СПОСОБ НЕЙРОСЕТЕВОГО АНАЛИЗА ДАННЫХ ТЕЛЕМЕТРИИ ПО ФОНДУ СКВАЖИН Российский патент 2015 года по МПК G06F17/00 

Способ нейросетевого анализа данных телеметрии по фонду скважин относится к нефтедобывающей отрасли, а именно к способам мониторинга процессов добычи и поддержания пластового давления (ППД) на основе обработки данных телеметрии нейросетевым алгоритмом с целью обнаружения явления взаимовлияния скважин. Техническим результатом является появление нового способа выявления взаимовлияния скважин на основе нейросетевого анализа данных о расходах жидкости на добывающих скважинах и скважинах системы ППД.

Изобретение относится к технологиям нефтедобычи, а именно к способам мониторинга процессов добычи и поддержания пластового давления на основе обработки данных телеметрии нейросетевым алгоритмом.

В качестве прототипа выбран близкий по способу применения самоорганизующихся карт Кохонена к анализу информации «Способ нейросетевого анализа состояния сердца» (патент РФ на изобретение №2461877) [1]. По аналогии с указанным способом производится создание выборки m n-размерных векторов, где в виде справочной информации представляются среднесуточные замеры расхода жидкости на скважинах. Эта информация поступает на вход самообучающейся карты Кохонена. Производится обучение, после чего, в отличие от указанного способа [1], производится определение близости каждого входного вектора исходных данных к узлам полученной сети. Т.к. есть однозначное соответствие между номером скважины и вектором ее замеров, то номера скважин располагаются на узлах карты Кохонена в соответствии с похожестью их замеров. В результате отображения номеров скважин на карте Кохонена аналитик делает выводы о возможном эффекте взаимовлияния соответствующих скважин.

Способ нейросетевого анализа данных телеметрии по фонду скважин, заключающийся в том, что данные о расходе жидкости на скважинах регистрируют, осуществляют предварительную обработку и представляют их в виде n-размерных векторов, создают m n-размерных векторов справочной информации, служащей входными данными для нейросетевого алгоритма и характеризующей состояния скважин за определенный временной период, сравнивают n-размерные вектора расходов с созданным в результате обучения множеством узлов самоорганизующейся карты Кохонена, отличается тем, что исходное множество m n-размерных векторов служит в качестве входных данных для алгоритма самообучения карты Кохонена и данных для определения принадлежности номера скважины к узлу обученной карты Кохонена, а результат отображения номеров скважин на узлах карты Кохонена служит обнаружению явлений взаимовлияния и интерференции скважин.

Способ содержит этапы, на которых осуществляется сбор информации о расходах жидкости (объемы закачки ППД и объемы добычи) с систем нефтепромысловой телеметрии, усреднение данных о расходах до среднесуточных, формирование обучающей выборки из m n-размерных векторов ежесуточных замеров расхода для каждой скважины s₁…s_m: $$s_1=\left(q_1^1,q_2^1,\dots ,q_n^1\right)$$ , …, $$s_m=\left(q_1^m,q_2^m,\dots ,q_n^m\right)$$ , где $$q_i^j$$ - i-й замер расхода на скважине номеру. Полученные вектора служат входными данными для нейросетевого алгоритма самоорганизующейся карты Кохонена [2]. После процесса самообучения производится распределение номеров скважин 1…m в соответствии с наибольшим соответствием векторов замеров расхода (вектор веса узла на карте менее всего отличается от наблюдения) узлам на карте. В итоге получают следующее соответствие: чем ближе номера скважин на узлах карты, тем более схожи результаты замеров в векторах, тем больший эффект взаимовлияния испытывают скважины.

На фигуре 1 приведен алгоритм способа обнаружения явлений интерференции и взаимовлияния нефтяных скважин по данным телеметрии на основе применения нейросетевых алгоритмов.

Самоорганизующаяся карта состоит из компонентов, называемых узлами или нейронами. Их количество задается аналитиком. Каждый из узлов описывается двумя векторами: вектор веса m, имеющий такую же размерность, что и входные данные; вектор r, представляющий собой координаты узла на карте. Обычно узлы располагают в вершинах регулярной решетки с квадратными или шестиугольными ячейками.

Изначально известна размерность входных данных, по которой строится первоначальный вариант карты. В процессе обучения векторы веса узлов приближаются к входным данным. Для каждого наблюдения выбирается наиболее похожий по вектору веса узел, и значение его вектора веса приближается к наблюдению. Также к наблюдению приближаются векторы веса нескольких узлов, расположенных рядом, таким образом, если во множестве входных данных два наблюдения были схожи, на карте им будут соответствовать близкие узлы. Циклический процесс обучения, перебирающий входные данные, заканчивается по достижении картой допустимой (заранее заданной аналитиком) погрешности или по совершении заданного количества итераций. Алгоритм самообучения подробным образом описан в [2].

Особенностью технологического процесса добычи нефти является гидродинамическое взаимовлияние (интерференция) скважин, когда изменение режима работы (дебита и забойного давления) одной скважины влечет за собой изменение режимов работы других скважин. Учет этого фактора имеет важное значение в выборе рациональных режимов эксплуатации скважин и увеличения эффективности разработки месторождений.

Техническим результатом необходимо считать появление нового вида информации, синтезируемой при обработке данных телеметрии, которая позволяет обнаружить явления интерференции и взаимовлияния скважин в процессе эксплуатации нефтяных месторождений. Способ включает в себя сбор информации о среднесуточных расходах жидкости (дебитах с добывающих и объемах закачки со скважин поддержания пластового давления) с систем телеметрии скважин, вовлеченных в наблюдение на ограниченных пространственно нефтепромыслах, организацию этой информации в пригодные для обработки формы, обработку данных с применением нейросетевого метода, вывод результатов обработки в пригодном для анализа человеком виде.

Исходными данными для проведения идентификации являются значения замеров о расходе жидкости на добывающих и скважинах поддержания пластового давления (ППД), расположенных на определенной площади, так что их условно можно считать гидродинамически взаимосвязанными.

Пусть в наблюдении имеется m скважин, для каждой из которых совместно произведено n ежесуточных замеров параметра расход q, т.е. в наличии имеются вектора:

$$s_1=\left(q_1^1,q_2^1,\dots ,q_n^1\right)$$ , …, $$s_m=\left(q_1^m,q_2^m,\dots ,q_n^m\right)$$ .

Ввиду того что процессы массопереноса и перераспределения давления в пластовых условиях занимают достаточное время и не происходят мгновенно, то при увеличении расхода на возмущающей скважине ППД, отклик от этого возмущения по тому же параметру обнаружится на близлежащих добывающих скважинах с запаздыванием. Условно, если скважины s₁…s_m расположены в одну линию, s₁ - возмущающая скважина, а остальные - наблюдательные добывающие, то приращение факторов $$q_j^i$$ будет происходить по принципу: чем больше значение i, тем больше значение j, при котором фактор получает приращение. В обратном случае наблюдается инерционность затухания возмущения, процесс которой происходит по тому же принципу. Этот факт позволяет рассматривать s₁…s_m с точки зрения объектов, обладающих указанными свойствами $$q_j^i$$ , и решать задачу поиска сходства объектов по указанным факторам.

Задачей идентификации является нахождение наиболее схожих объектов по наборам сигналов-факторов, кластеризация их в группы по схожим признакам, выявленным путем статистической обработки результатов замеров. Кластеры могут иметь пересечения, чем дальше по метрике одна группа отстоит от другой, тем меньше схожесть, а в проекции на технологический процесс - меньше взаимовлияние. Процесс кластеризации будем производить в евклидовом пространстве на плоскости, который схематично можно представить в следующем виде (фигура 2).

На схеме показано, как на примере замеров расхода с девяти скважин произведена кластеризация их по «схожести» на плоскости с гексагональным расположением ячеек. В результате кластеризации скважины, наиболее схожие по параметрам процесса, располагаются на схеме ближе друг к другу. Группы скважин соседствуют с другими группами, с которыми так же просматривается определенная статистическая связь. Чем дальше скважина расположена от другой на результирующей схеме, тем меньше сходства по указанным факторам они имеют.

Для кластеризации в нашем способе применена методика самоорганизующихся карт Кохонена, представляющих собой соревновательные нейронные сети с обучением без учителя и выполняющих задачи визуализации и кластеризации.

Организуется база данных архивного хранения данных телеметрии о расходах жидкости на скважинах. В автоматизированной системе, посредством организованного интерфейса, производится выбор скважин и временного интервала наблюдения. В результате предварительной обработки данных организуется матрица, состоящая из векторов, содержащих значения среднесуточных замеров:

$$s_1=\left(q_1^1,q_2^1,\dots ,q_n^1\right)$$ , …, $$s_m=\left(q_1^m,q_2^m,\dots ,q_n^m\right)$$ .

Матрица служит входными данными для алгоритма, реализующего кластеризацию по методу самоорганизующихся карт Кохонена. Результаты работы алгоритма выводятся на экран оператора в гексагональном и представлении в виде тепловых карт, которые в дальнейшем служат для анализа на предмет обнаружения явлений взаимовлияния и интерференции.

Источники информации

1. Патент РФ №2461877. Способ нейросетевого анализа состояния сердца /Бодин О.Н., Волкова Н.А., Логинов Д.С., Рябчиков Р.В., Фунтиков В.А.

2. Kohonen, Т., Self-Organizing Maps, Second Edition, Berlin: Springer - Verlag, 1997.

Изобретение относится к технологиям нефтедобычи, а именно к способам мониторинга процессов добычи и поддержания пластового давления на основе обработки данных телеметрии нейросетевым алгоритмом. Предложен способ нейросетевого анализа данных телеметрии по фонду скважин, заключающийся в том, что регистрируют данные о расходе жидкости на скважинах, осуществляют предварительную обработку и представляют их в виде n-размерных векторов, создают m n-размерных векторов справочной информации, служащей входными данными для нейросетевого алгоритма и характеризующей состояния скважин за определенный временной период, и сравнивают n-размерные вектора расходов с созданным в результате обучения множеством узлов самоорганизующейся карты Кохонена. При этом исходное множество m n-размерных векторов служит в качестве входных данных для алгоритма самообучения карты Кохонена и данных для определения принадлежности номера скважины к узлу обученной карты Кохонена. А результат отображения номеров скважин на узлах карты Кохонена служит обнаружению явлений взаимовлияния и интерференции скважин. Предложенный способ позволяет увеличить эффективность разработки месторождения за счет выбора рациональных режимов эксплуатации скважин на основе обнаруженных явлений интерференции и взаимовлияния скважин в процессе их эксплуатации. 2 ил.

Способ нейросетевого анализа данных телеметрии по фонду скважин, заключающийся в том, что данные о расходе жидкости на скважинах регистрируют, осуществляют предварительную обработку и представляют их в виде n-размерных векторов, создают m n-размерных векторов справочной информации, служащей входными данными для нейросетевого алгоритма и характеризующей состояния скважин за определенный временной период, сравнивают n-размерные вектора расходов с созданным в результате обучения множеством узлов самоорганизующейся карты Кохонена, отличающийся тем, что исходное множество m n-размерных векторов служит в качестве входных данных для алгоритма самообучения карты Кохонена и данных для определения принадлежности номера скважины к узлу обученной карты Кохонена, а результат отображения номеров скважин на узлах карты Кохонена служит обнаружению явлений взаимовлияния и интерференции скважин.