ОБЛАСТЬ ТЕХНИКИ
Техническое решение относится к способам и системам компьютерной обработки специализированных данных для моделирования физических свойств горных пород.
УРОВЕНЬ ТЕХНИКИ
Из уровня техники известен способ, предложенный Итоном в статье 1975 года (Eaton, Ben A. "The equation for geopressure prediction from well logs." Fall meeting of the Society of Petroleum Engineers of AIME. OnePetro, 1975). В статье описывается эмпирический метод вычисления пластового давления, который также использует физические свойства породы в качестве входных данных.
Недостатком данного способа является строгое ограничение, задаваемое видом математической формулы, поэтому невозможно одновременное соответствие результатов модели всех калибровочных данных пластового давления, следовательно, значительно снижается точность модели.
Из уровня техники известен способ построения эмпирических моделей, например, метод Бауэрса (Bowers, Glenn L. "Pore pressure estimation from velocity data: Accounting for overpressure mechanisms besides undercompaction." SPE Drilling & Completion 10.02 (1995): 89-95) и др. Ко всем моделям такого типа применимо указанное математическое ограничение. Данные известные способы не обеспечивают необходимую точность определения значений пластового давления вдоль ствола скважины.
Существует решение для определения пластового давления, описанное в патенте «Способ определения пластового давления» SU 1461886 (МПК E21B 47/06, дата опубл. 28.02.1989). Данное техническое решение описывает технологию и алгоритм оценки значений пластового давления на основе механических параметров бурения: скорость бурения, забойное давление. Данный способ не обеспечивает возможность работы с большим объемом входных данных, при этом не обеспечивает необходимую точность рассчитанных данных значений пластового давления.
Создание корректной модели пластового давления является одной из ключевых задач при построении геомеханической модели месторождения, которая в свою очередь является неотъемлемой частью процессов разработки.
Создание модели пластового давления, которая описывает связь между распределением пластового давления вдоль траекторий рассматриваемых скважин и распределением физических свойств горных пород вдоль тех же скважин, обеспечивает создание инструмента, с помощью которого можно получить точные значения пластового давления без использования дополнительных методов исследования скважин и пород.. Таким образом, модель в качестве результата выдает количественное распределение значений пластового давления вдоль траекторий рассматриваемых скважин. В качестве входных данных модель использует значения физических свойств горных пород, а также калибровочные данные – результаты прямого или косвенного измерения пластового давления в конкретных точках траекторий рассматриваемых скважин.
Решаемой задачей исследуемого решения является построение модели, позволяющей вычислить распределение пластового давления (ПД) в скважине на основе физических свойств породы.
СУЩНОСТЬ
Техническим результатом является повышение точности определения пластового давления в горных породах в зависимости от их физических свойств.
Технический результат достигается за счет того, что способ определения пластового давления включает:
- получение данных, включающих по крайней мере данные траектории скважины, данные каротажа, физические свойства горных пород вдоль ствола скважин;
- формирование на основании полученных данных базовой модели, описывающей предварительную оценку распределения пластового давления вдоль стволов скважин;
- подготовка набора калибровочных данных;
- масштабирование входных данных;
- формирование структуры искусственной нейронной сети, состоящей по меньшей мере из данных о количестве слоев, количестве нейронов в слоях, количестве и значений входных физических свойств и функции активации;
- предварительное обучение искусственной нейронной сети с использованием масштабированных входных данных и базовой модели, описывающей предварительную оценку распределения пластового давления вдоль стволов скважин;
- трансферное обучение искусственной нейронной сети с использованием масштабированных входных данных и калибровочных данных;
- получение значений пластового давления с помощью обученной нейронной сети, которые имеют минимальное среднеквадратичное отклонение от калибровочных значений в отложенной выборке.
Под отложенной выборкой понимается выборка входных данных по скважине, вдоль которой необходимо определить значения пластового давления, при этом искусственная нейронная сеть не обучалась ранее на этих данных.
Поэтапное создание и обучение модели сначала на входных (реально измеренных) данных и на реальном распределении значений пластового давления, содержащихся в базовой модели, а затем получение конечной модели, дообученной на калибровочных данных, позволяет получить модель скважин, по которым можно определить точные значения пластового давления в точках, в которых отсутствовали измеренные данные. Сравнение значений пластового давления, полученных на модели, с реальными значениями, замеренными в той же точке, позволило установить точность модельных значений до 98%.
Данными каротажа скважин могут являться данные радиометрии и/или электрометрии и/или акустического каротажа.
Физическими свойствами горных пород могут являться по меньшей мере пористость, удельное электрическое сопротивление, скорость продольной акустической волны
Базовую модель могут создавать с помощью способа эквивалентной глубины.
Базовую модель могут создавать с помощью метода отношения.
Базовую модель могут создавать с помощью эмпирического способа определения пластового давления.
В качестве эмпирического способа определения пластового давления могут использовать метод Итона.
В качестве эмпирического способа определения пластового давления могут использовать метод Бауэрса.
При реализации способа дополнительно могут осуществлять масштабирование калибровочных данных.
При реализации способа дополнительно могут осуществлять проверку точности данных пластового давления, полученных на обученной модели, на скважинах, с которых не были получены калибровочные данные для обучения искусственной нейронной сети.
Также технический результат достигается за счет Система определения пластового давления, включающая по крайней мере один процессор, оперативную память и машиночитаемые инструкции для выполнения способа определения пластового давления.
В системе данными каротажа скважин могут являться данные радиометрии и/или электрометрии и/или акустического каротажа.
В системе физическими свойствами горных пород могут являться по меньшей мере пористость, удельное электрическое сопротивление, скорость продольной акустической волны.
Базовая модель в системе может создаваться с помощью способа эквивалентной глубины.
Базовая модель в системе может создаваться с помощью метода отношения.
Базовая модель в системе может создаваться с помощью эмпирического способа определения пластового давления.
В системе в качестве эмпирического способа определения пластового давления может использоваться метод Итона.
В системе в качестве эмпирического способа определения пластового давления может использоваться метод Бауэрса.
В системе дополнительно может осуществляться масштабирование калибровочных данных.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Реализация изобретения подтверждается следующими фигурами.
Фиг. 1 – схема построения (обучения) модели пластового давления.
Фиг. 2 - структура многослойной нейронной сети.
Фиг. 3 – пример входных данных.
Фиг. 4 - пример полученных данных пластового давления с использованием обученной нейросети.
Фиг. 5 – пример профиля пластового давления для скважины, полученного с помощью обученной модели.
Фиг. 6 – пример компьютерной системы общего назначения, используемой для реализации способа определения пластового давления.
ОПИСАНИЕ ВАРИАНТОВ ОСУЩЕСТВЛЕНИЯ
Создаваемая модель пластового давления (фиг. 1) является наиболее точной связью между входными данными и результирующими значениями пластового давления. Входные данные являются массивами значений физических свойств горных пород вдоль траекторий рассматриваемых скважин.
Заявленный способ реализуется следующим образом.
Первоначально осуществляют получение данных, включающих по крайней мере данные траектории скважины, данные каротажа, физические свойства горных пород вдоль ствола скважин.
В качестве свойств горных пород может быть выбрана любая физическая величина, количественно характеризующая горную породу и физически коррелирующая с пластовым давлением, например, пористость, удельное электрическое сопротивление, скорость продольной акустической волны и т.д.
В первую очередь, на этапе выбора входных данных необходимо определить количество свойств, используемых создаваемой моделью в качестве входных данных. Минимально возможным значением является 1.
Входные данные могут быть сформированы в виде таблицы, в которой определенной глубине вдоль ствола иной рассматриваемой скважины необходимо обеспечить наличие значений каждого свойства в каждой точке траектории всех скважин.
В примере реализации (фиг. 3) в качестве входных данных использовались массивы значений двух параметров в каждой из шести скважин:
1) Свойство-1: интервальное время пробега продольной акустической волны. Физическое свойство горной породы, измеряется методом акустического каротажа. На фиг. 3 представлены в виде кривых зелёного цвета.
2) Свойство-2: глубина данной точки траектории скважины по вертикали. На фиг. 3 представлены в виде кривых чёрного цвета.
Затем осуществляют формирование базовой модели, описывающей распределение пластового давления вдоль ствола скважин на основании полученных входных данных.
На практике набор входных данных (Свойств 1 и 2) для модели выбирают на основе, в том числе, следующих критериев.
Наличие физической корреляции между выбранными параметрами и пластовым давлением. Может использоваться как общеизвестная информация о связи пластового давления с тем или иным параметром, так и экспертное мнение лица, отвечающего за создание модели.
Наличие значений всех выбранных параметров в тех точках траекторий скважин, где имеются калибровочные данные и значения базовой модели, которые необходимо учесть.
Достоверность значений всех выбранных параметров в интересующих точках траекторий.
Финальным критерием корректности выбора входных данных является количественная оценка качества модели.
Базовая модель – массив значений пластового давления вдоль траекторий рассматриваемых скважин, используемый в качестве обучающей выборки. Базовая модель описывает распределение пластового давления в скважинах по предварительной оценке. В качестве базовой модели могут быть использованы фундаментальные физические закономерности (метод эквивалентной глубины, метод отношения) или эмпирические методы вычисления пластового давления (Итона, Бауэрса). Также может быть выбран простой вариант базовой модели – модель гидростатического давления. Базовая модель представляет собой начальное условие для осуществления финального (трансферного) обучения ИНС.
Далее осуществляют подготовку набора калибровочных данных.
Калибровочными данными являются количественные результаты прямых или косвенных измерений пластового давления в конкретных точках траекторий рассматриваемых скважин (фиг. 4).
При этом, на практике, количество точек на траектории скважин, которым соответствуют какие-либо калибровочные значения пластового давления, на несколько порядок меньше общего количества точек траекторий скважин, в которых известны значения физических свойств породы, используемых в качестве входных данных создаваемой модели. Поэтому набор данных может быть расширен добавлением дополнительных калибровочных значений, для уточнения результирующих значений пластового давления.
Далее осуществляют масштабирование входных данных. Для корректной работы нейронной сети необходимо привести входные данные к одинаковому масштабу, а также обеспечить их нормировку. В заявленном способе применяется универсальный способ масштабирования – стандартизация данных: линейное преобразование значений свойств к такому виду, при котором среднее значение равно нулю, а дисперсия равна 1.
Линейное преобразование в процессе масштабирования выполняется независимо для каждого из используемых физических свойств.
Для масштабирования данных применяется стандартизация: линейное преобразование значений входных данных к такому виду, при котором среднее значение равно нулю, а дисперсия равна 1. Алгоритм, применяемый к каждому массиву свойств в отдельности.
Вычисляется среднее значение в массиве: Xmean
Вычисляется дисперсия в массиве:
Вычисляется среднеквадратичное отклонение в массиве:
Каждое значение в массиве преобразуется по формуле:
Таким образом, получили масштабированный массив значений данного свойства:
Далее осуществляется формирование структуры искусственной нейронной сети. В заявленном способе используется многослойная ИНС прямого распространения. Шаблон структуры такой ИНС схематично продемонстрирован на фиг. 2.
Структура нейронной сети может быть создана одним из известных из уровня техники способов:
- курс лекций «Нейронные сети и их применение в научных исследованиях». МГУ, https://msu.ai/l01_intro
- учебник «Neural Networks and Deep Learning». Michael Nielsen, 2019, http://neuralnetworksanddeeplearning.com/
Нейроны в составе ИНС (фиг. 2) объединены в вычислительные блоки – слои нейронов. В первом слое находятся входные данные, в последнем – математический (численный) результат применения ИНС к массиву входных данных. Между ними расположены вычислительные (скрытые) слои.
В ходе подготовки структуры ИНС задается количество слоев нейронов а также количество нейронов в каждом слое: В соответствии с теорией нейронных сетей каждому нейрону соответствует функция активации, которая обеспечивает возможность математического описания нелинейных зависимостей между входными данными и результирующими параметрами. Описываемая методика предполагает использование функции активации «линейный выпрямитель» (ReLU):
Также необходимо выбрать количество и тип признаков ИНС – индивидуальных скважинный кривых (свойств). Таким образом, устанавливается структура нейронной сети.
Пример типов и признаков для расчета скрытых слоев для определения пластового давления может быть выбран из полученных (измеренных) входных данных (свойств пласта).
Далее осуществляют предварительное обучение ИНС (искусственной нейронной сети). Предварительное обучение ИНС выполняется в соответствии со стандартной процедурой (ссылки приведены выше).
Каждому нейрону ИНС соответствуют столько весовых коэффициентов, сколько входных параметров получает данный нейрон. Исключение – нейрон входного слоя, у которого отсутствуют весовые коэффициенты. Процесс обучения ИНС заключается в определении оптимальных значений весовых коэффициентов всех нейронов, составляющих ИНС. Оптимальным набором значений весовых коэффициентов считается тот, при котором подаваемые в процессе обучения входные данные обеспечивают максимальное количественное соответствие результата ИНС массиву значений из обучающей выборки данных.
Входными данными на этапе предварительного обучения ИНС является массив выбранных значений физических свойств. На схеме ИНС (фиг. 2) каждому свойству из массива входных данных соответствует Xi в нейроне входного слоя.
Обучающей выборкой данных на данном этапе являются значения пластового давления из массива базовой модели.
Для определения оптимальных значений весовых коэффициентов составляется функция потерь, в которую входят ИНС и обучающая выборка данных. Функция потерь количественно характеризует отклонение результата ИНС от значений обучающей выборки. В заявленном способе в качестве функции потерь используется среднеквадратичное отклонение результата ИНС от значений обучающей выборки.
Оптимальным набором значений весовых коэффициентов является тот, при котором функция потерь принимает минимальное значение, т.е. отклонение результата ИНС от обучающей выборки минимально. Минимальное отклонение результата ИНС от обучающей выборки обеспечивает ожидаемый результат, т.е. максимальное количественное соответствие ИНС обучающей выборке.
Для минимизации значения функции потерь используются стандартные методы, например, стохастический градиентный спуск (Bottou, Léon. "Stochastic gradient learning in neural networks." Proceedings of Neuro-Nımes 91.8, 1991: 12) или Adam (Kingma, Diederik P., and Jimmy Ba. "Adam: A method for stochastic optimization." arXiv preprint arXiv:1412.6980, 2014).
Результатом этапа предварительного обучения искусственной нейронной сети является набор весовых коэффициентов рассматриваемой ИНС.
Весовые коэффициенты могут принимать любые значения из множества действительных чисел.
Количество весовых коэффициентов в каждом нейроне (кроме нейрона входного слоя) равно количеству входных параметров у него. У каждого нейрона в 1-м скрытом слое входные параметры – это значения масштабированных входных данных (свойств). Таким образом, у нейронов 1-го скрытого слоя столько весовых коэффициентов, сколько категорий свойств выбрано в качестве входных данных для ИНС. У каждого нейрона в остальных слоях (кроме входного слоя) входные параметры – это результирующие значения со всех нейронов предыдущего слоя. Таким образом, у нейронов всех слоев, кроме входного и 1-го скрытого, столько весовых коэффициентов, сколько нейронов содержится в предыдущем слое. В сущности, каждый нейрон – это вычислительная операция, заключающаяся в применении функции активации ко всем входным параметрам данного нейрона: где z – результирующее значение данного нейрона; ReLU – функция активации; Xi – входные параметры; ωi – весовые коэффициенты; n – количество входных параметров у данного нейрона.
Далее осуществляют трансферное обучение ИНС. На данном этапе происходит обучение ИНС, уже имеющей набор весовых коэффициентов.
Обучающие данные при трансферном обучении ИНС – входные данные и калибровочные данные.
На данном этапе происходит корректировка весовых коэффициентов ИНС с целью максимального соответствия результатов модели фактической информации. Подход к обучению ИНС в два этапа известен как трансферное обучение.
Весовые коэффициенты на этом этапе могут принимать любые значения из действительных чисел.
На основании того, что изменилась обучающая выборка: теперь вместо базовой модели в качестве обучающей выборки выступают калибровочные данные (калибровочные точки), а входные данные при этом не изменились. Соответственно, весовые коэффициенты изменяются, чтобы ИНС теперь соответствовала новой обучающей выборке. Алгоритм вычисления новых значений весовых коэффициентов аналогичен предыдущему этапу (предварительного обучения): минимизация функции потерь методом стохастического градиентного спуска
Таким образом, данный этап является ключевым этапом способа: именно обеспечивает окончательное создание модели на основе ИНС, которая максимально точно описывает связь между входными данными (физическими свойствами) и фактическими значениями пластового давления в тех точках скважин, в которых оно было измерено.
Тестирование модели на отложенной выборке калибровочных данных осуществляется следующим образом. Проверка качества модели проводится на отложенной выборке калибровочных данных, которая в данном случае называется тестовой. Отложенная выборка калибровочных данных – это тот набор результатов прямых или косвенных измерений пластового давления, который не участвовал в обучении ИНС.
Обученная ИНС применяется к «тестовым точкам» - массиву значений физических свойств в тех точках траекторий скважин, которые не участвовали в обучении и для которых известны результаты измерений пластового давления. В качестве входных данных ИНС используется тот же набор физических свойств, который использовался при её обучении.
Результатами применения модели (обученной ИНС) к «тестовым точкам» являются вычисленные значения пластового давления в этих точках. Критерием качества модели являются среднеквадратичное и/или абсолютное отклонение результатов модели от фактических результатов измерения давления в «тестовых точках».
После успешного тестирования модели возможно её применение к скважинам, в которых отсутствуют калибровочные данные. На этом этапе ИНС обладает теми же категориями (видами) входных параметров, которые использовались при её обучении.
Фиг. 6 представляет пример компьютерной системы общего назначения, используемой для реализации описанного способа, персональный компьютер или сервер 1, содержащий центральный процессор 2, системную память 3 и системную шину 4, которая содержит разные системные компоненты, в том числе память, связанную с центральным процессором 2. Системная шина 4 реализована, как любая известная из уровня техники шинная структура, содержащая в свою очередь память шины или контроллер памяти шины, периферийную шину и локальную шину, которая способна взаимодействовать с любой другой шинной архитектурой. Системная память 3 содержит постоянное запоминающее устройство (ПЗУ) 5, память с произвольным доступом (ОЗУ) 6. Основная система ввода/вывода (BIOS) 7, содержит основные процедуры, которые обеспечивают передачу информации между элементами персонального компьютера 1, например, в момент загрузки операционной системы с использованием ПЗУ 5.
Персональный компьютер 1 в свою очередь содержит жёсткий диск 8 для чтения и записи данных, привод магнитных дисков 9 для чтения и записи на сменные магнитные диски 10 и оптический привод 11 для чтения и записи на сменные оптические диски 12, такие как CD-ROM, DVD-ROM и иные оптические носители информации. Жёсткий диск 8, привод магнитных дисков 9, оптический привод 11 соединены с системной шиной 4 через интерфейс жёсткого диска 13, интерфейс магнитных дисков 14 и интерфейс оптического привода 15 соответственно. Приводы и соответствующие компьютерные носители информации представляют собой энергонезависимые средства хранения компьютерных инструкций, структур данных, программных модулей и прочих данных персонального компьютера 1.
Настоящее описание раскрывает реализацию системы, которая использует жёсткий диск 8, , но следует понимать, что возможно применение иных типов компьютерных носителей информации, которые способны хранить данные в доступной для чтения компьютером форме (твердотельные накопители, флеш карты памяти, цифровые диски, память с произвольным доступом (ОЗУ) и т.п.), которые подключены к системной шине 4.
Компьютер 1 имеет файловую систему 17, где хранится записанная операционная система 16, а также дополнительные программные приложения 18, другие программные модули 19 и данные программ 20. Пользователь имеет возможность вводить команды и информацию в персональный компьютер 1 посредством устройств ввода (клавиатуры 21, манипулятора «мышь» 22). Могут использоваться другие устройства ввода (не отображены): микрофон, джойстик, игровая консоль, сканер и т.п. Подобные устройства ввода по своему обычаю подключают к компьютерной системе 1 через интерфейс USB 23, который в свою очередь подсоединён к системной шине, но могут быть подключены иным способом, например, при помощи параллельного порта, игрового порта. Монитор24 или иной тип устройства отображения также подсоединён к системной шине 4 через интерфейс, такой как видеоадаптер 25. В дополнение к монитору 24, персональный компьютер может быть оснащён другими периферийными устройствами вывода (не отображены).
Персональный компьютер 1 способен работать в сетевом окружении, при этом используется сетевое соединение с другим или несколькими удалёнными компьютерами 26. Удалённый компьютер (или компьютеры) 26 являются такими же персональными компьютерами или серверами, которые имеют большинство или все упомянутые элементы, отмеченные ранее при описании существа персонального компьютера 1, представленного на Фиг. 6. В вычислительной сети могут присутствовать также и другие устройства, например, маршрутизаторы, сетевые станции, пиринговые устройства или иные сетевые узлы.
Сетевые соединения могут образовывать локальную вычислительную сеть (LAN) 27 и глобальную вычислительную сеть (WAN). Такие сети применяются в корпоративных компьютерных сетях, внутренних сетях компаний и, как правило, имеют доступ к сети Интернет. В LAN- или WAN-сетях персональный компьютер 1 подключён к локальной сети 27 через сетевой адаптер или сетевой интерфейс 28. При использовании сетей персональный компьютер 1 может использовать роутер 29 или иные средства обеспечения связи с глобальной вычислительной сетью, такой как Интернет. Роутер 29, который является внутренним или внешним устройством, подключён к системной шине 4 посредством USB порта 23. Следует уточнить, что сетевые соединения являются лишь примерными и не обязаны отображать точную конфигурацию сети, т.е. в действительности существуют иные способы установления соединения техническими средствами связи одного компьютера с другим.
Таким образом, при выполнении заявленного способа обеспечивается повышение точности определения пластового давления в горных породах примерно в 1,5 раза по сравнении со способами, известными из уровня техники.
название | год | авторы | номер документа |
---|---|---|---|
СПОСОБ И КОМПЬЮТЕРНАЯ СИСТЕМА ОБРАБОТКИ СКВАЖИННЫХ ДАННЫХ | 2020 |
|
RU2782505C2 |
СПОСОБ ОЦЕНКИ ДЕБИТА ГОРИЗОНТАЛЬНОЙ СКВАЖИНЫ | 2005 |
|
RU2300632C1 |
ОЦЕНКА ПАРАМЕТРОВ НАКЛОННО-НАПРАВЛЕННОГО БУРЕНИЯ НА ОСНОВЕ МОДЕЛИ ПРИ ПРОВЕДЕНИИ СКВАЖИННЫХ ОПЕРАЦИЙ | 2019 |
|
RU2754892C1 |
СПОСОБ И КОМПЬЮТЕРНАЯ СИСТЕМА УПРАВЛЕНИЯ БУРЕНИЕМ СКВАЖИН | 2019 |
|
RU2723805C1 |
СПОСОБ И СИСТЕМА ДЛЯ СТАБИЛИЗАЦИИ КОЭФФИЦИЕНТА УСИЛЕНИЯ ФОТОУМНОЖИТЕЛЯ, ИСПОЛЬЗУЕМОГО В ДЕТЕКТОРЕ ИЗЛУЧЕНИЯ | 2007 |
|
RU2425397C2 |
Способ прогноза открытой пористости на глубины ниже забоя скважин | 2018 |
|
RU2696669C1 |
СПОСОБ ИНТЕРПРЕТАЦИИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ | 2018 |
|
RU2689818C1 |
СПОСОБ ОЦЕНКИ НАГРУЖЕНИЯ КОНСТРУКЦИИ САМОЛЁТА ПРИ ЛЁТНЫХ ПРОЧНОСТНЫХ ИССЛЕДОВАНИЯХ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ | 2015 |
|
RU2595066C1 |
Способ прогноза открытой пористости в пространстве между скважинами | 2019 |
|
RU2717740C1 |
СПОСОБ ОПРЕДЕЛЕНИЯ ПОЛОЖЕНИЯ РАЗЛОМОВ НА ОСНОВЕ СЕЙСМИЧЕСКИХ ДАННЫХ | 2022 |
|
RU2783367C1 |
Заявленная группа изобретений относится к способам и системам для определения пластового давления в объеме месторождения на основе искусственных нейронных сетей, к компьютерной обработке полученных данных для моделирования физических свойств горных пород. Способ определения пластового давления включает получение данных, включающих по крайней мере данные траектории скважины, данные каротажа, физические свойства горных пород вдоль ствола скважин и формирование на основании полученных данных базовой модели, описывающей предварительную оценку распределения пластового давления вдоль стволов скважин. Далее производят подготовку набора калибровочных данных путем прямых или косвенных измерений пластового давления в конкретных точках траекторий скважин и масштабирование входных данных. После чего формируют структуру искусственной нейронной сети, состоящей по меньшей мере из данных о количестве слоев, количестве нейронов в слоях, количестве и значений входных физических свойств и функции активации. Далее предварительно обучают искусственную нейронную сеть с использованием масштабированных входных данных и базовой модели, описывающей предварительную оценку распределения пластового давления вдоль стволов скважин. После чего производят трансферное обучение искусственной нейронной сети с использованием масштабированных входных данных и калибровочных данных, полученных в результате прямых или косвенных измерений пластового давления в конкретных точках траекторий скважин. Далее получают значения пластового давления с помощью обученной нейронной сети, которые имеют минимальное среднеквадратичное отклонение от калибровочных значений в отложенной выборке. Система определения пластового давления включает по крайней мере один процессор, оперативную память и машиночитаемые инструкции для выполнения способа определения пластового давления. Обеспечивается повышение точности определения пластового давления в горных породах в зависимости от их физических свойств. 2 н. и 17 з.п. ф-лы, 6 ил.
1. Способ определения пластового давления, включающий:
- получение данных, включающих по крайней мере данные траектории скважины, данные каротажа, физические свойства горных пород вдоль ствола скважин;
- формирование на основании полученных данных базовой модели, описывающей предварительную оценку распределения пластового давления вдоль стволов скважин;
- подготовка набора калибровочных данных путем прямых или косвенных измерений пластового давления в конкретных точках траекторий скважин;
- масштабирование входных данных;
- формирование структуры искусственной нейронной сети, состоящей по меньшей мере из данных о количестве слоев, количестве нейронов в слоях, количестве и значений входных физических свойств и функции активации;
- предварительное обучение искусственной нейронной сети с использованием масштабированных входных данных и базовой модели, описывающей предварительную оценку распределения пластового давления вдоль стволов скважин;
- трансферное обучение искусственной нейронной сети с использованием масштабированных входных данных и калибровочных данных, полученных в результате прямых или косвенных измерений пластового давления в конкретных точках траекторий скважин;
- получение значений пластового давления с помощью обученной нейронной сети, которые имеют минимальное среднеквадратичное отклонение от калибровочных значений в отложенной выборке.
2. Способ по п. 1, в котором данными каротажа скважин являются данные радиометрии и/или электрометрии и/или акустического каротажа.
3. Способ по п. 1, в котором физическими свойствами горных пород являются по меньшей мере пористость, удельное электрическое сопротивление, скорость продольной акустической волны.
4. Способ по п. 1, в котором базовую модель создают с помощью способа эквивалентной глубины.
5. Способ по п. 1, в котором базовую модель создают с помощью метода отношения.
6. Способ по п. 1, в котором базовую модель создают с помощью эмпирического способа определения пластового давления.
7. Способ по п. 5, в котором в качестве эмпирического способа определения пластового давления используют метод Итона.
8. Способ по п. 5, в котором в качестве эмпирического способа определения пластового давления используют метод Бауэрса.
9. Способ по п. 1, в котором дополнительно осуществляют масштабирование калибровочных данных.
10. Способ по п. 1, в котором дополнительно осуществляют проверку точности данных пластового давления, полученных на обученной модели, на скважинах, с которых не были получены калибровочные данные для обучения искусственной нейронной сети.
11. Система определения пластового давления, включающая по крайней мере один процессор, оперативную память и машиночитаемые инструкции для выполнения способа определения пластового давления по п. 1.
12. Система по п. 11, в которой данными каротажа скважин являются данные радиометрии и/или электрометрии и/или акустического каротажа.
13. Система по п. 11, в которой физическими свойствами горных пород являются по меньшей мере пористость, удельное электрическое сопротивление, скорость продольной акустической волны.
14. Система по п. 11, в которой базовая модель создается с помощью способа эквивалентной глубины.
15. Система по п. 11, в которой базовая модель создается с помощью метода отношения.
16. Система по п. 11, в которой базовая модель создается с помощью эмпирического способа определения пластового давления.
17. Система по п. 11, в которой в качестве эмпирического способа определения пластового давления используется метод Итона.
18. Система по п. 11, в которой в качестве эмпирического способа определения пластового давления используется метод Бауэрса.
19. Система по п. 11, в которой дополнительно осуществляется масштабирование калибровочных данных.
FARQAD HADI, Real-Time Pore Pressure Prediction in Depleted Reservoirs Using Regression Analysis and Artificial Neural Networks, SPE-194851-MS, опубл | |||
Прибор для нагревания перетягиваемых бандажей подвижного состава | 1917 |
|
SU15A1 |
Авторы
Даты
2023-11-24—Публикация
2022-08-26—Подача