Оперативное регулирование разработки залежей нефти методами нейросетевого моделирования тема диссертации и автореферата по ВАК РФ 25.00.17, кандидат технических наук Варламов, Денис Иванович

• Варламов, Денис Иванович
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Варламов, Денис Иванович

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.:.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ НАУКИ В ОБЛАСТИ ГЕОЛОГО-ТЕХНОЛОГИЧЕСКОГО ОБОСНОВАНИЯ И СОВЕРШЕНСТВОВАНИЯ СИСТЕМ РАЗРАБОТКИ В СЛОЖНЫХ

ГЕОЛОГО-ФИЗИЧЕСКИХ УСЛОВИЯХ.

ГЛАВА 2. ГЕОЛОГИЯ, РАЗРАБОТКА И СТРУКТУРА ЗАПАСОВ НЕФТИ ОБЪЕКТОВ РАЗРАБОТКИ РЕСПУБЛИКИ

БАШКОРТОСТАН И ЮГА ПЕРМСКОГО КРАЯ.

2.1 Геологическое строение и характеристика структуры запасов нефти республики Башкортостан.

Стратиграфия.

Тектоника.

Нефтегазоносность.

2.2. Анализ общей структуры запасов нефти.

2.3 Дифференцированный анализ структуры и выработки запасов нефти карбонатных продуктивных объектов.

ГЛАВА 3. ГЕОЛОГИЧЕСКОЕ СТРОЕНИЕ И РАЗРАБОТКА ПРОДУКТИВНЫХ ПЛАСТОВ БАШКИРСКОГО ЯРУСА КРАСНОЯРСКО-КУЕДИНСКОГО МЕСТОРОЖДЕНИЯ.

3.1. Физико-географическая характеристика.

3.2. Тектоника.

3.3. Физико-гидродинамическая характеристика коллекторов.

3.4. Литолого-физическая характеристика пластов.

3.5. Свойства нефти, газа и воды.

Сведения о запасах нефти.

3.6. Анализ текущего состояния разработки и выработки запасов нефти.

ГЛАВА 4. ОПЕРАТИВНОЕ РЕГУЛИРОВНАИЕ СИСТЕМ РАЗРАБОТКИ ЗАЛЕЖЕЙ НЕФТИ МЕТОДАМИ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ

4.1 Введение в нейронные сети.

4.2 Построение и обучение ИНС.

4.3 Регулирование системы разработки на участках, характеризующихся низкой эффективностью процесса нефтеизвлечения.

4.4. Методические аспекты применения искусственных нейронных сетей для прогнозирования в нефтедобыче.

Введение диссертации (часть автореферата) на тему «Оперативное регулирование разработки залежей нефти методами нейросетевого моделирования»

Развитие нефтяной промышленности России в последние годы происходит на фоне заметного ухудшения структуры запасов нефти, что в основном связано со значительной выработкой многих уникальных и крупных высокопродуктивных месторождений и их высоким обводнением, а также открытием и вводом в разработку месторождений с трудноизвлекаемыми запасами (ТрИЗ), приуроченными к коллекторам с высокой степенью геологической неоднородности, карбонатным породам со сложным характером пустотного пространства, газонефтяным залежам, залежам с высоковязкими нефтями и аномальными условиями залегания.

Все устойчивее проявляет себя тенденция увеличения доли запасов нефти в низкопроницаемых коллекторах, с неблагоприятными геолого-физическими условиями. Другой особенностью современного этапа является все возрастающий объем запасов, находящихся на поздней стадии разработки, с резким изменением их структуры. Выработанность активных запасов достигла 65%, трудноизвлекаемых - 23%. По отдельным регионам обводненность превышает 90%.

В связи с этим проблема рациональной разработки заводненных объектов, находящихся на III и IV стадиях разработки, является одной из самых актуальных задач, от решения которой зависит стабилизация уровней добычи нефти, а возможно и их увеличение.

Исходя из степени влияния различных факторов на конечную нефтеотдачу, в условиях увеличения доли трудноизвлекаемых запасов, а также дороговизной и малой изученностью третичных методов воздействия, основным направлением работ по повышению текущей и конечной нефтеотдачи и эффективности разработки видится оптимизация основных технологических факторов вторичных методов воздействия: плотности сетки скважин, системы их размещения, и реализуемой системы воздействия.

В работе рассматривается возможность использования современных интеллектуальных систем на основе искусственных нейронных сетей для решения прикладных задач в области совершенствования методических подходов обоснования и оптимизации систем разработки и воздействия в сложных геолого-физических условиях.

В нефтегазодобыче основной целью является рациональное использование запасов углеводородов. При этом основными критериями рациональности выступают коэффициент извлечения запасов и соответствующие ему экономические затраты. В условиях ухудшения структуры ресурсной базы остро встает вопрос повышения точности обоснования и совершенствования систем и методов воздействия с целью увеличения нефтеотдачи и улучшения экономических показателей разработки, в первую очередь, на объектах, находящихся на поздней стадии разработки.

К настоящему времени накоплен значительный по объему материал, как геолого-физических параметров пластовых систем и их разработки, так и применения различных методов увеличения нефтеотдачи (МУН), позволяющий проводить геолого-промысловый анализ объектов разработки, идентификацию по совокупности факторов и прогнозирование показателей их эксплуатации. Для этих целей широко применяются в достаточной степени формализованные инструменты распознавания образов и статистического анализа (МГК, дисперсионный, регрессионный, корреляционный). Однако указанные методы характеризуются наличием определенных ограничений и, нередко, значительными погрешностями в результатах.

В данном случае была предпринята попытка оценки возможности и эффективности применения моделей на основе искусственных нейронных сетей в прогнозировании конечного коэффициента извлечения нефти и регулировании системы разработки залежей нефти.

Цель работы.

Разработка методических приемов в области прогнозирования и оперативного регулирования систем разработки залежей нефти в сложных геолого-физических условиях с использованием средств интеллектуальной обработки информации на основе искусственных нейронных сетей (ИНС).

Основные задачи исследований:

1. Анализ современных представлений в области совершенствования систем разработки и методов прогнозирования конечной нефтеотдачи объектов нефтедобычи, находящихся в сложных геолого-физических условиях.

2. Классификация объектов разработки, приуроченных к карбонатным отложениям Башкортостана и юга Пермского края. Анализ структуры геологических и извлекаемых запасов по выделенным группам объектов, характера их распределения, и оценка степени их выработки. Выделение типичных объектов для дальнейших исследований.

3. На основе геолого-промыслового анализа разработки типичных объектов оценить степень влияния различных геолого-физических и технологических факторов на конечную нефтеотдачу и на эффективность реализуемой системы разработки.

4. Разработать методику и создать модель оперативного регулирования процесса разработки с использованием средств интеллектуальной обработки информации на основе искусственных нейронных сетей.

Методы решения поставленных задач

При решении поставленных задач использованы методы геолого-промыслового анализа и математической статистики, а также новейшие методы с использованием искусственных интеллектуальных систем на основе нейронных сетей.

Научная новизна работы.

1. Впервые проведена классификация объектов нефтедобычи, приуроченных к карбонатным коллекторам Башкортостана и юга Пермского края, с использованием ИНС. ,

Установлена структура геологических и извлекаемых запасов, характер их распределения и степень выработки дифференцированно по литологическому и стратиграфическому признакам.

2. На основе нейросетевого моделирования разработана методика, с помощью которой проведена оценка влияния геолого-технологических факторов на нефтеотдачу и эффективность применяемых систем разработки.

Установлено возрастающее влияние на конечный КИН и эффективность выработки запасов нефти технологических факторов при увеличении геолого-физической неоднородности пластов.

3. Формализована методика применения нейросетевого моделирования и получена модель для оперативного регулирования систем разработки объектов нефтедобычи, позволяющая существенно повысить точность прогнозирования конечного коэффициента извлечения нефти.

Основные защищаемые положения.

1. Классификация объектов разработки, приуроченных к карбонатным отложениям Башкортостана и юга Пермского края, выполненная на основе нейросетевого моделирования. Структура геологических и извлекаемых запасов нефти рассматриваемого региона, характер их распределения и степень выработки дифференцированно по литологическому и стратиграфическому признакам.

2. Методика оценки влияния геолого-технологических факторов на конечный коэффициент извлечения нефти и эффективность выработки запасов с использованием нейросетевого моделирования.

3. Методика оперативного регулирования систем разработки с применением системы искусственного интеллекта на основе нейронных сетей.

Достоверность полученных результатов достигается путем обработки большого массива геолого-физических и промысловых данных, методической составляющей нейросетевого моделирования, а так же хорошей сходимостью результатов расчетов на нейросетевой и гидродинамической моделях.

Практическая ценность работы.

На основе разработанной автором методики был выполнен комплекс расчетов, позволивший рекомендовать мероприятия, направленные на совершенствование системы разработки залежей нефти башкирского яруса одного из месторождений юга Пермского края, при составлении проекта разработки которого (на этапе гидродинамических расчетов) были учтены рекомендации по увеличению плотности сетки скважин, их размещению и активизации системы воздействия, что позволило существенно повысить степень достоверности и надежности прогнозирования при одновременном сокращении затрат времени и средств на проведение исследований.

Апробация работы.

Материалы диссертационной работы представлялись на: VI конгрессе нефтепромышленников России «Проблемы освоения трудноизвлекаемых запасов углеводородов», Уфа-2005; всероссийской научно-практической конференции «Большая нефть XXI века» - (АГНИ) Альметьевск-2006; 6-й международной конференции «Химия нефти и газа» - Институт химии нефти СО РАН, Томск-2006; научно-практической конференции «Энергоэффективность. Проблемы и решения» - ГУП ИПТЭР, Уфа-2006; научно-практической конференции «Проблемы и методы обеспечения надёжности и безопасности систем транспорта нефти, нефтепродуктов и газа» - ГУП ИПТЭР, Уфа-2008.

Публикация результатов исследования.

По теме диссертации опубликовано 10 печатных работ, одна из которых опубликована без соавторов, 2 статьи опубликованы в изданиях,1 входящих в перечень ВАК. В работах, опубликованных в соавторстве, соискателю принадлежат постановка задачи, участие в исследованиях, обобщение и анализ полученных результатов.

СОДЕРЖАНИЕ РАБОТЫ

Диссертация состоит из введения, четырех глав и заключения. Список использованной литературы включает 60 наименований. Текст изложен на 125 страницах, содержит 38 рисунков и 13 таблиц.

Заключение диссертации по теме «Разработка и эксплуатация нефтяных и газовых месторождений», Варламов, Денис Иванович

Выход

Рисунок 35 - Принципиальная схема моделирования при помощи ИНС

Для создания нейронной сети используется следующая команда: newff=(minmax(p),[7,4,l],{'tcinsig', 'tansig', 'purelin'}, traingdm)» - где первая часть устанавливает количество слоев и нейронов в скрытых и выходном слоях, вторая — указывает функцию активации для нейронов . соответствующего слоя, и третья - алгоритм обучения.

После этого необходимо установить исходные параметры, влияющие на процесс обучения: «epochs» — обозначает количество раз (эпох) предъявления на вход сети массива обучающей выборки, «goal» — устанавливает минимальную среднеквадратическую ошибку, после достижения которой обучение останавливается, «time» - устанавливает время обучения, «mingrad» — устанавливает минимально допустимую величину градиента. Эти параметры устанавливают условия остановки (прекращения) обучения. Параметр «1г» — устанавливает величину изменения весовых коэффициентов и биасов (скорости обучения), чем больше его значение, тем больше шаг изменения и скорость обучения сети (при этом алгоритм может потерять устойчивость), чем меньше его значение, тем больше времени потребуется на обучение сети. Параметр «тс» позволяет учесть при смене весовых коэффициентов предыдущее их изменение и текущее значение градиента, при этом позволяет «перепрыгнуть» локальные минимумы на поверхности ошибки и, в итоге, избежать переобучения сети.

В данном примере значения рассмотренных параметров следующие: «epochs» - 10; «1г» - 0,07, «тс» - 0,7.

Процесс обучения сети выглядит следующим образом. После создания сети и установки необходимых параметров на вход сети подается массив обучающей выборки (ОВ) определенное количество раз, равное установленному в параметре «epochs», после чего обучение останавливается. Далее осуществляется проверка обобщающей способности сети посредством предъявления на ее вход массива тестовой выборки (ТВ) и сравнения результатов прогноза сети по ТВ и ОВ. После чего обучение сети продолжается пока не будет достигнут максимально возможный уровень точности прогноза по обеим выборкам. Динамика процесса обучения созданной сети представлена в табл. 9.

ЗАКЛЮЧЕНИЕ

В настоящее время неоспорим значительный потенциал карбонатных коллекторов как источников добычи нефти, как вновь вводимых в разработку месторождений, так и уже разрабатываемых длительное время по мере истощения запасов основных объектов эксплуатации, приуроченных к терригенным коллекторам с относительно лучшей геолого-физической характеристикой. При этом основные трудности поддержания стабильных уровней добычи нефти связаны со значительной выработкой многих крупных месторождений, находящихся на заключительных стадиях разработки, характеризующихся высоким обводнением добываемой продукции.

В этой связи актуальными становятся вопросы совершенствования систем разработки объектов нефтедобычи, приуроченных к карбонатным коллекторам, характеризующихся высокой геолого-физической неоднородностью. Решение этих проблем требует всестороннего изучения данных объектов, систематизации и обобщения накопленного к настоящему времени геолого-промыслового опыта, применения новых методов при прогнозировании и контроле за разработкой таких объектов.

Математический аппарат представляет ученым широчайший спектр методов прогноза при контроле за разработкой: от достаточно приближенных экстраполяционных методов, и более совершенных методов многофакторного анализа, до современных методов многомерного многофазного численного моделирования. Первые являются достаточно простыми в обращении и требуют небольшой объем исходной информации для проведения расчетов, при этом характеризуются невысокой точностью, последние, напротив, характеризуются максимальной точностью прогноза, однако требуют наличия большого объема различных данных, что не всегда возможно. К тому же, расчеты на таких моделях требуют значительных временных затрат, которые возрастают пропорционально количеству рассматриваемых вариантов.

В этой связи необходимо применение таких методов прогноза, которые объединяют в себе достоинства описанных методов: относительная простота использования и высокая прогнозная и обобщающая способность при минимизации временных затрат на их реализацию.

Одним из таких методов является метод интеллектуальной обработки информации на основе нейронных сетей, который позволяет исключить многие недостатки широко применяемого на сегодняшний день метода линейной регрессии: отклонение линейной регрессии от реальности по мере удаления от средних значений параметров, по которым она строилась, ее односторонность, невозможность формирования репрезентативной выборки данных, отвечающей основополагающим принципам статистического анализа, обеспечение полной независимости параметров и показателей, принципа репликации и рандомизации.

Предлагаемая методика позволяет решить комплексную задачу по регулированию системы разработки объектов нефтедобычи, находящихся в сложных геолого-физических условиях, начиная со сбора и анализа исходных данных, и заканчивая прогнозом конечного коэффициента извлечения нефти при вариации технологических показателей, характеризующих систему разработки. При этом обеспечивается высокий уровень прогноза и обобщающая способность модели.

Современные ИНС имеют ценные свойства: обучаемость, способность к обобщению, способность к абстрагированию. Свойство сети обучаться на примерах делает их более привлекательными по сравнению с системами, следующим определенной системе правил функционирования, сформулированной экспертами.

В последние годы ИНС находят широкое применение для решения прикладных задач в различных областях науки благодаря появлению мощных пакетов математического моделирования

Перечень некоторых проблем, решаемых в контексте ИНС и представляющих интерес для ученых и инженеров: классификация образов, кластеризация/категоризация, аппроксимация функций, прогнозирование, оптимизация, ассоциативная память, управление. Еще одна область применения ИНС — это производство полуэмпирических знаний из таблиц данных с помощью приведения ИНС к «логически прозрачному виду».

Сдерживающим фактором широкого внедрения ИНС является недостаточная методическая формализация для решения конкретных задач, и существование спорных вопросов при проектировании ИНС. Следует подчеркнуть, что решение конкретных прикладных задач с помощью ИНС на данном этапе развития систем искусственного интеллекта не только возможно, но и необходимо для дальнейшего совершенствования методических подходов в постановке задачи, выборе типа архитектуры сети, ее обучении и интерпретации полученных результатов.

С развитием фундаментальной науки появляются качественно новые инструменты, использование которых для решения задач прикладных наук способствует их дальнейшему совершенствованию, выявлению необходимых методических подходов, повышению качества и достоверности получаемых результатов. Развитие ИНС вызвало немало энтузиазма и критики. Некоторые исследования оказались успешными, другие — нет. Методы решения определенных задач пока недостаточно формализованы. Выбор лучшей технологии должен диктоваться природой задачи. Нужно понять возможности, предпосылки и область применения различных подходов и максимально использовать их дополнительные преимущества для дальнейшего развития интеллектуальных систем. Взаимодействие и совместные работы в области прикладного применения ИНС позволят не только избежать повторений, но и стимулируют и придают новые качества развитию отдельных направлений.

Список литературы диссертационного исследования кандидат технических наук Варламов, Денис Иванович, 2008 год

1. Викторин В. Д. Влияние особенностей карбонатных коллекторов на эффективность разработки нефтяных залежей. М.: Недра, 1988 - 160 с.

2. Викторин В. Д., Лыков Н. А. Разработка нефтяных месторождений, приуроченных к карбонатным коллекторам. М.: Недра, 1980 - 203 с.

3. Ханин И. Л., Палий В. Е., Гавура В. Е. Эффективность разработки литологически неоднородных коллекторов нефтяных месторождений Куйбышевского Поволжья. Куйбышев, Куйбышевское книжн. Изд-во, 1974.

4. Токарев М. А. Комплексный геолого-промысловый контроль за текущей нефтеотдачей при вытеснении нефти водой. М.: Недра, 1990 - 267 с.

5. Газизов А. А. Увеличение нефтеотдачи неоднородных пластов на поздней стадии разработки. М.: ООО «Недра-Бизнесцентр», 2002 -639 с.

6. Справочник по нефтепромысловой геологии. Н. Е. Быков, А. Я. Фурсов, М. И. Максимов и др. М.: Недра, 1981.

7. Мирзаджанзаде А. X., Степанова Г. С. Математическая теория эксперимета в добыче нефти и газа. — М.: Недра, 1983

8. Гомзиков В. К. Методы определения проектного коэффициента нефтеотдачи на основе аналогии геолого-промысловых условий разработки. — В кн.: Справочник по нефтепромысловой геологии. М.: Недра, 1981

9. Закиров С. Н. Анализ проблемы «Плотность сетки скважин — нефтеотдача. М.: Издательский дом «Грааль», 2002 - 314 с.

10. Сургучев М. Л. Вторичные и третичные методы увеличения нефтеотдачи пластов. М.: Недра, 1985

11. Гавура В. Е. Геология и разработка нефтяных и нефтегазовых месторождений. М.: ВНИИОЭНГ, 1995 - 495 с.

12. Шустеф И. Н., Четыркин А. И. Влияние давления нагнетания на обводнение скважин в порово-трещиноватых коллекторах. Нефтяное хозяйство, 1972, №3, с. 41-45.

13. Крылов А. Н., Алексеев А. М., Гужновский Л. П., Чудновский Г. Л. Моделирование развития и размещения нефтяной промышленности. -М.: Недра, 1981

14. Рабочая книга по прогнозированию./ Отв. Ред. В. И. Бестужев-Лада. -М.: Мысль, 1982

15. Мандрик И. Э., Шахвердиев А. X., Сулейманов И. В. Оценка и прогноз нефтеотдачи на основе моделирования нейронными сетями. — Нефтяное хозяйство, 2005, №10, с. 31-34

16. Борисов Ю. П., Войнов В. В., Рябинина 3. К. Влияние неоднородности пластов на разработку нефтяных месторождений. М.: Недра, 1970 -288 с.

17. Ключарев В. С., Зубик И. Л. Определение потерь нефти в неоднородных пластах в зависимости от плотности размещения скважин. Нефтяное хозяйство, 1964, №7, с. 34-38

18. Мелик-Пашев В. С. Определение плотности сетки скважин на различных стадиях разработки нефтяных залежей. Нефтяное хозяйство, 1975, №10, с. 29-31

19. Сатаров М. М., Кузилов И. А. Выбор оптимальной плотности сетки скважин при разработке нефтяных месторождений. Уфа: Башк. книжн. изд., 1966 - 96 с.

20. Ованесов Г. П., Золоев М. Т., Кобелева В. А. Состояние и перспективы разработки Туймазинского месторождения. Сб. Опыт разработки нефтяных и газовых месторождений. Гостоптехиздат, 1963, с. 42-49

21. Баишев Б. Т. Функция распределения проницаемости и учет неоднородности пласта при проектировании разработки нефтяных месторождений. — Труды ВНИИнефть, вып. XXVIII, Гостоптехиздат, 1960, с. 39-66

22. Некрасов В.И., Инюшин Н.В., Ленфрид А.В. и др. Анализ эффективности систем воздействия с применением методов увеличения нефтеотдачи. Нефтепромысловое дело, 2004, №4, с.

23. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. М.: Горячая линия - Телеком, 2003

24. Anil K/Jain, Jainchang Мао, К.М. Mohiuddin Artificial Neural Networks: A Tuturial, Computer, Vol.29, №3, March/1996, pp. 31-44

25. Царегородцев В.Г. Производство полуэмпирических знаний из таблиц данных с помощью обучаемых искусственных нейронных сетей. -Методы нейроинформатики под ред. Горбаня А.Н. Красноярск: КГТУ, 1998

26. Заенцев И. В. Нейронные сети: основные модели., Учеб. пособ. Воронеж: Воронежский государственный университет, 1999

27. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей. Сибирский журнал вычислительной математики, 1998, Т.1, №1. с. 12-24

28. Джафаров И.С., Боксерман А.А., Рожков Г.В. Ресурсная база и развитие нефтедобычи в России. СПб.: Недра, 2005 - 200 с.

29. Горбань А.Н. Нейронные сети на персональном компьютере. -Новосибирск: Наука, 1996

30. Howard Demuth, Mark Beale, Martin Hagan Neural Network Toolbox. -User's Guide Version 5, 2006

31. Дубровин В. И., Субботин С. А. Алгоритм ускоренного обучения персептронов.- «Нейроинформатика 2002» / Львов: Запорожский национальный технический университет, 2002

32. Вороновский Г.К., Махотило К.В., ПетрашевС.Н., Сергеев С.А. Генетичские алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Харьков: «Основа», 1997 - 107 с.

33. Тюменцев Ю.В. Интеллектуальные автономные системы вызов информационным технологиям. — М.: Московский авиационный институт им. С. Орджоникидзе, 2002

34. Kevin Swingler Applying Neural Networks. A practical Guide, (перевод Ю.П. Маслобоева), Academic Press, .

35. Круглов B.B., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. http://neuroschool.narod.ru

36. Крисилов В.А., Олешко Д.Н., Трутнев А.В. Применение нейронных сетей в задачах интеллектуального анализа информации. Труды Одесского политехнического университета, Вып.2 (8). 1999, с. 134

37. Крисилов В.А., Чумичкин К.В., Кондратюк А.В. Представление исходных данных в задачах нейросетевого прогнозирования. -http://neuroschool.narod.ru

38. Жуков JI.A. Использование нейросетевых технологий для проведения учебно-исследовательских работ Методы нейроинформатики под ред. Горбаня А.Н. - Красноярск: КГТУ, 1998

39. Сенашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов. Методы нейроинформатики под ред. Горбаня А.Н. - Красноярск: КГТУ, 1998

40. Крисилов В.А., Чумичкин К.В., Кондратюк А.В. Преобразование входных данных нейросети с целью улучшения их различимости. -http://neuroschool.narod.ru

41. Питенко А.А. Использование нейросетевых технологий при решении аналитических задач в ГИС. Методы нейроинформатики под ред. Горбаня А.Н. - Красноярск: КГТУ, 1998

42. Тарасенко Р.А. Крисилов В.А. Выбор размера описания ситуации при формировании обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Труды Одесского политехнического университетата, Вып. 1. 2001 - с. 87-90

43. Тарасенко Р.А. Крисилов В.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов. Труды Одесского политехнического университетата, Вып. 1. 2001 - с. 90-93

44. Крисилов В.А., Олешко Д.Н., Лобода А.В. Методы ускорения нейронных сетей. Вестник СевГТУ. Информатика, электроника, связь, Вып. 32, 2001 - с. 19

45. Пересчет запасов нефти и газа Красноярско-Куединского месторождения/ Рук. темы Хайрединов Н.Ш. отчет ООО НПФ «Нефтегазразработка», г.Уфа. 2004г.

46. Закиров Э.С.: Трехмерные многофазные задачи прогнозирования, анализа и регулирования разработки месторождений нефти и газа. -М: Изд. Грааль, 2001, 302 с.

47. Абдулин Ф. С., Тарко Я. Б. Влияние трещиноватости проективных пород на заводнение месторождения Узень. // Нефт. хоз., № 8, 1980, с. 39-43.

48. Абдудмазигов Р. Г., Емельянова Г. Г., Гавура В. Е., Муслимов P. X., Полуян И.Х. Оценка потерь нефти от разрежения сетки скважин. // Нефт. хоз., № 3,1989, с. 21-24.

49. Абызбаев И. И., Леви Б. И. Повышение эффективности разработки водонефтяных зон нефтяных месторождений платформенного типа; -М: Изд. ВНИИОЭНГ, 1979, 48 с.

50. Абызбаев И. И., Насыров Г. Г. О факторах, влияющих на нефтеотдачу водонефтяных зон. // Геология нефти и газа, № 2, 1975, с, 60-63.

51. Аширов К. Б. О принципах рациональной разработки нефтяных месторождений. //Нефт. хоз., № 10, 1980, с. 33-36.

52. Аширов К.Б. Трещиноватость коллекторов месторождений Куйбышевского Поволжья. // Тр. Гипровостокнефть, вып. №3, Гостоптехиздат, 1961,с. 3-20.

53. Аширов К. Б., Боргест Т. М., Анисимов П. А. О необходимости внедрения новых технологий разработки залежей углеводородов. // Геол., геофиз. и разр. нефт. месторождений, №12,1997, с. 13-17.

54. Бадьянов В. А., Батурин Ю. Е., Ефремов Е. П., Пономарева И. А., Праведников Н.К. Совершенствование систем разработки месторождений Западной Сибири. Свердловск, Сред.-Урал. книж. изд., 1975,175 с.

55. Базив В.Ф., Лисовскии Н.Н. Вопросы отбора жидкости при разработке нефтяных месторождений. // Сб. Проектирование и разработка нефтяных месторождений. Материалы науч-практ. конфер, (г. Москва, ЦКР, 6-8 апр. 1999 г.), Изд. ВНИИОЭНГ, 1999г. с. 67-84.

56. Баймухаметов К. С., Викторов П.Ф., Гайнуллин К.Х. Лозин Е.В., Тимашев Э.М. Сравнительный анализ разработки нефтяных месторождений Башкортостана // Материалы совещания в г. Альметьевске, сент. 1995. Изд. ВНИИОНГ, 1996, с. 104-116.