Эффективные алгоритмы для автоматизации анализа и интерпретации гидродинамических исследований скважин тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Григорьев, Иван Михайлович

  • Григорьев, Иван Михайлович
  • кандидат науккандидат наук
  • 2014, Ижевск
  • Специальность ВАК РФ05.13.01
  • Количество страниц 178
Григорьев, Иван Михайлович. Эффективные алгоритмы для автоматизации анализа и интерпретации гидродинамических исследований скважин: дис. кандидат наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Ижевск. 2014. 178 с.

Оглавление диссертации кандидат наук Григорьев, Иван Михайлович

ОГЛАВЛЕНИЕ

Стр.

Введение

1. Проблема автоматизации интерпретации данных гидродинамических исследований скважин

1.1. Интерпретация результатов гидродинамических методов исследований скважин

1.1.1. Цель гидродинамических исследований скважин

1.1.2. Оценка запасов и свойств коллектора

1.1.3. Управление разработкой месторождения

1.1.4. Описание пласта

1.1.5. Анализ кривых падения добычи

1.1.6. Виды гидродинамических исследований скважин

1.1.7. Опробование скважины с помощью испытателя пласта

1.2. Математические модели пласта-коллектора

1.2.1. Уравнение пьезопроводности

1.2.2. Аналитические решения уравнения пьезопроводности

1.2.3. Алгоритмы численного обратного преобразования Лапласа

1.2.4. Графический анализ результатов ГДИС

1.3. Сравнительный анализ существующих подходов к автоматизации интерпретации ГДИС

1.4. Постановка цели и задач исследования

2. Дискримииантный анализ моделей-кандидатов пласта на основе последовательного прогнозирования вероятностей

2.1. Нелинейный регрессионный анализ

2.2. Статистический вывод

2.3. Байесовский вывод

2.3.1. Теорема Байеса

2.3.2. Функция правдоподобия

2.3.3. Байесовский вывод

2.3.4. Доверительные интервалы

2.4. Последовательное прогнозирование вероятностей

2.5. Теоретическое исследование предлагаемого подхода

2.6. Рекомендации для практического применения метода

2.6.1. Определение набора моделей-кандидатов пласта

2.6.2. Выбор начальной точки

2.6.3. Выбор следующего временного шага

2.6.4. Число прогнозируемых точек данных

2.6.5. Число используемых точек данных

2.6.6. Оценки параметров на каждом временном шаге

2.6.7. Начальная вероятность

2.6.8. Суммарная вероятность

2.6.9. Сравнение суммарных вероятностей

2.6.10. Выбросы в данных

2.6.11. Начальные оценки значений параметров

2.6.12. Пример дискриминантного анализа двух моделей пласта-коллектора

2.7. Преимущества метода последовательного прогнозирования вероятностей по сравнению с доверительными интервалами

2.8. Полученные результаты и выводы

3. Использование искусственных нейронных сетей для автоматизации интерпретации данных гидродинамических исследований скважин

3.1. Принципы построения искусственных нейронных сетей

3.2. Применение искусственной нейронной сети для идентификации режимов фильтрации

3.3. Оценка параметров пласта по результатам гидродинамических исследований скважин

3.3.1. Коэффициент накопления

3.3.2. Коэффициент проницаемость и скин-фактор

3.3.3. Расстояние до непроницаемой границы

3.3.4. Расстояние до границы с постоянным давлением

3.3.5. Расстояние до границы разлома (непроводящего сброса)

3.3.6. Коэффициенты пропускания пласта и упругоемкости

3.3.7. Пошаговая процедура идентификации режима фильтрации

3.4. Результаты применения искусственной нейронной сети

3.4.1. Тестирование на реальных данных ГДИС

3.4.1.1. Исследование 1: скважина с отрицательным скин-фактором

3.4.1.2. Исследование 2: пластовая система с двойной пористостью

3.4.2. Тестирование на смоделированных данных ГДИС

3.4.2.1. Пример 1: непроницаемая граница пласта

3.4.2.2. Пример 2: пласт с разломом на границе

3.5. Полученные результаты и выводы

4. Развитие методов обработки результатов гидродинамических исследований скважин

4.1. Модификация МППВ для выбора оптимальной сложности математической модели пласта-коллектора

4.2. Применение нечетких деревьев регрессии для обработки кривых изменения давления по результатам ГДИС

4.2.1. Формирование обучающих и тестовых данных

4.2.2. Построение оптимального дерева регрессии

4.2.3. Определение базы правил нечеткой системы

4.2.4. Обучение нечеткой системы

4.2.5. Обработка данных ГДИС с использованием нечеткой системы

4.3. Полученные результаты и выводы

Заключение

Список литературы

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Эффективные алгоритмы для автоматизации анализа и интерпретации гидродинамических исследований скважин»

ВВЕДЕНИЕ

Актуальность темы. В течение гидродинамических исследований скважин (ГДИС) осуществляется отслеживание реакции нефтяного пласта на изменение условий добычи (нагнетания). Свойства пласта в некоторой степени характеризуются этой реакцией, поэтому во многих случаях их можно оценить. Интерпретация результатов ГДИС является обратной задачей по определению параметров модели на основе анализа реакции модели на входное воздействие.

При интерпретации ГДИС используется математическая модель, которая связывает неустановившееся давление с историей изменения расхода. Если история изменения расхода в модели совпадает с таковой для месторождения, тогда можно предположить, что значения параметров пласта и модели совпадают. Конечно, это возможно при условии, что давление на выходе модели соответствует реальному измеренному давлению в скважине. Однако очевидно, что такому подходу свойственны определенные недостатки, т.к. модель может хорошо имитировать пласт-коллектор, даже если сделанные при ее выводе физические предположения совершенно неверны.

Имея лишь ограниченное количество данных, может так случиться, что несколько различных моделей будут подходить под описание пласта и более или менее адекватно воспроизводить реальные данные. Независимо от способа анализа результатов ГДИС, процедура распознавания модели сама по себе не гарантирует выбор наиболее подходящей модели, поэтому требуется обязательная проверка адекватности всех теоретически возможных моделей пласта-коллектора.

Стандартная процедура анализа моделей-кандидатов заключается в следующем. Сначала выбирается наиболее простая модель. Если результаты расчетов неудовлетворительны, выбирается следующая модель в порядке возрастания сложности, и проверяется ее адекватность. Эта процедура повторяется до получения приемлемых результатов. Основное предположение заключается в том, что моделям, обладающим слишком большим числом параметров, присущи значительные неопределенности в оценках параметров. Поэтому сначала

выбирается наиболее простая модель. Подобная идея часто без каких-либо строгих обоснований фигурирует в работах, посвященных обратным задачам, однако это не всегда верно.

Чем сложнее модель, тем она больше задействует обучающих данных, а значит, лучше адаптируется под их внутреннюю структуру. В результате, уменьшается смещение оценок относительно истинных значений, однако, растет их дисперсия. Модель с нулевой ошибкой на обучающей выборке, в качестве которой выступают данные ГДИС, демонстрирует эффект «переобучения» (или «чрезмерной близкой подгонки» аппроксимирующей кривой к данным), когда ее способность к обобщению (прогнозу) становится очень малой. Другими словами, перед исследователями, занимающимися решениями обратных задач, в частности при оценивании параметров модели, стоит актуальная проблема не просто подгонки кривой под имеющиеся данные, а выбора из всего множества потенциальных моделей-кандидатов оптимальной по сложности математической модели.

Степень разработанности темы исследования. Allain O.F., Hörne R.N., Athichanagorn S., Anraku T. применили синтаксическое распознавание образов и экспертную систему па основе продукционных правил для идентификации модели пласта и оценки его параметров для создания потенциальных моделей пласта. Недостатком такого подхода являются обязательная предварительная обработка данных ГДИС и достаточно сложное описание правил, отвечающих реальному поведению. Al-Kaabi A.U., Lee W.J., Ershaghi I., Li X., Hassibi M. применили искусственные нейронные сети (НС) для идентификации моделей коллектора, интерпретирующих ГДИС, на основе данных о производной функции давления. Однако в исследованиях не был затронут вопрос о вычислении параметров.

Область исследования. Диссертационная работа выполнена в соответствии с пунктами «3. Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления,

принятия решений и обработки информации» и «4. Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации» паспорта специальности 05.13.01 - Системный анализ, управление и обработка информации (в науке и технике).

Объектом исследования является дискриминантный анализ моделей пласта-коллектора.

Предметом исследования является автоматизация интерпретации результатов гидродинамических исследований скважин на основе использования аппарата нечетких систем.

Цель работы состоит в проведении комплексных научно-обоснованных исследований, направленных на разработку эффективных методов обработки результатов ГДИС для получения достоверной информации о параметрах пласта-коллектора, что будет способствовать анализу, уточнению и прогнозированию показателей разработки месторождений.

Для достижения цели необходимо решить следующие задачи:

- определить набор типичных моделей радиального притока к скважине с учетом различных граничных условий и типов пустотности;

- предложить критерий для проведения различий между потенциальными моделями-кандидатами относительно имеющихся данных ГДИС;

- разработать метод дискриминантного анализа результатов ГДИС для выбора модели оптимальной сложности и получения достоверных оценок параметров пласта;

- разработать алгоритм, автоматизирующий процесс получения начальных оценок параметров пласта при обработке кривой изменения давления (КИД);

- осуществить верификацию и валидацию предложенных подходов для случаев смоделированных и реальных данных ГДИС;

- рассмотреть возможные направления дальнейшего совершенствования разработанных методов и алгоритмов.

Методы исследования. В диссертации использованы теоретические и экспериментальные методы исследования.

Теоретические исследования базируются на применении функционального анализа, теории вероятностей и математической статистики, математического программирования, теории машинного (статистического) обучения, подземной гидромеханики, моделировании процессов нефтегазодобычи.

В экспериментальных исследованиях разработанных моделей и алгоритмов применялись методы статистического оценивания, численные методы, стохастические и нечеткие подходы к описанию неопределенности, методы решения обратных коэффициентных задач. Применялись методы теории нечеткой логики, искусственный нейронных сетей и деревьев решений.

Достоверность и обоснованность полученных результатов и выводов подтверждается практическим использованием разработанных методов и алгоритмов обработки данных ГДИС, научными публикациями, а также сопоставительным анализом предложенных и ныне существующих математических моделей и методов.

Выведенные в работе теоретические положения обоснованы строгостью исходных посылок и корректным использованием математического аппарата при выводе аналитических выражений.

Достоверность полученных экспериментальных результатов подтверждается их высокой согласованностью с теоретическим прогнозом и применением надежных критериев при создании алгоритмов для обработки информации. При выполнении вычислительного эксперимента исходные данные показали хорошую воспроизводимость результатов при обработке больших объемов экспериментального материала.

На защиту выносятся результаты применения разработанных методов и алгоритмов интерпретации результатов ГДИС, в том числе:

- метод последовательного прогнозирования вероятностей (МППВ) для дискриминантного анализа моделей пласта-коллектора и его модификация;

- нейросетевая модель для распознавания характерных участков (шаблонов) на КИД;

- алгоритм интерпретации выходных сигналов нейронной сети (НС) для идентификации установившегося режима фильтрации;

- методика построения адаптивной нейро-нечеткой системы логического вывода (ANFIS) для аппроксимации КИД;

- результаты применения разработанных подходов на примере смоделированных и реальных данных ГДИС.

Научная новизна результатов диссертационного исследования, полученных лично автором, заключается в следующем:

- разработан МППВ, позволяющий проводить различие между потенциальными моделями-кандидатами на основе прогнозной дисперсии путем построения кривых нормализованных суммарных вероятностей, которые отражают адекватность модели имеющимся данным ГДИС на всем временном интервале;

- предложена НС и алгоритм обработки ее выходных сигналов, позволяющие автоматизировать процесс идентификации на КИД режимов фильтрации, которые описываются простыми аналитическими зависимостями, что способствует получению надежных начальных оценок параметров пласта;

- разработан модифицированный МППВ, обладающий более высоким быстродействием, чем обычный метод, за счет существенного снижения числа итераций, требуемых для расчета значений нормализованной суммарной вероятности, путем исключения необходимости в проведении промежуточных этапов оценивания параметров;

- создана методика построения ANFIS, база правил которой формируется с помощью деревьев классификации и регрессии (CART), для аппроксимации теоретических КИД, в том числе полученных как результат численных решений задачи радиального притока к скважине;

- продемонстрированы результаты обработки кривых падения давления

(КПД) и кривых восстановления давления (КВД) с помощью предложенных методов и алгоритмов, наглядно отразившие их преимущества и ограничения.

Практическая полезность работы. Диссертация может оказаться полезной исследователям, занимающимися решениями обратных задач, в частности при оценивании параметров модели, когда перед ними стоит проблема не просто подгонки кривой под имеющиеся данные, а выбора из всего множества потенциальных моделей-кандидатов оптимальной по сложности математической модели. Дискриминантньтй анализ на базе Ml 111В учитывает тот факт, что чрезмерное усложнение модели может привести к неустойчивым алгоритмам идентификации и снижает точность прогноза модели.

При интерпретации ГДИС особенно важно получать достоверные начальные оценки параметров скважины и пласта, необходимые для качественного регрессионного анализа. В работе предложено использовать НС, которая обучена для распознавания характерных участков КИД, соответствующих в зависимости от времени их появления тому или иному установившемуся режиму фильтрации. Специально разработанный алгоритм обработки выходных сигналов такой НС предназначен для установления временного интервала, в течение которого наблюдается определенный режим фильтрации, что позволяет осуществлять автоматическую оценку параметров пласта с помощью хорошо разработанного аппарата аналитических методик интерпретации ГДИС.

В большинстве численных моделей пласта описание околоскважинных эффектов принесено в жертву возможности прогнозировать общее поведение пласта при разумных затратах вычислительного времени. Поэтому для эффективного использования специальных численных моделей, включающих радиальную геометрию, и учитывающие влияние ствола скважины, предложено аппроксимировать КИД с помощью ANFIS на базе CART. Такая нечеткая система с одной стороны хорошо воспроизводит различные особенности теоретической кривой, а с другой стороны, не требует многократных численных расчетов радиального притока флюида к скважине.

Апробация работы. Результаты работы докладывались на: V Международной научно-практической конференции «Перспективы развития информационных технологий» (Новосибирск, 2011), VII Международной научно-практической конференции «Актуальные вопросы науки» (Москва, 2012); Международной научно-практической конференции «Техника и технологии: роль в развитии современного общества» (Краснодар, 2013), Российской научно-технической конференции «Приборостроение в XXI веке. Интеграция науки, образования и производства» (Ижевск, 2012), Международном симпозиуме «Надежность и качество» (Пенза, 2014).

Публикации. Основные научные результаты по теме диссертации опубликованы в 12 научных работах общим объемом 5,5 п. л., авторский вклад - 4 п. л. Автор имеет 4 научных труда в изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций.

Структура и объем работы. Диссертация содержит введение, 4 главы, заключение и библиографический список из 118 наименований, изложенные на 178 страницах машинописного текста. В работу включены 59 рисунков и 21 таблица.

Глава 1. ПРОБЛЕМА АВТОМАТИЗАЦИИ ИНТЕРПРЕТАЦИИ ДАННЫХ ГИДРОДИНАМИЧЕСКИХ ИССЛЕДОВАНИЙ СКВАЖИН

1.1. Интерпретация результатов гидродинамических методов исследований скважин

1.1.1. Цель гидродинамических исследований скважин

В течение гидродинамических исследований скважин (ГДИС) осуществляется отслеживание реакции нефтяного пласта на изменение условий добычи (нагнетания). Свойства пласта в некоторой степени характеризуются этой реакцией, поэтому во многих случаях их можно оценить. Интерпретация результатов ГДИС является обратной задачей по определению параметров модели на основе анализа реакции модели на входное воздействие [5, 13, 16, 26, 51, 62].

В большинстве случаев ГДИС под реагированием пласта понимают изменение забойного давления в скважине. Поэтому ГДИС часто называют анализом неустановившихся режимов работы скважины (испытанием скважины с переменным давлением). Давление меняется вследствие изменений в добыче (нагнетании) флюидов, поэтому мы далее рассматриваем переменный расход как входное воздействие, а переменное давление как выходное.

При интерпретации ГДИС используется математическая модель, которая связывает неустановившееся давление с историей изменения расхода [2, 20, 50, 58, 74]. Если история изменения расхода в модели совпадает с таковой для месторождения, тогда можно предположить, что значения параметров пласта и модели совпадают. Конечно, это возможно при условии, что давление на выходе модели соответствует реальному измеренному давлению в скважине. Однако очевидно, что такому подходу свойственны определенные недостатки, т.к. модель может хорошо имитировать пласт-коллектор, даже если сделанные при ее выводе физические предположения совершенно неверны [39]. Подобная неопределенность является неотъемлемой частью всех обратных задач, которые встречаются на практике нефтепромыслового дела (адаптация по истории разработки математической модели пластовой системы, анализ кривых падения

добычи, исследование пластов на материальный баланс и т.п.) Тем не менее, эти трудности преодолимы за счет такого выбора метода проведения ГДИС, чтобы отклик наиболее точно отражал исследуемые параметры пласта. Поэтому способ проведения и интерпретации ГДИС во многом зависит от преследуемых целей, которые в общем случае можно подразделить на следующие категории: 1) оценка запасов и свойств коллектора; 2) управление разработкой месторождения; 3) описание пласта.

1.1.2. Оценка запасов и свойств коллектора

Чтобы решить, как лучше разрабатывать данное месторождение (и стоит ли вообще тратить деньги на его разработку), необходимо знать основные характеристики продуктивного пласта-коллектора [3, 10, 24, 49, 89]. В результате, требуется определить гидропроводность породы коллектора (кк или произведение проницаемости на мощность пласта), первоначальное пластовое давление и контур нефтегазоносности (границы пласта). В то же время, можно отобрать пробы флюидов, чтобы в лабораторных условиях измерить их свойства. Также можно исследовать область вблизи ствола скважины для того, чтобы определить факторы, влияющие на продуктивность скважины. То есть либо основное воздействие оказывает ствол скважины (через скин-фактор и коэффициент накопления), либо весь пласт.

Гидропроводность кИ - это способность пласта-коллектора пропускать через себя жидкость, насыщающую его поры. Поэтому этот параметр используется в расчетах по определению показателей разработки месторождений, составлении технологических проектов. При низкой гидропроводности возможно потребуется оценить экономическую эффективность мероприятий по интенсификации притока в скважины.

Пластовое давление показывает, какой потенциальной энергией обладает (или теряет) пласт, что позволяет делать прогнозы о том, как долго еще можно продолжать добычу. На величину давления в призабойной зоне скважины влияют процессы бурения и отбора в ее окрестности, и оно может существенно от-

личаться от значений давления в более удаленных участках пласта. С помощью интерпретации данных ГДИС можно оценить эти «удаленные» значения по результатам замеров «локального» давления.

Анализ контура нефтегазоносности дает ответ на вопрос, как много присутствует пластового флюида (нефть, газ, вода, пар и др.), насыщающего коллектор, и позволяет судить о том, являются ли границы пласта закрытыми или открытыми (с подпором законтурной зоны или открытой поверхностью).

1.1.3. Управление разработкой месторождения

В процессе разработки месторождения обязательно проводится мониторинг поведения коллектора и состояния скважин [10, 47]. Обычно интерес представляют изменения в среднем пластовом давлении, зная которые мы можем уточнять сделанные прогнозы о будущем поведении коллектора. Путем контроля состояния скважин определяются кандидаты на проведение ремонтных работ и мероприятий по воздействию на скважину. В специальных случаях есть возможность отследить фронт вытеснения внутри пласта, например, при заводнении или внутрипластовом горении для увеличения нефтеотдачи. Знание того, где расположен фронт, позволяет оценить эффективность процесса вытеснения и предсказать его последующее поведение [3].

1.1.4. Описание пласта

Геологические залежи нефти, газа и воды, а также геотермальные коллекторы имеют весьма сложное строение и могут включать различные типы породы, стратиграфические границы раздела, разломы, барьеры и фронты флюидов [56]. Некоторые из этих особенностей коллектора могут до известной степени влиять на динамику изменения давления, а большинство из них определяют поведение коллектора. Использование результатов анализа ГДИС для описания пласта поможет в той или иной мере прогнозировать поведение коллектора [3]. Кроме того, снятие характеристик пласта полезно для разработки производственного плана.

Примеры анализа результатов ГДИС для описания пласта можно найти в

[113, 95, 97, 98]. Однако следует заметить, что уровень детализации значений параметров коллектора ограничен. Это связано с тем, что распространение давления имеет диффузионную природу, т.е. оно определяется главным образом усредненными условиями, а не локальными неоднородностями. Интерпретация данных ГДИС позволяет оценивать только объемные свойства пласта в масштабе призабойной зоны, которые малочувствительны к локальным неодно-родностям.

1.1.5. Анализ кривых падения добычи

Все вышеуказанное относилось к испытаниям скважин с переменным давлением, в которых изменение давления есть результат отклика пластовой системы на определенную предысторию расхода. Однако ясно, что аналогичным образом можно исследовать изменение расхода в зависимости от предыстории давления. Этот случай, при котором динамическое забойное давление обычно поддерживается постоянным, а темп добычи снижается, широко известен как анализ кривых падения добычи. По существу, нет никаких фундаментальных отличий между анализом неустановившихся режимов работы скважины при переменном давлении и анализом кривых падения давления. Однако с практической точки зрения эти анализы имеют различное применение. Поскольку при краткосрочных испытаниях проще контролировать расход, ГДИС с переменных давлением (такие как исследование методом понижения уровня, анализ роста давления на устье скважины и исследование скважин на интерференцию) обычно проводятся в течение от нескольких десятков часов до нескольких дней. Поэтому подобные ГДИС обычно используются для определения условий вблизи ствола скважины (например, гидропроводность, скин-фактор и коэффициент накопления). В процессе длительной разработки давление контролируется в соответствии с требованиями эксплуатационного оборудования, тогда как наблюдение ведется за текущим дебитом в течение времени, измеряемого месяцами и годами, для последующего анализа кривых падения добычи. Следовательно, такой анализ более предпочтителен для регистрации

явлений, влияние которых заметно через продолжительный период времени (таких, как объем продуктивного пласта и др.).

г

Рис. 1.1. ГДИС методом понижения уровня

В общем случае, влияние расхода и давления друг на друга обусловливаются характеристиками пласта. Другими словами, анализ переменного давления и анализ падения добычи - это конкретные примеры одного и того же процесса, которые, однако, используются с несколько разными целями. В то же время, ввиду диффузионной природы распространения давления, его часто проще устанавливать, чем расход.

1.1.6. Виды гидродинамических исследований скважин

В одних случаях вид проводимого ГДИС зависит от целей испытания. В других - от практических ограничений или целесообразности. Далее кратко описываются наиболее распространенные виды испытаний [16, 26, 51, 95, 103].

Исследования скважин методом понижения уровня

При ГДИС методом понижения уровня скважина закрыта до тех пор, пока пластовое значение не достигнет своего статического значения для проведе-

ния исследования. Далее осуществляется запуск скважины с одновременной регистрацией забойного давления. В рамках стандартного анализа дебит предполагается постоянным (рис. 1.1).

Рис. 1.2. ГДИС методом восстановления давления

Большинство методик стандартного анализа основывается на ГДИС методом понижения уровня, который рассматривается как базовый. Однако на практике в намеченных условиях такой вид ГДИС достаточно трудно обеспечить. В частности: 1) технически непросто поддерживать расход на постоянном уровне, даже если в скважине поддерживается более или менее постоянная депрессия; 2) первоначальный режим скважины может быть далек от статичного и стабилизированного состояния, особенно если она была недавно пробурена или ранее выдавала нефть.

С другой стороны, метод понижения уровня хорош для определения границ пласта, поскольку время, требуемое на появление граничных эффектов, достаточно продолжительно, а рабочие флуктуации расхода за такой период становятся менее заметными.

Анализ роста давления на устье скважины

При ГДИС методом восстановления давления скважина, которая ранее эксплуатировалась, в идеале, при постоянном дебите, останавливается, и забойное давление начинает расти (рис. 1.2). Для анализа роста давления обычно используются методики интерпретации ГДИС методом понижения уровня с очень небольшими модификациями. Практическая полезность такого вида исследования определяется тем, что условие постоянного расхода достичь намного проще, т.к. он равен нулю.

ГДИС методом восстановления давления имеет и недостатки:

1) может оказаться непросто обеспечить предшествующий закрытию постоянный темп добычи; в частности, для опускания в забой приборов, регистрирующих давление, может потребоваться закрыть устье скважины на короткое время;

2) после остановки скважины теряется ее продукция.

Исследование скважины путем закачки

Рис. 1.3. ГДИС путем закачки ГДИС скважины путем закачки концептуально идентично исследованию

методом понижения уровня, только флюиды движутся в скважину, а не наоборот (рис. 1.3).

Скорость нагнетания, как правило, контролировать намного проще, чем темп добычи, однако анализ результатов ГДИС осложняется из-за возникновения многофазного течения, если только нагнетаемый флюид не тот же самый, что и пластовый.

Измерение падающего давления в нагнетательной скважине

Измерение падающего давления в нагнетательной скважине после ее закрытия приводит к построению кривой, как на рис. 1.4. Данный вид ГДИС концептуально идентичен исследованию методом восстановления давления.

Рис. 1.4. ГДИС путем измерения падающего давления в нагнетательной скважине

Как и в случае с ГДИС путем закачки, анализ результатов измерения падающего давления в нагнетательной скважине осложняется, если нагнетаемый флюид отличается от изначального пластового флюида.

Исследование скважин на интерференцию

При исследовании скважин на интерференцию одна скважина работает на

добычу, а давление регистрируется в другой скважине (скважинах). Это означает, что изменения давления фиксируются на расстоянии от первоначальной добывающей скважины. Поэтому такой вид ГДИС может быть полезным для определения свойств пласта в более значительном масштабе расстояний, чем в случае исследований одиночных скважин. Поскольку достаточно удаленные от добывающей скважины изменения давления весьма малы по величине по сравнению с изменениями забойного давления в самой скважине, то исследование на интерференцию требует высокочувствительных датчиков давления и занимает относительно продолжительное время. В то же время, данное ГДИС может применяться независимо от вида исследований, проводимых в активной скважине (путем понижения уровня, восстановления давления, нагнетания или измерения падающего давления).

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Список литературы диссертационного исследования кандидат наук Григорьев, Иван Михайлович, 2014 год

ЛИТЕРАТУРА

1. Аверкин А.Н. Нечеткие множества в моделях управления и искусственного интеллекта. - М.: Наука, 1986. - 312с.

2. Азиз X., Сеттари Э. Математическое моделирование пластовых систем. - Москва-Ижевск: Институт компьютерных исследований, 2004. - 416 с.

3. Акульшин А.И. Прогнозирование разработки нефтяных месторождений. - М.: Недра, 1988. - 240 с.

4. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. - Тюмень: Изд-во ТГУ, 2000. - 352 с.

5. Амикс Дж., Басс Д., Уайтинг Р. Физика нефтяного пласта: Перевод с англ. - М.: Гостоптехиздат, 1962. - 572 с.

6. Аттетков A.B., Галкин C.B., Зарубин B.C. Методы оптимизации. -М.: Изд-во МГТУ им. Н.Э.Баумана, 2003. - 440с.

7. Бард Й. Нелинейное оценивание параметров. - М.: Статистика, 1979.-349 с.

8. Бенамеур Л., Минаев Ю.Н., Филимонова О.Ю. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. - М: Горячая линия - Телеком, 2003. - 205 с.

9. Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. - Харьков: Телетех, 2004. - 369 с.

10. Бойко B.C. Разработка и эксплуатация нефтяных месторождений. Учебник для вузов. - М.: Недра, 1990. - 427 с.

11. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. - Рига: Зинатне, 1990. - 184 с.

12. Боровиков В.П. Искусство анализа данных. - 2-е издание. - СПб.: ПИТЕР, 2005.-244 с.

13. Бузинов С.Н., Умрихин И.Д. Исследование пластов и скважин при упругом режиме фильтрации. - М.: Недра, 1964. - 272 с.

14. Булинский A.B., Ширяев А.Н. Теория случайных процессов. - М.:

Физматлит, 2005. - 408 с.

15. Вальд А. Последовательный анализ. - М.: Физматлит, 1960. - 328 с.

16. Васильевский В.Н., Петров А.И. Исследование нефтяных пластов и скважин. - М.: Недра, 1973. - 344 с.

17. Вентцель Е.С., Овчаров J1.A. Теория вероятностей и ее инженерные приложения. - 3-е изд., перераб. и доп. - М.: Издательский центр "Академия", 2003.-464 с.

18. Вирновский Г.А., Левитан Е.И. Применение методов оптимального управления в задачах анализа и синтеза гидродинамических исследований объектов разработки. -М.: ВНИИнефть, 1991. - вып. 106. - С. 88-95.

19. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация: Пер. с англ. - М.: Мир, 1985. - 511 с.

20. Гильфанов М.А., Ершов С.Е., Кучергов Г.Г., Назаров A.B., Щукин А.Н. Математическое моделирование процесса исследования скважин на стационарных и нестационарных режимах. - М.: ИРЦ Газпром, 2003 - 60 с.

21. Гмурман В.Е. Теория вероятностей и математическая статистика: Учеб. пособие. - 12-е изд., перераб. - М.: Высшее образование, 2006. - 479 с.

22. Гольф-Рахт Т.Д. Основы нефтепромысловой геологии и разработки трещиноватых коллекторов. - М.: Недра, 1986. - 608 с.

23. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. - Красноярск: Сибирский журнал вычислительной математики, 1998. - Т. 1. - С. 11-24.

24. Григорьев Б.А. Актуальные вопросы исследования пластовых систем месторождений углеводородов: сб. науч. статей. - М.: Газпром ВНИИГАЗ, 2010.-310 с.

25. Гроп Д. Методы идентификации систем: Пер. с англ. - М.: Мир, 1979.-302 с.

26. Деева Т.А., Камартдинов М.Р., Кулагина Т.Е., Мангазеев П.В. Гидродинамические исследования скважин: анализ и интерпретация данных. -

Томск, 2009. - 243 с.

27. Демиденко Е.З. Линейная и нелинейная регрессии. -М.: Финансы и статистика, 1981.- 304 с.

28. Григорьев И.М., Лялин В.Е. Модифицированный алгоритм прогноза вероятностей изменения давления для дискриминантного анализа моделей пласта-коллектора // Труды международного симпозиума «Надежность и качество», Т. 2. - Пенза, 2014. - С. 63-66.

29. Григорьев. И.М. Дискриминантный анализ моделей нефтяного пласта-коллектора // «Актуальные вопросы науки»: Материалы VII Международной научно-практической конференции. - М.: Издательство «Спутник +», 2012. -С. 230-240.

30. Григорьев И.М., Сидельников К.А. Дискриминантный анализ моделей нефтяного пласта на основе прогноза вероятностей изменения давления // Автоматизация, телемеханизация и связь в нефтяной промышленности - М.: Изд-во ВНИИОЭНГ. - № 6. - 2013. - С. 30-36.

31. Григорьев. И.М. Оценка параметров нефтяного пласта по графику производной функции давления // «Актуальные вопросы науки»: Материалы VII Международной научно-практической конференции. - М.: Издательство «Спутник +», 2012. - С. 241-246.

32. Григорьев И.М., Сидельников К.А. Применение доверительных интервалов для верификации модели нефтяного пласта при интерпретации результатов гидродинамического исследования скважины // Автоматизация, телемеханизация и связь в нефтяной промышленности - М.: Изд-во ВНИИОЭНГ. -№ 5.-2013.-С. 26-33.

33. Диткин В.А., Прудников А.П. Интегральные преобразования и операционное исчисление - М.: Наука, 1974. - 544 с.

34. Дэннис Дж., Шнабель Р. Численные методы безусловной оптимизации и решения нелинейных уравнений: Пер. с англ. - М.: Мир, 1988. - 440 с.

35. Евтушенко Ю.Г. Методы решения экстремальных задач и их при-

менение в системах оптимизации. - М.: Наука, 1982. - 432с.

36. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. - М.: Фазис, 2005.- 159 с.

37. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976. - 166с.

38. Закиров С.Ii., Баганова М.Н., Спиридонов A.B. Новые принципы и технологии разработки месторождений нефти и газа. - М.: Институт проблем нефти и газа РАН, 2004. - 520 с.

39. Захаров И.П., Кукуш В.Д. Теория неопределённости в измерениях: Учебное пособие. - Харьков: Консум, 2002. - 256 с.

40. И.М. Григорьев, К.А. Сидельников. Обработка кривых изменения давления на основе нечетких деревьев регрессии // Техника и технологии: роль в развитии современного общества: Материалы Международной научно-практической конференции. - Краснодар, 2013. - С. 48-52.

41. И.М. Григорьев, К.А. Сидельников, В.Е. Лялин,. Моделирование на базе методов трубок и линий тока // Вестник Удмуртского университета. Серия «Биология. Науки о Земле». - Ижевск: Изд-во УдГУ. - № 2 - 2012. - С. 109-119.

42. И.М. Григорьев. Интерпретация результатов гидродинамического исследования скважины в пластовой системе с двойной пористостью с помощью нейронной сети. Техника и технологии: роль в развитии современного общества: Материалы Международной научно-практической конференции. -Краснодар, 2013. - С. 42-47.

43. И.М. Григорьев. Идентификация модели пласта с отрицательным скин-фактором на основе нейронной сети // НПЖ «Приволжский научный вестник». - Ижевск, 2014. - С. 21-28.

44. И.М. Григорьев, В.Е. Лялин. Автоматизация получения начальных оценок параметров пласта при обработке кривой изменения давления // Труды международного симпозиума «Надежность и качество», Т. 2. - Пенза, 2014. - С. 59-63.

45. И.М. Григорьев. О целесообразности применения нечеткого логического вывода для моделирования фильтрации нефти // НПЖ «Приволжский научный вестник». - Ижевск, 2014. - С. 28-30.

46. Истомин В.А., Абдуллаев Р.В. Методы и результаты гидродинамических исследований систем внутрипромыслового сбора газа Уренгойского нефтегазоконденсатного месторождения // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2008. - № 7. - С. 24-29.

47. Истомин В.А., Типугин A.B. Контроль содержания жидкости в продукции газовых скважин // Газовая промышленность. - 2009. - № 13. - С. 9.

48. Каллан Р. Основные концепции нейронных сетей. - М.: Вильяме, 2002.-288 с.

49. Каменецкий С.Г., Кузьмин В.М., Степанов В.П. Нефтепромысловые исследования пластов. - М.: Недра, 1974. - 222 с.

50. Каневская Р.Д. Математическое моделирование гидродинамических процессов разработки месторождений углеводородов. - Москва-Ижевск: Институт компьютерных исследований, 2002. - 140 с.

51. Карнаухов М.Л., Пьянкова Е.М. Современные методы гидродинамических исследований скважин. Справочник инженера по исследованию скважин. - Вологда: Инфра-Инженерия, 2010. - 432 с.

52. Кейперс Л., Нидеррейтер Г. Равномерное распределение последовательностей. - М.: Наука, 1985. - 408 с.

53. Кокс Д., Льюис П. Статистический анализ последовательностей событий.-М.: Мир, 1969.-312 с.

54. Колмогоров А.Н. Введение в теорию вероятностей. - М.:Наука, 1982.- 160 с.

55. Кондрашов В.Е., Королев С.Б. MATLAB как система программирования научно-технических расчетов. - М: Мир, 2002. - 350 с.

56. Котяхов Ф. И. Физика нефтяных и газовых коллекторов. - М.: Недра, 1977.-287 с.

57. Кременецкий М.И., Ипатов А.И., Гуляев Д.Н. Оценки продуктивных свойств пласта и скважины по гидродинамическим исследованиям. Учебное пособие. - М.: РГУ нефти и газа, 2003. - 85 с.

58. Кричлоу Генри Б. Современная разработка нефтяных месторождений - проблемы моделирования. Пер с англ. - М.: Недра, 1979. - 303 с.

59. Круглов В.В. Адаптивные системы нечеткого вывода // журнал «Нейрокомпьютеры: разработка и применение». - 2003. - № 3. - С. 15-19.

60. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип. - М.: Горячая линия - Телеком, 2002. - 382 с.

61. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. - М.: Физматлит, 2001. - 224 с.

62. Кульпин Л.Г., Мясников Ю.А. Гидродинамические методы исследования нефтегазоводоносных пластов. - М.: Недра, 1974. - 200 с.

63. Купер Дж., Макгиллем К. Вероятностные методы анализа сигналов и систем: Пер с англ. - М.: Мир, 1989. - 376 с.

64. Курант Р., Гильберт Д. Методы математической физики, т.2. - М.-Л.: ГТТИ, 1945.-620 с.

65. Л.Н. Ясницкий. Введение в искусственный интеллект. - М.: Издательский центр «Академия», 2005. - 176 с.

66. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH. - СПб.: БХВ-Петербург, 2003. - 736с.

67. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем: Пер. с англ. - 4-е издание. - М.: Вильяме, 2003. - 864 с.

68. Лорьер Ж.-Л. Системы искусственного интеллекта. -М.: Мир, 1991. -568 с.

69. Макаров И.М. Искусственный интеллект и интеллектуальные системы управления. - М.: Наука, 2006. - 333 с.

70. И.М. Григорьев. Идентификация режимов фильтрации нефти в пласте с помощью искусственной нейронной сети // Интеллектуальные системы в

производстве - Ижевск: Издательство ИжГТУ. - №2(20) - 2012 - С. 144-149.

71. Мирзаджанзаде А.Х., Филиппов В.П.. Системные методы в нефтедобыче. Монография. 2004. - 144 с.

72. Мерков А.Б. Введение в методы статистического обучения. - М.: Едиториал УРСС, 2011. - 256 с.

73. Мирзаджанзаде А.Х., Аметов И.М., Ковалев А.Г. Физика нефтяного и газового пласта. - М.: Недра, 1992. - 271 с.

74. Мирзаджанзаде А.Х., Хасанов М.М., Бахтизин Р.Н. Моделирование процессов нефтегазодобычи. Нелинейность, неравновесность, неопределенность. - Москва-Ижевск: Институт компьютерных исследований, 2004. - 368с.

75. Мищенко И.Т. Расчеты в добыче нефти. - М.: Недра, 1989. - 245 с.

76. Нигматулин Р.И. Динамика многофазных сред. 4.2. - М.: Наука, 1987.-360 с.

77. Новак В., Перфильева И., Мочкрож И. Математические принципы нечёткой логики: Пер с англ. - М.: Физматлит, 2006. - 352с.

78. Орлов А.И. Задачи оптимизации и нечеткие переменные. - М.: Знание, 1980.-64 с.

79. Осовский С. Нейронные сети для обработки информации: Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

80. Понтрягин JI.C., Болтянский В.Г., Гамкрелидзе Р.В., Мищенко Е.Ф. Математическая теория оптимальных процессов. - М.: Физматгиз, 1961. - 372 с.

81. Потапов A.C. Технологии искусственного интеллекта. - СБп.: СПбГУ ИТМО, 2010. - 218 с.

82. Романовский П.И. Ряды Фурье. Теория поля. Аналитические и специальные функции. Преобразования Лапласа. - М.: Наука, 1980. - 336 с.

83. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польского И.Д.Рудинского. -М.: Горячая линия - Телеком, 2004. - 452 с.

84. Рутковский Л. Методы и технологии искусственного интеллекта:

Пер. с польского И. Д. Рудинского. - М.: Горячая линия - Телеком, 2010. - 520 с.

85. Савельев A.B. На пути к общей теории нейросетей. К вопросу о сложности // журнал «Нейрокомпьютеры: разработка, применение». - М.: Радиотехника, 2006. -№ 4-5. - С. 4-14.

86. Самарский A.A. Теория разностных схем. - М.: Наука, 1977. - 656 с.

87. Смолин Д.В. Введение в искусственный интеллект. - М.: Физматлит, 2004.-208 с.

88. Сидельников К.А., Исмагилов Р.Н. Формирование глобальных вектора невязки и матрицы Якоби в сетевой реализации гидродинамического си-мулятора месторождений // Информационные технологии в науке, социологии, экономике и бизнесе. Материалы 36-й междунар. конф. - Украина, Крым, Ялта-Гурзуф: прилож. к журн. «Открытое образование», 2009. - С. 123-125.

89. Слюсарев Н.И. Основы разработки нефтяных месторождений:

Учеб. пособие. - СПб.: Санкт-Петербургский государственный горный инсти-

i

тут, 2004. - 95 с.

90. Стрижов В.В., Крымова Е.А. Методы выбора регрессионных моделей. - М.: ВЦ РАН, 2010. - 60 с.

91. Стронгин Р.Г. Численные методы в многоэкстремальных задачах. -М.: Наука, 1978.-352 с.

92. Тененев В.А., Ворончак В.И. Решение задач классификации и аппроксимации с применением нечетких деревьев решений // Интеллектуальные системы в производстве. - Ижевск: Изд-во ИжГТУ, 2005. - № 2. - С. 46-69.

93. Тэрано Т., Асаи К., Сугэно М. Прикладные нечеткие системы. - М.: Мир, 1993.-368с.

94. Хайкин С. Нейронные сети: полный курс. - М.: Вильяме, 2006. - 1104 с.

95. Харин А.Ю., Харина С.Б. Гидродинамические методы исследования нефтяных скважин: Учеб. пособие. - Уфа: Изд-во УГНТУ, 2004. - 108 с.

96. Хасанов М.М., Булгакова Г.Т. Нелинейные и неравновесные эффекты в реологически сложных средах. - Москва-Ижевск: Институт компьютерных

исследований, 2003. - 288 с.

97. Хисамов Р.С., Сулейманов Э.И., Фярхуллин Р.Г.. Гидродинамические исследования скважин и методы обработки результатов измерений. - М.: ОАО «ВНИИОЭНГ», 2000. - 228 с.

98. Шагиев Р.Г. Исследование скважин по КВД. - М.: Наука, 1998. - 304 с.

99. Шашков В.Б. Обработка экспериментальных данных и построение эмпирических формул. - Оренбург: ГОУ ОГУ, 2005. - 150 с.

100. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. - М.: Горячая линия - Телеком, 2007. - 288 с.

101. ГЦелкачев В.Н. Разработка нефтеводоносных пластов при упругом режиме фильтрации. - M.-JL: Гостоптехиздат, 1959. - 467 с.

102. Элланский М.М. Использование современных достижений петро-физики и физики пласта при решении задач нефтегазовой геологии по сква-жинным данным. - М.: РГУ нефти и газа, 1999. - 111 с.

103. Эрлагер Р мл. Гидродинамические методы исследования скважин. -Москва-Ижевск: Институт компьютерных исследований, 2007. - 512 с.

104. Abate J., Whit W. A unified framework for numerically inverting Laplace transforms // INFORMS Journal on Computing. - 2006. - V. 18. - № 4. - P. 408-421.

105. Al-Kaabi A.U., Lee W.J. Using Artificial Neural Nets to Identify the Well Test Interpretation Model // SPE Formation Evaluation. - 1993. - V. 18. - № 3. -P. 233-240.

106. Allain O.F., Home R.N. Use of artificial intelligence in well-test interpretation // Journal of Petroleum Technology. - 1990. - V. 43. -№ 3. - P. 342-349.

107. Anraku Т., Home R.N. Discrimination between reservoir models in well test analysis // SPE Formation Evaluation, Stanford University. - 1995. - V. 10. - № 2. - P. 114-121.

108. Athichanagorn S. Using artificial neural network and sequential predictive probability method to mechanize interpretation of well test data: M.S. Thesis. -Stanford University, 1995.

109. Athichanagorn S., Hörne R.N. Automatic Parameter Estimation from Well Test Data Using Artificial Neural Network // SPE Annual Technical Conference & Exhibition, Dallas, TX, October 22-25, 1995.

110. Bates D.M., Watts D.G. Nonlinear Regression Analysis and Its Applications. - New York: Wiley, 1988.-371 p.

111. Bourdet D. Well test analysis: the use of advanced interpretation models. -Paris, France.: Elsevier, 2002. -439 p.

112. Ershaghi I., Li X., Hassibi M. A Robust Neural Network Model for Pattern Recognition of Pressure Transient Test Data // SPE Annual Technical Conference and Exhibition. - Houston, October 1993.

113. Hörne R.N. Modem well test analysis: a computer-aided approach. - 4th printing. - Palo Alto: Petroway, 1990 - 183 p.

114. Jang J.-S.R., Sun C.-T. Mizutani E. Neuro-fuzzy and soft computing. -New Jersey: Prentice-Hall, 1997. - 640 p.

115. Johansen, T.A. Robust identification of Takagi-Sugeno-Kang fuzzy models using regularization // Fifth IEEE International Conference on Fuzzy Systems.-New Orleans, 1996.-V. 2-P. 180-193.

116. Padmanabhan, L. WELLTEST - A program for computer-aided analysis of pressure transient data from well tests // SPE Annual Technical Conference and Exhibition - Las Vegas, 1979.

117. Padmanabhan, L. Woo P.T., A new approach to parameter estimation in Well Testing // SPE Symposium on Reservoir Simulation - Los Angeles, 1976.

118. Seber G.A., Wild C.J. Nonlinear Regression. - New York: Wiley, 1989. - 800 p.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.