Способ управления режимами работы добывающих и нагнетательных скважин нефтяного месторождения и многослойная циклическая нейронная сеть Российский патент 2021 года по МПК E21B43/16 G06N3/02 G06F17/00 

Способ относиться к вычислительной технике и может быть использован для предсказания дебитов жидкости нефтяных скважин и автоматического управления режимами работы нагнетательных и добывающих скважин.

Известен способ управления заводнением нефтяных пластов [патент РФ 2614338, МПК G06F 30/20, 24.03.2017], включающий определение взаимного влияния добывающих и нагнетательных скважин и формирование рекомендаций по перераспределению закачки. Способ позволяет определить функциональную зависимость работы добывающих скважин от приемистости жидкости нагнетательных скважин на основе обработки первичной промысловой информации искусственными нейронными сетями. Однако применяемая в способе нейронная сеть на основе простого пецептрона, описанного в работе [Розенблат Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга - Мир, 1965], обладает следующими недостатками: прогнозируется зависимость дебита жидкости только от приемистости окружающих нагнетательных скважин, и не прогнозируются значимые эффекты, связанные с естественным падением давления во время отборов. По своей сути предлагаемая в известном патенте [патент РФ 2614338, МПК G06F 30/20, 24.03.2017] нейронная сеть не может воспроизводить зависимости от времени и восстанавливает только корреляцию дебита жидкости от мгновенной закачки.

Известна многослойная нейронная сеть [патент RU 115098 U1, МПК G06N 5/00 опубл. 20.04.2012], содержащая первый скрытый слой нейронов с логистическими функциями активации, содержащий 11 или 12 нейронов, второй скрытый слой с логистическими функциями активации или гиперболическим тангенсом, содержащий 9 или 10 нейронов, один нейрон выходного слоя с линейной функцией активации, при этом выходы первого слоя нейронов соединены только с входами второго слоя нейронов, выходы второго слоя нейронов соединены только с входами третьего слоя нейронов, а выход третьего слоя нейронов не имеет соединения с входами нейронов первого и второго слоев нейронов.

Однако известная нейронная сеть обладает следующими недостатками: отсутствие обратной (рекуррентной) связи не позволяет производить прогноз изменений параметров во времени при не изменяющихся или стабильных входных параметрах. Кроме того, в известном патенте [патент RU 115098 U1, МПК G06N 5/00 опубл. 20.04.2012] не указана возможность применения данного типа сети для решения задачи прогнозирования дебита жидкости добывающих скважин.

Совокупность признаков, наиболее близкая к совокупности существенных признаков заявляемого изобретения, присуща известной полезной модели многослойной нейронной сети [патент RU 169425 U1, МПК G06N 5/00, МПК G06Q 10/06 опубл. 16.03.2017] в устройстве прогнозирования электропотребления, содержащем многослойную нейронную сеть, включающую первый входной слой нейронов, второй скрытый слой нейронов, третий выходной слой нейронов, выходы первого слоя нейронов соединены только с входами второго слоя нейронов, выходы второго слоя нейронов соединены только с входами третьего слоя нейронов, отличающееся тем, что устройство содержит блок аппроксимации с одним входом, предназначенным для входной информации, и одним выходом, выход блока аппроксимации соединен с одним из входов многослойной нейронной сети, выход нейрона третьего слоя соединен с одним из входов сумматора, со вторым входом сумматора соединен один из выходов блока аппроксимации.

Недостатком известной сети, принятой за прототип, является: обратная связь, реализованная в прототипе через сумматор и блок аппроксимации, не позволяет восстанавливать зависимости от времени, поскольку сеть работает на одном временном шаге. Кроме того, предлагаемый блок аппроксимации не применим к задачам прогнозирования дебита жидкости, поскольку реализует в апроксиматоре синусоидальную функцию, то есть применим только для процессов, имеющих циклическую природу. Таким образом, полезная модель [патент RU 169425 U1, МПК G06N 5/00, МПК G06Q 10/06 опубл. 16.03.2017] не может быть использована для прогнозирования дебитов жидкости добывающих скважин и управления режимами работы нагнетательных скважин.

Задачей заявляемого технического решения является прогнозирования дебита жидкости по скважинам нефтяного месторождения и определение оптимальных объемов закачки воды и отбора жидкости.

Технический результат: повышение точности прогноза, возможность предсказания изменения дебита жидкости во времени, подбор оптимальных режимов работы добывающих и нагнетательных скважин, обеспечивающих повышение добычи нефти.

Указанный технический результат по объекту способ достигается тем, что способ управления работой нагнетательных и добывающих скважин нефтяного месторождения, основанный на устройстве управления, имеющем в себе искусственную нейронную сеть, в которой содержатся входной слой нейронов, несколько скрытых слоев с линейными/логистическими/сигмоидальными функциями активации, нейроны выходных слоев и циклическая связь; характеризуется тем, что, для создания прогноза дебита жидкости во времени, при переходе на следующий расчетный временной шаг, результаты расчета, полученные на выходном нейроне за предыдущий временной шаг, подают на входной слой нейронов текущего шага, после обучения нейронной сети решают оптимизационную задачу по определению оптимальной приемистости нагнетательных скважин и дебита жидкости добывающих, обеспечивающей увеличение дебита нефти, после чего полученные значения дебитов жидкости и приемистостей устанавливают на скважинах автоматически или вручную. При этом фактическую динамику дебита жидкости разбивают на два временных интервала: обучение, тест; и на временном интервале обучения в циклическую связь подают фактический дебит жидкости за предыдущий временной шаг, а на временных участках теста на циклическую связь подают рассчитанные нейронной сетью значения дебита жидкости за предыдущий временной шаг.

Указанный технический результат по объекту устройство достигается тем, что устройство управления режимами работы скважин на основе нейронной сети, содержащее многослойную циклическую нейронную сеть, включающую: первый входной слой, количество нейронов которого равняется количеству входных данных; несколько скрытых слоев, общее количество которых и количество содержащихся на них нейронов подбирается экспериментально, например, при помощи оптимизационных алгоритмов, описанных в публикации [М. С. Потанин, Вайсер К. О., Жолобов В. А., Стрижов В. В. Оптимизация структуры сетей глубокого обучения // Журнал публикаций МГУ.- № 13.- 11.12.2018] или [Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning-Methods, Systems, Challenges // Automated Machine Learning, 2019], третий выходной слой, содержащий один нейрон, отвечающий за предсказание дебита жидкости на текущем временном шаге, при этом для учета временных эффектов дополнительно введена циклическая связь между выходным нейроном, отвечающим за дебит жидкости на предыдущем временном шаге, и входным нейроном на текущем временном шаге.

Отличие от структуры «классического» многослойного персептрона заключается в наличии связи по дебиту жидкости между временными шагами. На периоде обучения сети на входной слой подаются приемистости воды окружающих нагнетательных скважин, забойные давления (и/или) динамические уровни изучаемой скважины и фактический дебит жидкости за предыдущий временной шаг обучения, а на временном участке теста и прогноза подается рассчитанный нейронной сетью дебит жидкости за предыдущий временной шаг, сеть зацикливается, что помогает точно прогнозировать зависимости от времени (фиг.1). После обучения сети генерируется большое количество различных сценариев закачки и добычи, выбирается оптимальный и физически устанавливается на скважинах, обеспечивая увеличение добычи нефти.

Теоретическая база функционирования предлагаемого технического решения строится на известных сведениях о том, что наиболее точное прогнозирование временных рядов (как задачи математической регрессии) не может быть выполнено многослойной нейронной сетью с прямым распространением сигнала без обратных связей, а применение многослойной нейронной сети с несколькими скрытыми слоями позволяет работать с непрерывными, зашумленными и разнотиповыми данными.

На фиг. 1 изображена структурная схема предлагаемого устройства, на фиг. 2 показано разбиение временных данных на участки, на фиг. 3, фиг.4 представлены результаты работы нейронной сети.

Структурная схема предлагаемого устройства для прогнозирования дебита жидкости нефтяной скважины и управления режимами работы нагнетательных и добывающих скважин содержит многослойную нейронную сеть 1, работающую на временном шаге (n). Многослойная сеть 1 содержит первый входной слой нейронов 2, на который подаются входные данные: I1n – приемистость первой нагнетательной скважины для времени n; Ikn – приемистость k-той нагнетательной скважины для времени n; Pn – забойное давление или динамический уровень добывающей скважины для времени n; Qn-1 – дебит жидкости для предыдущего временного интервала n-1. Данные с первого входного слоя нейронов 2 подают на второй скрытый слой 3 и после него на третий скрытый слой 4. Общее количество скрытых слоев и нейронов на них может варьироваться и подбирается в ходе многоитерационных расчетов оптимизационным алгоритмом. На выходном слое 5 генерируется итоговое значение предсказанного дебита жидкости в момент времени n (Qn), находится функциональная связь между дебитом жидкости (Qn) и входными параметрами. Сгенерированное нейронной сетью 1 расчетное значение дебита жидкости на временном шаге n (Qn) передается на следующий временной шаг при помощи связи 6. На временном шаге n+1 операция повторяется с новыми входными данными для момента времени n+1, где: I1n+1 – приемистость первой нагнетательной скважины для времени n+1; Ikn+1 – приемистость k-той нагнетательной скважины для времени n; Pn+1 – забойное давление или динамический уровень добывающей скважины для времени n+1; Qn – дебит жидкости для предыдущего временного интервала n сгенерированный сетью. После того, как в результате работы сети было получено значение дебита жидкости на временном шаге n+1 (Qn+1) через связь 7 данные передаются на следующий временной слой, эта процедура повторяется для всех временных шагов.

На фиг. 2 приведена схема разбиения временных данных на характерные участки на примере дебита жидкости (Q). Данные разбиваются на шаги (n), которые могут иметь различный шаг квантования: секунды, минуты, дни. Фактические замеры дебита жидкости представлены пунктирной линией 8. Выделяют участок обучения нейронной сети (ed), на этом участке происходит сравнение рассчитанного и фактического дебита, и в случае их несовпадения корректируют веса связей между нейронами. На временном участке теста (t) сравнивается модельная 8 и фактическая динамика 9, проверяется предсказательная способность модели. В случае если расхождения между 8 и 9 превышают заданное оператором допустимое отклонение, происходит изменение структуры сети, например, добавляются новые нейроны на скрытых слоях или добавляются новые слои, затем процедура обучения проводится заново. Третий временной участок (p) отвечает за прогнозирование и генерацию прогнозной динамики.

Схема, предлагаемая на фиг. 1, может быть модифицирована в соответствии с разбиением временных данных (фиг. 2). На интервале обучения в нейронную сеть подаются фактические данные по дебиту жидкости на прошлом временном шаге, для интервала теста и прогноза на входной нейрон подаются рассчитанные сетью значения. Это позволяет повысить точность прогноза и лучше обучить сеть.

После завершения обучения на вход нейронной сети подается несколько прогнозных вариантов закачки и из них выбирается оптимальный режим работы добывающих и нагнетательных скважин, которые выставляются физически при помощи управляемых задвижек или регуляторов.

Были проведены испытания на основе фактических данных, исследован элемент разработки фактического месторождения, состоящий из двух нагнетательных (N2, N5) и одной добывающей скважины (D19). В нейронную сеть подавались фактические посуточные замеры приемистостей и дебита жидкости. На фиг.3, фиг.4 можно увидеть графическое представление результатов предсказания нейронной сети в сравнении с фактическими значениями. Рассмотрена одна добывающая скважина (D19) и влияющие на нее две нагнетательные скважины N2 и N5. Динамика работы, приведена фиг.3. Выделяют два временных интервала: обучение и тест. В момент обучения происходит настройка весов нейронной сети, на участке тестирования оценивается предсказательная способность, то есть сеть не знает фактический дебит жидкости, а пытается его предсказать по динамике приемистости. На фиг. 4 приведен результат сравнения фактической и прогнозной динамики дебита жидкости на интервале теста. На фиг.3 представлены следующие данные:

11 – временной интервал обучения сети,

12 –временной интервал тестирования сети,

13 – посуточная фактическая динамика дебита жидкости,

14 – посуточная приемистость воды нагнетательной скважины N2,

15 - посуточная приемистость воды нагнетательной скважины N5.

На фиг.4 представлены следующие данные:

16 –прогноз дебита жидкости циклическим персептроном на временном участке тестирования,

17 - фактический дебит жидкости на временном участке тестирования,

18 – десятипроцентный коридор отклонения от фактического дебита жидкости, выделен серым цветом.

Представленный график сравнения динамики фактического дебита жидкости и предсказанного при помощи циклического персептрона показывает хороший уровень совпадения, среднеквадратичное отклонение расчетных и фактических показателей не превышают 10 %, то есть нейронная сеть нашла хорошую функциональную зависимость между дебитом жидкости и приемистостями нагнетательных скважин и может точно спрогнозировать дебит в интервале года.

Изобретение относится к прогнозированию и управлению дебитом жидкости по скважинам нефтяного месторождения. Для осуществления способа управления работой нагнетательных и добывающих скважин нефтяного месторождения, основанного на устройстве управления, имеющем искусственную нейронную сеть с циклической связью, создают прогноз дебита жидкости во времени. Для создания прогноза, при переходе на следующий расчетный временной шаг результаты расчета, полученные на выходном нейроне за предыдущий временной шаг, подают на входной слой нейронов текущего шага. После обучения нейронной сети решают оптимизационную задачу по определению оптимальной приемистости нагнетательных скважин и дебита жидкости добывающих, обеспечивающей увеличение дебита нефти. Полученные значения дебитов жидкости и приемистостей устанавливают на скважинах автоматически или вручную. Устройство управления режимами работы скважин на основе нейронной сети содержит многослойную циклическую нейронную сеть, включающую: первый входной слой, количество нейронов которого равняется количеству входных данных. Несколько скрытых слоев, общее количество которых и количество содержащихся на них нейронов подбирается экспериментально. Третий выходной слой, содержащий один нейрон, отвечающий за предсказание дебита жидкости на текущем временном шаге. Для учета временных эффектов дополнительно введена циклическая связь между выходным нейроном, отвечающим за дебит жидкости на предыдущем временном шаге, и входным нейроном на текущем временном шаге. Достигается технический результат – повышение точности прогноза, возможность предсказания изменения дебита жидкости во времени, подбор оптимальных режимов работы добывающих и нагнетательных скважин, обеспечивающих повышение добычи нефти. 2 н. и 1 з.п. ф-лы, 4 ил.

1. Способ управления работой нагнетательных и добывающих скважин нефтяного месторождения, основанный на устройстве управления, имеющем в себе искусственную нейронную сеть, в которой содержатся входной слой нейронов, несколько скрытых слоев с линейными/логистическими/сигмоидальными функциями активации, нейроны выходных слоев и циклическая связь; отличающийся тем, что для создания прогноза дебита жидкости во времени, при переходе на следующий расчетный временной шаг, результаты расчета, полученные на выходном нейроне за предыдущий временной шаг, подают на входной слой нейронов текущего шага, после обучения нейронной сети решают оптимизационную задачу по определению оптимальной приемистости нагнетательных скважин и дебита жидкости добывающих, обеспечивающей увеличение дебита нефти, после чего полученные значения дебитов жидкости и приемистостей устанавливают на скважинах автоматически или вручную.

2. Способ управления по п. 1, отличающийся тем, что фактическую динамику дебита жидкости разбивают на два временных интервала: обучение, тест; и на временном интервале обучения в циклическую связь подают фактический дебит жидкости за предыдущий временной шаг, а на временных участках теста на циклическую связь подают рассчитанные нейронной сетью значения дебита жидкости за предыдущий временной шаг.

3. Устройство управления режимами работы скважин на основе нейронной сети, содержащее многослойную циклическую нейронную сеть, включающую: первый входной слой, количество нейронов которого равняется количеству входных данных; несколько скрытых слоев, общее количество которых и количество содержащихся на них нейронов подбирается экспериментально, третий выходной слой, содержащий один нейрон, отвечающий за предсказание дебита жидкости на текущем временном шаге, при этом для учета временных эффектов дополнительно введена циклическая связь между выходным нейроном, отвечающим за дебит жидкости на предыдущем временном шаге, и входным нейроном на текущем временном шаге.