W. H., Teukolsky S. A., Vetterling W. T., Flannery B. P. Numerical recipes. The art of scientific computing. New York: Cambridge University Press, 2007. 1235 p.

10. Trontl K., Šmuc T., Pevec D. Support vector regression model for the estimation of γ-ray buildup factors for multi-layer shields // Annals of Nuclear Energy. 2007. Vol. 34. Iss.12. P. 939–952. https://doi.org/10.1016/j.anucene.2007.05.001.

11. Gholami R., Shahraki A. R., Jamali Paghaleh M. Prediction of hydrocarbon reservoirs permeability using support vector machine // Mathematical Problems in Engineering. 2012. https://doi.org/10.1155/2012/670723.

12. Семыкин М. В., Шакирова Э. В. Исследование по подбору эффективных деэмульгаторов при обезвоживании нефтей Восточной Сибири // 60 лет снимкам обратной стороны Луны: материалы Всерос. науч.-практ. конф. Иркутск: Изд-во ИРНИТУ, 2019. С. 76–81.

13. Gaisina L. M., Mikhailovskaya I. M., Khairullina N. G., Pilipenko L. M., Shakirova E. V. Features of the formation of the corporate identity of the staff // Biosciences Biotechnology Research Asia. 2015. Vol. 12. Iss. 3. P. 2543–2555. https://doi.org/10.13005/bbra/1934.

14. Averkina E. V., Shakirova E. V. Specifics of drilling wells in the abnormally-high-pressure rock beds in the oiland-gas fields of Eastern Siberia // IOP Conference. Series: Earth and Environmental Science. 2019. Vol. 229. P. 012032. https://doi.org/10.1088/1755-1315/229/1/012032.

15. Белозерова О. В., Коваленко В. В., Шакирова Э. В. Исследование состава и свойств нефти Ичёдинского месторождения // Известия вузов. Прикладная химия и биотехнология. 2020. Т. 10. № 3. С. 522–528. https://doi.org/10.21285/2227-2925-2020-10-3-522-528.

16. Аверкина Е. В., Шакирова Э. В., Николаева М. Б., Климова А. А. Сравнительный анализ реагентовингибиторов набухания глинистых отложений, применяемых на месторождениях Восточной Сибири // Известия Томского политехнического университета. Инжиниринг георесурсов. 2020. Т. 331. № 12. С. 138–145. https://doi.org/10.18799/24131830/2020/12/2947.

17. Gorokhova A. E., Gaisina L. M., Gareev E. S., Shutov N. V., Shakirova E. V. Application of coaching methods at agricultural and industrial enterprises to improve the quality of young specialists’ adaptation // Quality – Access to Success. 2018. Vol. 19. Iss. 164. P. 103–108.

18. Gaisina L. M., Mikhaylovskaya I. M., Khairullina N. G., Ustinova O. V., Shakirova E. V. The role of the media in the spiritual and moral evolution of society // Mediterranean Journal of Social Sciences. 2015. Vol. 6. Iss. 5. P. 93–101. https://doi.org/10.5901/mjss.2015.v6n5s2p93.

19. Gaisina L. M., Dorozhkin Yu. N., Iakupova G. A., Rasuleva I. V., Dallakian G. R., Shakirova E. V. Reflection of contemporary socio-cultural factors on young rural family as a problem of rural development. A study case - the Republic of Bashkortostan // Scientific Papers. Series: Management, Economic Engineering in Agriculture and Rural Development. 2018. Vol. 18. Iss. 3. P. 131–138.

20. Шакирова Э. В., Семыкин М. В., Александров А. А., Брыжеватых Н. В. Современные методы по подбору деэмульгаторов при обезвоживании нефтей Восточной Сибири // Проблемы сбора, подготовки и транспорта нефти и нефтепродуктов. 2021. № 3. С. 36– 44. https://doi.org/10.17122/ntj-oil-2021-3-36-44.


Рецензия

Для цитирования:


Шакирова Э.В., Александров А.А., Семыкин М.В. Разработка новой эмпирической корреляции для прогнозирования объемного коэффициента пластовой нефти с использованием методов искусственного интеллекта. Науки о Земле и недропользование. 2021;44(4):408-416. https://doi.org/10.21285/2686-9993-2021-44-4-408-416

For citation:


Shakirova E.V., Aleksandrov A.A., Semykin M.V. Development of a new empirical correlation for predicting formation volume factor of reservoir oil using artificial intelligence. Earth sciences and subsoil use. 2021;44(4):408-416. (In Russ.) https://doi.org/10.21285/2686-9993-2021-44-4-408-416

Просмотров: 189


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2686-9993 (Print)
ISSN 2686-7931 (Online)