Вы находитесь на странице: 1из 164

Федеральное государственное бюджетное образовательное учреждение

высшего образования «Тюменский индустриальный университет» (ТИУ)

На правах рукописи

АНДРОНОВ ЮРИЙ ВЛАДИМИРОВИЧ

МЕТОДИКА ОПЕРАТИВНОЙ ОЦЕНКИ ПЕРСПЕКТИВНОСТИ


СКВАЖИН ДЛЯ МЕТОДОВ ИНТЕНСИФИКАЦИИ ПРИТОКА НЕФТИ С
ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ И ДЕРЕВЬЕВ РЕШЕНИЙ

Специальность 25.00.17 – Разработка и эксплуатация нефтяных


и газовых месторождений

Диссертация на соискание ученой степени


кандидата технических наук

Научный руководитель:
доктор технических наук
Стрекалов А.В.

Тюмень – 2019
СОДЕРЖАНИЕ

ВВЕДЕНИЕ…………………………………………………………………………..4
1. СУЩЕСТВУЮЩИЕ МЕТОДЫ И ОПЫТ ПРОГНОЗИРОВАНИЯ
ЭФФЕКТИВНОСТИ ГЕОЛОГО-ТЕХНИЧЕСКИХ МЕРОПРИЯТИЙ.……….....9
1.1. Важность планирования ГТМ на нефтяных месторождениях и
классификация существующих методов прогнозирования ………………………9
1.2. Обзор методов прогнозирования эффективности ГТМ………………12
1.2.1. Геолого-гидродинамическая модель пласта (ГГДМ)…………12
1.2.2. Аналитические методики и расчеты с применением
комплексного геолого-промыслового анализа (ГПА)…………………………...18
1.2.3. Классические методы статистического прогнозирования……23
1.2.4. Методы «Data Mining»…………………………………………..26
1.3 Теоретические основы искусственных нейронных сетей…………….28
1.3.1. История появления метода, принцип устройства и условия
применения..………………………………………………………………………...28
1.3.2. Классификация существующих нейронных сетей…………….35
1.3.3. Ансамблевая организация………………………………………43
1.3.4. Недостатки метода………………………………………………45
1.3.5. Информационные системы, реализующие алгоритмы
нейронных сетей……………………………………………………………………46
Выводы по разделу 1……………………………………………………………….47
2. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ОПЕРАТИВНОГО
ПРОГНОЗИРОВАНИЯ ПОТЕНЦИАЛА ГРП И ОПЗ НА ДОБЫВАЮЩИХ
НЕФТЯНЫХ СКВАЖИНАХ ……………………………………………………..49
2.1. Выбор исследуемых видов МИП и эксплуатационных объектов..….49
2.2. Разработка моделей и их обучение…………………………………….56
2.2.1. Выбор входных и выходных параметров для обучения………56
2.2.2. Экспериментальное обучение нейронных сетей с определением
рекомендуемой архитектуры и параметров обучения……………….…………..67

2
2.2.3. Создание ансамблей из лучших моделей………………………71
2.2.4. Сравнение точности прогнозов нейросетевых моделей
относительно других методов и анализ полученных результатов...……………74
2.2.5. Разработка алгоритма и рекомендаций создания моделей
нейронных сетей…………………………………………………………………....84
Выводы по разделу 2……………………………………………………………….90
3. РАЗРАБОТКА И АПРОБАЦИЯ МЕТОДИКИ ОПЕРАТИВНОЙ ОЦЕНКИ
ПЕРСПЕКТИВНОСТИ СКВАЖИН ДЛЯ МЕТОДОВ ИНТЕНСИФИКАЦИИ
ПРИТОКА НЕФТИ ………………………………………………………………..92
3.1. Анализ дополнительных факторов, влияющих на результат
проведения МИП, не оцениваемых моделями нейронных сетей………...……..92
3.1.1. Естественная трещиноватость пласта …………………………93
3.1.2. Мощность глинистых экранов между пластами………………95
3.1.3. Состояние цементного камня в зоне обработки пласта………97
3.1.4. Интерференция добывающих и нагнетательных скважин……99
3.1.5. Уровень компенсации отборов………………………..………103
3.2. Разработка подхода к оценке продолжительности технологического
эффекта от мероприятий и величины дополнительной добычи ………………106
3.3. Формирование алгоритма методики оперативной оценки
перспективности скважин для методов интенсификации притока
нефти………………………………………………………………………….……117
3.4. Апробация и оценка эффективности применения разработанной
методики на месторождениях территориально-производственного предприятия
«Лангепаснефтегаз» ……………………………………………………………...118
3.5. Рекомендации по корректировке критериев оценки перспективности
скважин в разработанной методике ...…………………………………………...143
Выводы по разделу 3………………………………………………………….......150
ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ…………………………….......152
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ………………………………...154

3
ВВЕДЕНИЕ

Актуальность проблемы
Методы интенсификации притока (МИП) являются одним из основных
способов поддержания уровня добычи углеводородов на нефтяных
месторождениях, тем самым они повышают срок их рентабельной
эксплуатации. Широкое применение в отечественной и зарубежной практике
получили технологии гидроразрыва пласта (ГРП) и кислотных обработок
призабойной зоны (ОПЗ). Естественно, что для получения максимальных
технико-экономических показателей, необходимо тщательное комплексное
прогнозирование эффективности того или иного мероприятия [1,2]. В работе [3]
отмечено, что качество планирования геолого-технических мероприятий
(ГТМ), к которым в том числе относятся МИП, принимает особое значение на
поздней стадии разработки месторождений, в которую уже перешло
большинство крупных месторождений Западной Сибири. Снижение уровня
добычи углеводородов обуславливает с одной стороны необходимость
применения МИП, с другой стороны значительное обводнение продукции
скважин, ухудшение энергетического состояния залежей, локализация
остаточных запасов и т.д. создают риски получения низкой эффективности
применения того или иного метода при отсутствии совокупного учета
большого количества влияющих факторов.
В настоящее время геолого-гидродинамические модели (ГГДМ)
эксплуатационных объектов являются физически обоснованным методом
решения большинства прикладных задач разработки, в том числе и
прогнозирования эффективности различных видов ГТМ. Однако на практике с
их помощью просчитывается и обосновывается выполнение в основном
высокозатратных мероприятий, таких как бурение новых скважин и вторых
стволов, которые планируются заблаговременно. Это связанно с тем, что на
актуализацию, качественную адаптацию и применение целых и/или секторных
ГГДМ требуется значительное количество времени, которого зачастую

4
недостаточно для расчета объемов мероприятий, подбираемых оперативно,
таких как ГРП и ОПЗ. Использование гидродинамического моделирования вне
зависимости от выбранного симулятора также вызывает ряд других трудностей,
более подробно рассмотренных в работе Стрекалова А.В., Хусаинова А.Т.
«Математическое моделирование процессов нефтедобычи на основе нейронных
сетей» [4].
Поэтому МИП (в том числе ГРП и ОПЗ), как правило, планируются и
оцениваются инженерами-разработчиками без привлечения ГГДМ на основе
геолого-промыслового анализа (ГПА) с помощью аналитических и
статистических методов. Детальный «ручной» анализ большого фонда скважин
также требует значительного количества времени, при его нехватке возможно
снижение качества подбора в пользу требуемого количества скважин.
Поскольку унифицированного подхода к подбору и анализу МИП, который не
имел бы недостатков, на данный момент не разработано, то оценка их
планируемой эффективности (прирост дебитов, продолжительность эффекта и
т.д.) имеет также долю субъективности, зависящую от квалифицированности
специалистов и применяемых ими методов анализа.
Вместе данные проблемы обуславливают необходимость формирования
методики планирования методов интенсификации притока, которая позволила
бы оптимизировать затраты времени на мониторинг фонда скважин с
выделением наиболее перспективных кандидатов и давать количественную
оценку потенциала мероприятий с объективным совокупным учетом влияющих
на эффект факторов.
Цель работы
Повышение эффективности планирования методов интенсификации
притока нефти (на примере ГРП и кислотных ОПЗ) разработкой методики
оперативной оценки перспективности скважин для их проведения.

5
Основные задачи исследования
1. Разработать подход к оперативному прогнозированию потенциала
МИП на основе совокупного учета влияющих факторов;
2. Разработать подход к прогнозированию дополнительной добычи
нефти после ГТМ, возможный к использованию на стадии их планирования;
3. Разработать методику оперативной оценки перспективности скважин
для методов интенсификации притока нефти;
4. Доказать эффективность разработанной методики с помощью
апробации на фактически выполненных мероприятиях.
Объект и предмет исследования
Объектом исследования являются методы интенсификации притока (на
примере ГРП и ОПЗ), проводимые на добывающих нефтяных скважинах, а
предметом – возможность оперативного прогнозирования их эффективности.
Научная новизна выполненной работы
1. Установлено, что отдельное использование влияющих геологических
и технологических факторов для оценки потенциала ГРП и ОПЗ не
обеспечивает удовлетворительной точности прогнозов. Предложена
группировка влияющих факторов в наборы для компактного описания системы
«пласт-воздействие-эксплуатация», выполнено статистическое обоснование
вклада каждой переменной в прогноз в полученных наборах факторов, а также
эффективности их совокупного учета. На основе теоретических исследований и
ряда вычислительных экспериментов разработаны нейронные сети для
оперативного прогнозирования потенциала МИП (дебиты, обводненность) с
удовлетворительной точностью (71,2 % по результатам апробации на 52
скважинах);
2. Предложен подход к прогнозированию динамики технологических
показателей после ГТМ и, соответственно, величины дополнительной добычи
на основе деревьев решений. В отличие от гидродинамического
моделирования, данный подход описывает не внутреннее поведение системы
(пластовые процессы), а основан на выявленных статистических зависимостях
6
динамики технологических показателей от влияющих факторов, благодаря
чему отличается оперативностью вычислений. Отличие от характеристик
вытеснения, основанных на эмпирических зависимостях между отборами,
обводненностью и временем, заключается в статистическом учете влияющих на
динамику технологических показателей факторов и возможности оценивать
дополнительную добычу еще на стадии планирования, а не только по факту.
3. Разработана новая методика оперативной оценки перспективности
скважин для методов интенсификации притока нефти на действующих
нефтяных скважинах. Преимущество разработанной методики относительно
традиционного геолого-промыслового анализа заключается в использовании
современных оперативных вычислительных инструментов (нейронные сети,
деревья решений) и структурировании шагов анализа при оценке планируемых
эффектов МИП. Эффективность методики доказана с помощью апробации на
52 скважинах. Конечное совпадение прогноза эффективности с фактом
составило 80,8 %. Представлен алгоритм подбора МИП, для реализации
которого применяются зарегистрированные программные продукты: MS Excel,
Нейросимулятор.
Практическая ценность и реализация
1. Разработанный подход для оперативного прогнозирования потенциала
МИП может использоваться специалистами нефтегазовой отрасли для
прикладного применения при планировании МИП и в подобных задачах
прогнозирования потенциала других видов ГТМ;
2. Подход к прогнозированию динамики технологических показателей
после ГТМ позволяет оперативно и с учетом влияющих факторов оценить
ожидаемую величину дополнительной добычи от проведения мероприятий на
стадии их планирования;
3. Разработанная методика может применяться для оценки
перспективности ГРП и ОПЗ на объектах Ач.т. и ЮВ1 других групп нефтяных
месторождений при использовании в прогнозирующих моделях истории
выполнения данных мероприятий на этих месторождениях и учета присущих
7
им геологических и технологических особенностей разработки при
комплексном ГПА. Также методика может быть экспериментально
переориентирована на планирование других видов ГТМ.
4. Разработанные модели нейронных сетей используются с 2015 года в
качестве одного из методов прогнозирования эффективности ОПЗ на
эксплуатационных объектах Ач.т. и ЮВ1 при подборе скважин-кандидатов под
кислотные ОПЗ по месторождениям территориального производственного
предприятия «Лангепаснефтегаз». За период 2015-2016 годов относительно
уровня 2014 года средняя удельная эффективность на одну скважино-операцию
ОПЗ выросла на 20,6 %, дополнительная добыча нефти за период 2015-2016
годов от повышения качества планирования ОПЗ по объектам Ач.т. и ЮВ1 по
месторождениям ТПП «Лангепаснефтегаз» оценивается в 10,8 тыс.т.
Основные защищаемые положения
1. Подход к оперативному прогнозированию потенциала МИП на основе
совокупного учета влияющих факторов;
2. Подход к прогнозированию динамики технологических показателей
после ГТМ и, соответственно, величины дополнительной добычи;
3. Методика оперативной оценки перспективности скважин для методов
интенсификации притока нефти на действующих нефтяных скважинах (на
примере ГРП и кислотных ОПЗ).

8
1. СУЩЕСТВУЮЩИЕ МЕТОДЫ И ОПЫТ ПРОГНОЗИРОВАНИЯ
ЭФФЕКТИВНОСТИ ГЕОЛОГО-ТЕХНИЧЕСКИХ МЕРОПРИЯТИЙ
1.1. Важность планирования ГТМ на нефтяных месторождениях и
классификация существующих методов прогнозирования
Как уже отмечалось во введении, методы интенсификации притока
являются частью более широкого понятия – геолого-технические мероприятия.
Проведенное в работе исследование было направлено на разработку методики
оперативной оценки перспективности скважин для проведения ГРП и
кислотных ОПЗ. Однако для полноты литературного обзора важность
планирования различных мероприятий, а также существующие методы и опыт
прогнозирования эффективности рассматривались в целом для ГТМ, а не
только для МИП.
В современной нефтегазодобывающей практике существует большое
количество различных видов ГТМ, каждый из которых имеет свои
преимущества, недостатки, и специфику применения. Несмотря на различные
технологии мероприятий, определяющим фактором проведения того или иного
вида ГТМ является экономическая эффективность, т.е. дополнительная добыча
нефти или снижение затрат на эксплуатацию скважины, полученные после
ГТМ, должны покрыть расходы на проведение самого мероприятия и принести
определенную прибыль. Поскольку проведение ГТМ является одной из
основных статей затрат добывающих предприятий, можно ясно представить
какое важное значение для рациональной разработки имеет точная оценка
технико-экономического потенциала планируемых мероприятий. В этом
направлении к настоящему времени было проведено большое количество
исследований с разработкой методов глубокого и экспресс-анализа текущего
состояния разработки и прогнозирования режимов работы скважин после
различных видов ГТМ [5-15].
В последнее время многие авторы отмечают неэффективность
«точечного» планирования единичных мероприятий и обосновывают

9
необходимость использования комплексного подхода к выбору скважин-
кандидатов для проведения различных ГТМ [1, 2, 16-19].
Схематично полный цикл комплексного планирования представлен на
рисунке 1.1.

Рисунок 1.1 – Процесс планирования ГТМ


Он представляет собой оценку потенциала и проблем участков
месторождения на основе текущего представления о рациональной разработке
эксплуатационного объекта с выбором скважин под ГТМ для осуществления
поставленных целей. Решение о целесообразности выполнения единичного
мероприятия или комплекса принимается на основе совокупной оценки
сложности ремонтов, возможности системы сбора и расчетной технико-
экономической эффективности выбранных технологий воздействия. В случае
положительного решения по факту выполнения ГТМ проводится оценка
полученных результатов, которые учитываются при дальнейшей разработке.
При отрицательном решении начинается поиск иного варианта.

10
На этапе планирования скважин-кандидатов для расчета
технологического эффекта ГТМ используются различные существующие
методы анализа и прогнозирования, которые условно можно разделить на 2
группы: аналитические и компьютерные (рисунок 1.2). Они тесно
взаимосвязаны, поскольку современные вычислительные машины за счет
высокой производительности являются развитием и оптимизацией
аналитических решений.

Рисунок 1.2 – Основные современные методы прогнозирования эффективности


геолого-технических мероприятий
В настоящее время ГГДМ является физически обоснованным методом
принятия большинства решений в процессе разработки месторождений, однако
аналитические расчеты и статистический анализ продолжают активно
использоваться инженерами-разработчиками для уточнения прогнозов ГГДМ,
они помогают выявить ошибки, заложенные в модели, когда ее расчеты
противоречат здравому смыслу. Все большее развитие получают методы «Data
Mining», относительно новое направление нетривиального анализа данных.
Однако несмотря на все это, разработка унифицированного метода
подбора и анализа ГТМ, совсем не имеющего недостатков, в настоящее время
не представляется возможной, что обусловлено обязательным наличием той
или иной степени неопределенности в данных и, как следствие, необходимости
принятия экспертных решений. Перспективы совершенствования подбора и
анализа ГТМ связанны с расширением нашего знания о пластовых системах и
протекающих в них процессах, алгоритмизацией и стандартизацией принятия

11
решений, объединением различных методов и подходов в комплексные
методики в условиях имеющейся неопределенности.
1.2. Обзор методов прогнозирования эффективности ГТМ
1.2.1. Геолого-гидродинамическая модель пласта (ГГДМ)
Геолого-гидродинамическая модель пласта – это математическое
описание процессов, происходящих в нем, в условиях максимально
приближенных к фактическим. Замкнутая система дифференциальных
уравнений в частных производных образуется на основе закона сохранения
массы и закона Дарси, вычисляются распределение давления и поле скорости
фильтрации.
Разработке алгоритмов и принципов, а также развитию программных
пакетов геологического и гидродинамического 3D моделирования посвящено
большое количество исследований как зарубежных, так и отечественных
ученых: Азиз Х. [6], Алтунин А. Е. [20], Бадьянов В. А. [21], Букаты М. Б. [22],
Гладков Е. А. [23], Закиров Э. С. [24], Закревский К. Е. [25, 26],
Каневская Р. Д. [5, 27], Костюченко С. В.[28], Мирзаджанзаде А. Х. [29],
Стрекалов А. В. [30], Фанчи Д. Р. [31], Corbett P. W. M. [32], Mattax C. C. [33],
Mathew T. [34], Peaceman D. W. [35], Thompson J. F. [36] и др.
С помощью ГГДМ возможно не только прогнозирование поведения
пласта при различных процессах, протекающих в нем (ГТМ, заводнение и т.п.),
но и решение множества других прикладных задач, причем не менее важных,
таких как: уточнение строения и свойств пласта при адаптации модели к
истории разработки, сопоставление модели и лабораторных исследований на
керне с целью уточнения фазовых проницаемостей, различные исследования
(конусообразование, распространение трещин ГРП) и т.д.
Несмотря на описанные преимущества гидродинамического
моделирования, его использование вне зависимости от выбранного симулятора
вызывает ряд серьезных трудностей [4, 37, 40].
Неполнота геолого-промысловой информации о межскважинном
пространстве и неразбуренных участках ведет к ряду вынужденных упрощений
12
и допущений, например, использование более простых геометрических форм
при описании распространения пластов. Характер распространения параметров
будет зависеть от выбора способов интерполяции и экстраполяции и в любом
случае подвергнется осреднению.
В работе [26] приводится подробная классификация главных
характеристик геологической среды, основных проблем неопределенности,
связанных с каждой из них, а также перечень мероприятий, позволяющих
повысить точность разрабатываемых геологических моделей (таблицы 1.1-1.5).
Таблица 1.1 – Основные компоненты ГГДМ, прямые и косвенные методы
получения геологической информации
Характеристика Основные
Компонента Основные косвенные
геологической прямые
геологической модели методы
среды методы
Структурно-
Структура Бурение Сейсморазведка 2D и 3D
тектоническая
Литолого-
Состав Керн ГИС
стратиграфическая
Флюидо- Пластовые ГДИ и специальные
Свойства
петрофизическая флюиды исследования
Геофлюидо- ГИС-контроль,
Состояние Добыча
динамическая 4D-сейсморазведка
Таблица 1.2 – Основные факторы неопределенности структурной
характеристики модели и мероприятия по их преодолению
Основной фактор
№ Пути преодоления Первоочередные мероприятия
неопределенности
Недостаточно высокая
Изучение верхней части Независимый супервайзерский
точность измерения
1 разреза (ВЧР), оптимизация контроль на всех этапах полевых
сейсмических скоростей и
условий и камеральных работ
времен
Применение методики Приемка и экспертиза
высокоразрешающей результатов обработки и
Несовпадение продуктивных сейсморазведки (ВРС), стратиграфических отбивок
2 горизонтов с реперными многоволнового продуктивных и реперных
сейсмическими горизонтами акустического (МАК) и горизонтов по расширенному
плотностного каротажа комплексу скважинной
(ГГКП), ВСП геофизики

Неточная навигационная Использование современной Привязка устьев глубоких


3 привязка сейсмических навигационной аппаратуры скважин в ходе полевых
профилей и скважин (GPS) сейсморазведочных работ

Формирование программы
Неточная инклинометрия Использование повторных инклинометрических
4 наклонно-направленных гироскопических измерений на основе анализа
скважин инклинометров сходимости данных бурения и
3D-сейсморазведки

13
Таблица 1.2 (продолжение) – Основные факторы неопределенности
структурной характеристики модели и мероприятия по их преодолению
Основной фактор
№ Пути преодоления Первоочередные мероприятия
неопределенности
Неоднозначность решения Применение Приемка и экспертиза
задачи оценки структурно- альтернативных методик структурно-скоростных
5
скоростных параметров среды структурных построений и построений по единым
по данным сейсморазведки оценки их точности отраслевым требованиям
Применение методики
Приемка и экспертиза
пространственной
Наличие мелкоблоковой и результатов динамической
сейсморазведки (3D),
6 разно ориентированной интерпретации – сейсмические
изучение волн разного
малоамплитудной тектоники атрибуты: когерентность, углы
кинематико-динамического
наклона, азимуты и др.
типа
Неучет предшествующей 2D-
сейсмической и скважинной Проведение переобработки Обязательное сопоставление
информации на участках, и формирование новых детальных построений с
7
непосредственно интегрированных проектов результатами предшествующих
прилегающих к площади 2D/3D работ региональных работ
детализационных работ
Таблица 1.3 – Основные факторы неопределенности составной характеристики
модели и мероприятия по их преодолению.
Основной фактор Первоочередные
№ Пути преодоления
неопределенности мероприятия

Неоднозначная корреляция
Комплексирование данных Использование программ
тонких латерально
1 ГИС и детальной автоматизированной
изменчивых пластов по
сейсморазведки синергетической корреляции
данным ГИС

Приемка и экспертиза
Неоднозначность решения Расширение комплекса
результатов промыслово-
задачи оценки ГИС по литологическому
2 геофизической интерпретации
компонентного состава по расчленению и оценке
(ПГИ) по единым отраслевым
данным ГИС компонентного состава
требованиям

Недостаточная изученность Формирование системы Применение новых


3 керном нефтеперспективных удаленного мониторинга экономичных технологий
интервалов разреза бурения непрерывного отбора керна

Выделение Приемка и экспертиза


Неоднозначность
литофациальных зон и результатов литофациального и
фациальной диагностики
соответствующих им типов петрофизического
4 изучаемых отложений по
разреза по комплексу районирования продуктивных
данным изучения керна,
данных (керн, ГИС, отложений, аттестация методик
ГИС и сейсморазведки
сейсморазведка) фациальной интерпретации

Неучет результатов Соблюдение стадийности –


регионального преемственности Проведение тематических работ
литофациального регионального, зонального по обобщению и сводной
5
районирования (секвенс- и локального этапов интерпретации геолого-
стратиграфия и седименто- геолого-разведочных работ геофизических материалов
генетический анализ) (ГРР)

14
Таблица 1.4 – Основные факторы неопределенности характеристики свойств
модели и мероприятия по их преодолению.
Основной фактор Первоочередные
№ Пути преодоления
неопределенности мероприятия

Неточное определение
Оптимизация условий Супервайзерский контроль,
петрофизических свойств по
вскрытия, выявление и приемка и экспертиза
результатам промыслово-
учет искажающего влияния результатов петрофизических,
1 геофизических, геолого-
прискважинной зоны на промыслово-геофизических и
промысловых и геолого-
оценку петрофизических гидродинамических
технических исследований
свойств исследований
скважин

Переход от
геостатистических методов Использование программ
математической трехмерной
Неоднозначность решения
интерполяции псевдоакустической инверсии и
задачи восстановления
петрофизических свойств к других псевдокаротажных
пространственного
детерминированным трансформаций, приемка и
2 распределения
методам атрибутивного экспертиза интерпретации
петрофизических свойств в
прогнозирования и сейсмических атрибутов и
межскважинном
трехмерной других данных наземной
пространстве
псевдокаротажной геофизики по единым
инверсии сейсмических отраслевым требованиям
данных

Различное проявление
Комплексирование
петрофизической Приемка и экспертиза
скважинных и наземных
неоднородности среды при результатов комплексной
геофизических методов с
3 измерениях интерпретации данных
учетом данных
разномасштабными методами сейсморазведки, ВСП и
петрофизических
лабораторной, скважинной и многоволновой акустики (МАК)
исследований
наземной геофизики

Неполный учет пластовых Проведение


условий и неточные петрофизических Увеличение объемов работ по
определения начальной и исследований на определению ОФП, ртутной
остаточной нефте- и полноразмерном керне в порометрии,
4
водонасыщенности, фазовой термобарических и капилляриметрическим
проницаемости (ОФП), гидродинамических исследованиям в системе
смачиваемости, других ФЕС условиях, максимально «нефть-вода»
и PVT-свойств приближенных к пластовым

Анизотропия и Предлабораторное
Представительные измерения
неоднородность ФЕС, томографическое
5 вертикальной и двух
приводящая к сложной исследование
горизонтальных проницаемостей
геометрии флюидных потоков полноразмерного керна

15
Таблица 1.5 – Основные факторы неопределенности характеристики состояния
модели и мероприятия по их преодолению.
Основной фактор
№ Пути преодоления Первоочередные мероприятия
неопределенности
Выявление и учет
Приемка и экспертиза
Отличие абсолютных отметок искажающего фактора:
результатов обоснования а.о.
водонефтяного контакта (а.о. структурного;
1 ВНК по всем скважинам,
ВНК) нефтяных залежей от литологического;
расположенным в водонефтяных
горизонтального уровня геодинамического;
зонах
гидродинамического.
Экспериментальные
Анизотропия и измерения и
Проведение тематических
неоднородность математическое
исследований по изучению
напряженного состояния моделирование
2 напряженного состояния по
горных пород сложнонапряженного
данным трехмерной
(негидростатичность горного состояния по данным
многоволновой сейсморазведки
давления) сейсморазведки МАК и
ГГКП
Неоднородность и Формирование системы Регулярное проведение работ по
нестационарность пластового регулярных замерам текущего пластового
3 давления, приводящая к гидродинамических давления, закачке меченых
сложной геометрии исследований скважин жидкостей и площадным
флюидных потоков (ГДИС) гидропрослушиваниям
Оптимизация постоянно
Неоднородность полей Внедрение новых методов ГИС-
4 действующей системы ГИС-
текущей нефтенасыщенности контроля (CHFR, СО, МАК)
контроль
Формирование системы
Проведение работ по методике
Неравномерный охват геофизического
4D-сейсморазведки (повторные
5 объекта разработки системой мониторинга разработки с
сейсмические 3D, 2D и ВСП
воздействия на пласт использованием повторных
наблюдения)
сейсмических съемок
Однако на практике ввиду экономических соображений и фактора
времени далеко не всегда предлагаемые исследования и эксперименты, а также
супервайзерский контроль имеют место быть в необходимом объеме.
Подобный объем работ и исследований скорее можно назвать
идеализированным, причем следует отметить, что даже полное его выполнение
не даст абсолютно точного представления об исследуемой геологической среде,
поэтому проблема наличия в модели геологической неопределенности остается
актуальной.
На долю геологической неопределенности в свою очередь
накладывается гидродинамическая неопределенность, заключающаяся в
осреднении фильтрационно-емкостных свойств (ФЕС) конечных ячеек модели.
Подробнее влияние этих неопределенностей на расчеты ГГДМ рассмотрено в

16
работе [4]. Таким образом, закладываемые в модель характеристики в
большинстве имеют погрешность 15 – 20 % и более, что вносит
неопределенность в описание реальных свойств моделируемого объекта [37], а
вариативность адаптации приводит к значительной доле субъективности
экспертной настройки моделей. Причем стоит отметить, что стремление к
максимально точному приближению к имеющимся данным, не всегда дает
положительный эффект. Погрешности в исходных данных могут содержать
выбросы и противоречивые значения, что обуславливает риск получения
недопустимых отклонений от реальных свойств объекта.
Другим недостатком численного моделирования являются значительные
затраты времени на актуализацию и адаптацию, что становится особенно
критичным при больших размерах моделируемых объектов или низкой
производительности используемой вычислительной техники.
Выходом в данной ситуации, как это отмечено в работах [38] и [39],
может быть создание секторных моделей с их последующим сопряжением в
целую модель, однако этот подход также имеет недостатки:
- секторное моделирование представляет более высокие требования к
качеству исходных данных и точности адаптации;
- время инициализации при расчете сектора зачастую сопоставимо со
временем инициализации целой модели и может значительно превышать
продолжительность самого расчета;
- очевидно, что сопряженные секторные модели взаимосвязаны между
собой и при планировании ГТМ на их границе, необходимо будет производить
расчет нескольких секторов;
- распараллеливание работы между несколькими специалистами по
адаптации каждым из них своей секторной модели для оптимизации затрат
времени, может привести к использованию различных подходов при адаптации.
Последним серьезным недостатком использования даже высокоточных
ГГДМ является отсутствие для большинства существующих технологий

17
математических моделей, описывающих детально их взаимодействие с
флюидами и породами [40].
1.2.2. Аналитические методики и расчеты с применением
комплексного геолого-промыслового анализа (ГПА)
Как отмечают авторы в работе [29]: «Только после тщательного
изучения задачи с помощью аналитических методов можно обратиться к
компьютеру, но и тогда его нужно постоянно «вести за руку»».
Несмотря на значительное развитие компьютерных методов машинного
анализа, аналитическая оценка и расчеты потенциально эффективных скважин
под различные виды ГТМ, является очень важным направлением деятельности
специалистов-разработчиков.
Опыт отечественной и зарубежной разработки нефтяных и газовых
месторождений позволил создать большое количество аналитических методик
планирования ГТМ. В данном пункте рассмотрены лишь некоторые,
интересные различием своим подходов для достижения общей цели – отбора
потенциально эффективных скважин-кандидатов под различные виды ГТМ.
Самым простым методом классификации скважин на потенциально
эффективные и неэффективные является их графическое ранжирование
относительно средних показателей по объекту эксплуатации, например, как
представлено на рисунке 1.3.

Рисунок 1.3 – Примеры графического ранжирования скважин:


а). по дебиту жидкости от пластового давления, б). по дебиту нефти от
нефтенасыщенности

18
Красным отмечены скважины, которые при больших значениях
пластового давления и нефтенасыщенности работают с меньшими дебитами
жидкости и нефти соответственно относительно средних значений по
месторождению и которые следует проанализировать внимательней на
возможность интенсификации.
Недостатком данного метода является то, что параметры работы
скважин оцениваются только относительно одного фактора. Подобным образом
необходимо оценивать все физически значимые отношения, т.к., например,
скважины в районах высокого пластового давления могут работать с
маленькими дебитами жидкости по причине низких ФЕС пласта и не являться
пригодными кандидатами под ГТМ. Также в итоге не дается количественная
оценка эффекта.
В качестве метода, учитывающего совокупность факторов, влияющих на
эффективность ГТМ, авторами в работах [7, 41] на основе анализа выполнения
ОПЗ в Удмуртии в период за 6 лет предложено ранговое ранжирование
признаков (таблица 1.6). Максимально возможная сумма произведений
горизонтальных и вертикальных значений рангов равна 330, она характеризует
лучшие условия для проведения ОПЗ. Авторы отмечают, что высокой
вероятности успешной ОПЗ соответствуют суммы 270 и больше, а низкой –
меньше 120.
Таблица 1.6 – Ранжирование признаков по горизонтали и вертикали для
прогнозной оценки эффективности ОПЗ
Порядковый
номер Послойная Расход Отношение
Средневзвешенная
кислотной неоднородность Обводненность кислотного толщины пласта к
проницаемость по q0/q Р 0/Р Тпл/Тнп Gпзп
Ранги по обработки в по проницаемости, 2
продукции, % состава, перфорированой,
пласту, мкм
вертикали одной Kmax/Kmin м 3/м м/м
скважине
Ранги по горизонтали
10 9 8 7 6 5 4 3 2 1
1 6 > 10 0,450-0,350 > 70 1 1,4-1,25 < 0,5 1 0,8-0,9 > 12
2 5 9,9-7 0,349-0,200 70-50 1,01-1,1 1,24-1,1 0,57-0,8 1,1-1,4 0,91-1,0 11,9-8
3 4 6,9-5 < 0,050 49,9-30 1,21-1,5 1,0-0,9 0,81-1 1,41-1,6 1,1-1,2 7,9-5
4 3 4,9-3 0,100-0,50 29,9-15 1,51-2,0 0,89-0,8 1,1-1,5 1,61-1,8 1,21-1,3 4,9-3
5 2 2,9-1,5 0,199-0,150 14,9-5 2,01-3,0 0,79-0,7 1,57-2 1,81-2 1,31-1,4 2,9-1
6 1 1,5-1 0,149-0,100 <5 >3 < 0,7 >2 >2 1,41-1,5 <1

В данной таблице Кmax и Kmin – максимальная и минимальная


проницаемость пропластков обрабатываемого интервала; q0 и P0 – начальные

19
дебит жидкости и пластовое давление; q и P – текущие дебит жидкости и
пластовое давление; Tпл – пластовая температура; Тнп – температура насыщения
нефти парафином; Gпзп = (Рн-Рз)*Гн/Рн; Рн – давление насыщения нефти
газом, МПа; Рз – забойное давление, МПа; Гн – газовый фактор нефти, м3/т.
Подобный ранговый подход может быть использован и для других
видов ГТМ при наличии достаточного количества фактически проведенных
мероприятий, которые можно проанализировать статистическими методами для
определения значимости влияющих факторов.
Несомненным плюсом такого подхода является учет постепенной
выработки: рост обводненности, снижение пластового давления, кратность
обработок и т.д. Основные недостатки – это отсутствие учета влияния на
эффективность параметров самой технологии (так описанный пример оценки
потенциала ОПЗ не оценивает способ кислотной обработки, наличие и способ
освоения, состав агента и т.п.). В явном виде не оценивается влияние
сложившейся системы разработки и не дается количественная оценка эффекта
(возможный прирост дебита жидкости, изменение обводненности,
продолжительность эффекта).
В учебном пособии [2] выбор потенциально эффективных скважин-
кандидатов предлагается осуществлять на основе выделения перспективных
участков с помощью наложения друг на друга карт ряда параметров:
1. Карта начальных балансовых запасов;
2. Карта keff*heff (произведение эффективной проницаемости по нефти
и эффективной мощности залежи);
3. Карта средней нефтенасыщенности.
Таким образом, полученные при пересечении зоны будут наиболее
перспективными с точки зрения наличия в них запасов углеводородов и
хорошей способности фильтрации.
Авторы также указывают необходимость учета энергетического
состояния объекта, поэтому выбранные зоны следует совместить с картой
изобар и текущего состояния, а потом приступать к отбору конкретных
20
скважин для проведения ГТМ (рисунок 1.4). Здесь синей штриховкой по
описанной методике отмечены перспективные зоны, красными крестами
выделены скважины, которые стоит детальней рассмотреть под
интенсификацию.

Рисунок 1.4 – Выделение перспективных зон и скважин по методике наложения


параметров
Преимуществом данного метода является наглядная визуализация
набора физически значимых параметров и возможность планировать ГТМ, в
том числе бурение новых скважин и боковых стволов в зоны локализации
запасов, с учетом сложившейся системы разработки. Недостатком является то,
что информация для карт в основном берется из ГГДМ, при ее отсутствии
значительно увеличивается время и количество математических вычислений
для их расчетов. Также, как и в рассмотренных выше подходах, эффект не
оценивается количественно.
В работе [5] обобщается опыт большинства теоретических исследований
по расчетам конфигурации трещины и эффективности ГРП, на их основе
формируется поэтапный комплексный подход подбора скважин-кандидатов под
ГРП с применением ГГДМ:

21
- анализ геолого-физической и промысловой информации, построение
на ее основе геологической модели;
- определение ориентации и оптимальных параметров трещин;
- выявление скважин с загрязненной призабойной зоной пласта (ПЗП) и
отбор кандидатов с учетом системы разработки и ориентации трещин;
- создание и применение гидродинамической модели для расчета
вариантов (базового и намечаемых);
- отбор наиболее эффективных комбинаций воздействий;
- технико-экономические расчеты, окончательный выбор скважин.
Важной составляющей данного подхода является оценка загрязнения
ПЗП с помощью формулы Дюпюи, которая для установившегося режима
двухфазного течения может быть записана в следующем виде:
𝑘в 𝑘н ̅̅̅̅̅
(𝑃 пл. − 𝑃заб. )
𝑞жид. = 𝛼 ∗ ℎ ∗ ( + )∗ 𝑅 1 , (1.1)
𝐵в ∗µв 𝐵н ∗µн (ln к.п. − +𝑆)
𝑟скв. 2

где qжид. – дебит жидкости, [м3/сут];


α – пересчетный коэффициент (для российских промысловых единиц
равный 1/18,41);
h – эффективная мощность пласта, [м];
kв и kн, Bв и Bн, µв и µн – эффективная проницаемость [мД], объемный
коэффициент [м3/м], вязкость [сПз] для воды и нефти соответственно;
̅̅̅̅
𝑃пл. и Pзаб. – среднее пластовое и забойное давления соответственно, [атм.];

Rк.п. и rскв. – радиус контура питания и скважины соответственно, [м];


S – совокупный скин-фактор.
В рассматриваемом подходе предлагается производить расчеты текущих
дебитов без учета скин-фактора и сопоставлять полученные результаты с
фактическими дебитами, если расчетные дебиты значительно выше, то можно
предположить, что имеется загрязнение призабойной зоны.
Формулой Дюпюи можно воспользоваться и для оценки потенциального
притока к скважине после ГРП, уже, напротив, варьируя предполагаемой
величиной скин-фактора.
22
Все приведенные в подразделе аналитические методы реализуются с
помощью лица принимающего решение (ЛПР) – специалиста, который
использует графические, визуальные и вычислительные инструменты анализа,
а затем принимает решение исходя из своего личного опыта и уровня знаний.
Поэтому при использовании аналитических методов в дополнение к
перечисленным трудностям (погрешность данных, однофакторная оценка,
затраты времени, отсутствие количественной оценки изменения
прогнозируемой величины) добавляется проблема субъективности
принимаемых решений (предпочтения ЛПР). При выборе решающего фактора
или группы факторов, когда частные факторы могут не удовлетворяться в
полной мере, возможны как положительные, так и отрицательные результаты
принятых решений, что свойственно сложным многофакторным и зачастую
неустойчивым системам. Поэтому дальнейшее расширение набора
инструментов для проведения анализа и его частичная объективная
автоматизация являются актуальными задачами.
1.2.3. Классические методы статистического прогнозирования
Применимо к задаче прогнозирования эффективности различных видов
ГТМ среди множества существующих статистических методов анализа данных
следует выделить 2 группы:
- Регрессионный анализ (для определения потенциальных
технологических режимов работы скважин после воздействия);
- Экстраполяционные методы (для оценки продолжительности эффекта
и величины дополнительной добычи нефти). Следует разделять на:
а) Специальные (для нефтегазовой промышленности эти методы
собирательно называются характеристиками вытеснения);
б) Неспециальные способы экстраполяции.
Очевидно, что эффект от проведения того или иного вида ГТМ зависит
от множества факторов, описывающих геолого-физические характеристики
пласта, накопленные показатели добычи, энергетическое состояние участка,
параметры технологии воздействия и т.д. Таким образом, для поставленной
23
задачи прогнозирования регрессионная модель будет определяться уравнением
множественной регрессии:
𝑦 = 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 ), (1.2)
где y – зависимая переменная (результативный признак);
x1, x2, …, xn – независимые переменные (факторы).
Главная цель множественной регрессии – это построение
многофакторной модели, которая позволяет определять влияние каждого
фактора в отдельности, а также совокупное их воздействие на моделируемый
показатель [42].
Очень важными качествами регрессионной модели являются ее простота
и наглядная интерпретация параметров. В связи с этим наиболее широко
используются линейная (1.3) и степенная (1.4) модели.
𝑦𝑥 = 𝑎 + 𝑏1 ∗ 𝑥1 + 𝑏2 ∗ 𝑥2 + . . . + 𝑏𝑛 ∗ 𝑥𝑛 (1.3)
𝑦𝑥 = 𝑎 ∗ 𝑥1 𝑏1 ∗ 𝑥2 𝑏2 ∗ . . .∗ 𝑥𝑛 𝑏𝑛 , (1.4)
где параметры a и bi – коэффициенты регрессии.
Применение множественной регрессии требует выполнения ряда
математических вычислений (оценка и преодоление коллинеарности и
мультиколлинеарности факторов, оценка значимости факторов с применением
статистических критериев, вычисление коэффициентов регрессии, оценка
значимости полученного уравнения). Все это зачастую приводит к тому, что
построение регрессионной модели становится трудоемким итерационным
процессом.
Характеристиками вытеснения называются различные параметрические
зависимости между отборами нефти, воды, жидкости, временем или
обводненностью [99]. Они используются для определения устойчивых трендов
поведения технологических показателей работы скважин при различных
геологических условиях, системах разработки и показателях выработки.
Основными недостатками характеристик вытеснения являются
следующие:

24
1. Вопрос выбора базового интервала для прогнозирования
(продолжительности истории). Нет четких критериев выбора оптимального
периода;
2. Большинство характеристик вытеснения применимо при
обводненности более 50 %, когда постепенно наступает стабилизация темпа
изменения обводнения. На более ранних стадиях точность прогнозов будет
неудовлетворительной и необоснованной. Однако в работе [4] отмечается, что
даже на поздних стадиях разработки из-за больших объемов ГТМ и методов
увеличения нефтеотдачи (МУН) возможно проявление сингулярности
прогнозов характеристик вытеснения;
3. Если нет базового интервала для прогнозирования, то характеристики
вытеснения неприменимы, соответственно с их помощью нет возможности
оценить поведение технологических показателей после ГТМ на стадии
планирования. Если принять за аналог базового интервала режим работы
скважины после выполнения схожих видов ГТМ по истории, то такой прогноз
не будет обоснованным, поскольку в прошлый временной период были другие
геолого-технические условия.
В отличие от характеристик вытеснения неспециальные способы
экстраполяции оценивают статистически складывающиеся тенденции
изменения количественных характеристик объекта.
На рисунке 1.5 представлена динамика дебита нефти скважины во
времени, аппроксимированная различными способами и спрогнозированная
ими на 5 месяцев вперед. Видно, что по физическому смыслу больше всего
подходит экспоненциальный тренд, выполаживающий темп снижения дебита
со временем, однако он обладает наименьшим среди примеров коэффициентом
детерминации R2. Полином 2-ой степени в данном случае представляет собой
почти линейный тренд, предполагающий, что темп снижения дебита нефти не
изменится. Полиномы более высоких степеней, несмотря на большую степень
достоверности аппроксимации, дают физически необоснованные прогнозы. Так
прогноз полинома 3 степени показывает, что через 5 месяцев дебит скважины
25
снизится до нуля и ниже. На графике с аппроксимацией полиномом 6-ой
степени красная точка – это точка сингулярности, после которой прогноз теряет
адекватность.

Рисунок 1.5 – Аппроксимация динамики дебита нефти скважины во времени


различными способами
Таким образом, при использовании метода экстраполяции необходимо
идти на компромисс между надежностью (достоверностью) аппроксимации,
областью предельно допустимого прогноза (точка сингулярности) и
сглаженностью кривой функции между фактическими данными [4]. Также
необходима оценка соответствия полученного тренда физическому смыслу
описываемого явления.
1.2.4. Методы «Data Mining»
Термин «Data Mining» (обнаружение знаний в базах данных,
интеллектуальный анализ данных) был введён в 1989 году Григорием
Пятецким-Шапиро. Это совокупность методов обнаружения в данных ранее
неизвестных, нетривиальных, практически полезных и доступных
интерпретации знаний, необходимых для принятия решений в различных

26
сферах человеческой деятельности [43, 44]. Составляющие технологии Data
Mining представлены на рисунке 1.6.

Рисунок 1.6 – Составляющие технологии Data Mining


Значительную часть методов Data Mining составляют давно известные
методы и алгоритмы статистики, однако данная технология есть ни что иное,
как новый взгляд на их применение для решения задач с помощью
современных возможностей технических устройств и программных средств (в
большей части в рамках теории искусственного интеллекта).
В работе [45] рассмотрена применимость инструментов Data Mining для
подбора скважин-кандидатов для проведения ГРП на объекте БВ8 Повховского
месторождения. Анализировалась точность прогнозов основных
технологических показателей следующими подходами: линейная регрессия,
дерево принятия решений, случайный лес и нейронная сеть. На основе
полученных результатов сделано заключение о возможности применения
данных технологий для поставленной задачи.
Сравнительная характеристика некоторых популярных методов
прогноза Data Mining [46] представлена в таблице 1.7. В качестве описательных
характеристик рассмотрены трудоемкость, точность, интерпретируемость,

27
быстроту и пригодность к использованию. Шкала оценки от 1 (низкая) до 5
(высокая).
Таблица 1.7 – Сравнительная характеристика некоторых популярных методов
прогноза Data Mining
Метод
Нейронные Линейная Деревья
Метод k-ближайшего
сети регрессия решений
соседа
Трудоемкость 3 3 5 3
Точность 5 3 2 2
Интерпретируемость 2 4 5 4
Быстродействие 3 5 4 5
Пригодность к
4 5 4 3
использованию
Из таблицы видно, что каждый из методов имеет свои преимущества и
недостатки. Та или иная характеристика может стать определяющей при
выборе инструмента для решения поставленной задачи. Для решения
прикладных задач нефтегазодобывающей промышленности технологии Data
Mining рассматриваются в работах [4, 45, 47-49]. Многочисленные
исследования подтверждают перспективность использования данных методов в
различных областях.
Далее более подробно будет рассмотрено устройство нейронных сетей,
их возможности и применимость в качестве метода прогнозирования
эффективности ГТМ, в том числе МИП (ГРП и ОПЗ).
1.3. Теоретические основы искусственных нейронных сетей
1.3.1. История появления метода, принцип устройства и условия
применения
Классическим началом теории искусственных нейронных сетей принято
считать середину XX века, когда американскими учеными Уорреном Мак-
Каллоком (Mac-Culloc) и Уолтером Питтсом (Pitts) были предприняты первые
попытки смоделировать процессы мозговой деятельности человека на основе
математических алгоритмов и вычислительной техники. В 1943 ими была
разработана компьютерная модель нейронной сети. Нейроны в полученной
модели так называемой «пороговой логики» было решено упрощённо
28
рассматривать как устройства, оперирующие двоичными числами и способные
обучаться с помощью подстройки параметров, описывающих синаптическую
проводимость. На основе результатов проведенных экспериментов с
числовыми и логическими операциями, ученые предположили, что
разработанная модель нейронной сети после обучения обладает чертами
интеллекта и способна решать широкий спектр математических и логических
задач.
За 70 лет нейронные сети прошли долгий путь развития [50-55]. Среди
отечественных и зарубежных ученых-современников, внесших значимый вклад
в развитие теоретической и практической составляющих искусственного
интеллекта, в частности, нейронных сетей, стоит отметить следующих:
Д. А. Поспелов [56, 57], С. Трун (S. Thrun) [58], В. Вэньцзюнь (Wu Wenjun)
[59], В. К. Финн [60, 61], Дж. Хинтон (G. Hinton) [53, 62, 63], Дж. Дж. Хопфилд
(J.J. Hopfield) [64], Э. Ын (A. Ng) [65] , С. Пейперт (S. Papert) [66],
Д. Б. Мамфорд (D. B. Mumford) [67], Е. М. Миркес [68], П. Норвиг (P. Norvig)
[69], А. Н. Горбань [70, 71], Б. Г. Кац [72], Я. Лекун (Yann LeCun) [73], Д. Перл
(J. Pearl) [74], М. Л. Минский (M. L. Minsky) [66], Т. Кохонен (T. Kohonen) [75],
Р. Хехт-Нильсен (R. Hecht-Nielsen) [80], С. Хайкин (S. Haykin) [77].
Стоит отметить все более растущий интерес ученых и специалистов к
уже разработанным моделям и алгоритмам обучения нейронных сетей для их
практического применения при решении прикладных задач различных областей
человеческой деятельности, поскольку искусственные нейронные сети
являются мощным информационного-статистическим методом анализа.
Зачастую перед специалистами и исследователями стоят задачи высокой
сложности, которые требуют синтеза существующих подходов для получения
эффективного решения. Нет никаких сомнений и в дальнейшей интеграции
методов искусственного интеллекта между собой и с другими методами
решения задач.
Что же собой представляет искусственная нейронная сеть? Согласно
одной из самых распространенных теорий система, моделирующая
29
искусственный интеллект, должна иметь структуру схожую с организацией
головного мозга [50]. Стоит отметить, что мозг имеет очень сложную структуру
и состоит примерно из 109 специальных нервных клеток – нейронов. Нейроны
способны воспринимать сигналы, преобразовывать их и передавать дальше
другим нейронам [76]. Схема единичного биологического нейрона
представлена на рисунке 1.7.

Рисунок 1.7 – Схема биологического нейрона


Каждый нейрон включает в себя следующие составляющие: дендриты –
разветвленные отростки, принимающие информацию; тело нейрона, в котором
происходит преобразование полученных сигналов; аксон – разветвляющийся
отросток, по которому нервные импульсы идут к другим нервным клеткам.
Аксоны нейрона и дендриты других нейронов соединены между собой
синапсами. Когда полученных и преобразованных сигналов оказывается
достаточно для того, чтобы активировать нейрон (суммарный сигнал
сравнивается в ядре с некоторым порогом активации), он посылает
электрохимический сигнал по аксону другим нейронам, которые также могут
активироваться. Когда же сигнала недостаточно – он затухает и нейрон
остается неактивным. Сила сигналов, получаемых нейронами, сильно зависит
от активности синапсов. Именно такое утверждение сделал Д. Хебб, высказав,
что суть обучения заключается именно в изменении силы синаптических
связей. Искусственные нейронные сети строятся в целом на описанных выше
принципах и способны достигать высоких результатов при обучении и
практическом применении.
30
Графически модель искусственного нейрона можно представить в виде,
показанном на рисунке 1.8 [77].

Рисунок 1.8 – Модель искусственного нейрона Мак-Каллока и Питтса


Принцип работы искусственного нейрона следующий: он получает N
входных сигналов через входные каналы. Данные сигналы могут быть как
первичными данными, так и выходными данными других нейронов сети. Все
полученные сигналы проходят через специальные соединения (аналоги
биологических синапсов), где каждый из них умножается на присущий только
данному сигналу вес w (аналог синаптической активности). Веса могут быть
как положительными, так и отрицательными, следовательно, синапсы могут
оказывать на нейрон возбуждающее и тормозящее воздействие соответственно.
У каждого нейрона имеется определенное пороговое значение b, которое
вычитается из полученной суммы преобразованных сигналов. Разность суммы
сигналов и порогового значения u называется пост-синаптическим потенциалом
(PSP) или же величиной активации нейрона. Эта величина преобразуется
определенным образом с помощью функции активации f и полученное значение
y (выходной сигнал) поступает на выход нейрона. Индекс i означает номер
нейрона в сети. Искусственный нейрон может работать также, как и
естественный, если в качестве функции активации использовать пороговую
передаточную функцию (функция Хевисайда). В данном случае взвешенная
31
сумма сигналов будет сравниваться с пороговым значением и выход нейрона
может быть равен нулю либо единице в зависимости от того, превысила ли
сумма сигналов порог нейрона. На практике пороговые функции зачастую
используются реже чем, например, линейные, сигмоидальные или радиально-
базисные функции.
При рассмотрении не единичного нейрона, а сети стоит понимать, что
помимо входных и выходных нейронов, которые принимают информацию
извне и выдают управляющие сигналы или прогнозы, в ней существуют
промежуточные (скрытые) нейроны, которые выполняют основные
вычислительные операции и влияют на обобщающую способность нейронной
сети (рисунок 1.9).

Рисунок 1.9 – Пример структуры нейронной сети


Нейросетевой метод прогнозирования может быть как независимым, так
и дополнением к классическим методам статистического анализа или
численного моделирования. Статистические методы в большинстве своем
также связаны с построением моделей, которые зачастую имеют упрощения и
допущения (например, предположение о линейных зависимостях между
анализируемыми данными или об их нормальном распределении и т.п.).
Нейронные сети не имеют подобных ограничений и могут применяться как для
линейных, так и для очень сложных нелинейных зависимостей [78].
32
Следует также отметить, что современные технологии значительно
удешевили получение и накопление данных. Однако зачастую не все
получаемые и имеющиеся данные анализируются в полном объеме, несмотря
на то, что в этом имеется потребность. Отчасти это обусловлено ограничением
анализа по времени и тем, что большинство классических методов анализа
плохо масштабируются по количеству данных. Для их корректного
использования требуется применение методов уменьшения размерности
данных, осреднения, преобразования и т.п. Нейронные сети, как обучающиеся
системы, напротив лучше обобщают имеющиеся в данных зависимости, при
наличии большого объема и разнообразия информации, что и показывает опыт
их применения в различных областях. Освоение приемов работы с нейронными
сетями в нефтяной промышленности актуально и важно.
Еще одним большим преимуществом нейронных сетей относительно
многих существующих методов прогнозирования является принцип
параллелизма. Разделение вычислений между нейронами сети придает
последней особую форму робастности, т.е. устойчивости к зашумленным
данным и выбросам, что подробно проанализировано в работе [4].
Однако стоит понимать, что любой метод анализа данных, в том числе и
нейронные сети, не будет эффективно работать сам по себе. Среди основных
задач специалиста-аналитика, который применяет нейросетевое моделирование
можно выделить следующие: определить тип решаемой проблемы; отобрать
экспериментально либо на основе сложившихся представлений о предмете
исследования входные и выходные переменные, составить обучающую
выборку, произвести предобработку данных (удаление выбросов,
противоречий, кодировку и т.д.); выбрать тип нейронной сети, ее архитектуру
(количество слоев, нейронов и связей между ними, функцию активации);
подобрать оптимальный алгоритм обучения и произвести его; оценить
результаты обучения и при необходимости скорректировать их.
Вся эта работа не имеет строгого алгоритма действий и не состоит из
ряда формализованных процедур, поэтому для получения высоких результатов
33
она требует от специалиста-аналитика глубокого понимания анализируемого
явления или процесса, наличия теоретического представления о нейронных
сетях и навыков работы с ними, а также эвристического опыта по решению с
помощью данного метода подобных задач.
Таким образом, можно сделать вывод о критериях применимости
нейронных сетей:
1. Между анализируемыми данными должны существовать причинно-
следственные взаимосвязи, либо должно быть хотя бы подозрение на их
наличие (для разведочного анализа);
2. Должен быть накоплен объем данных о предыдущем поведении
системы, соизмеримый с количеством анализируемых переменных и
достаточный для составления обучающей выборки;
3. Нет метода явного решения поставленной задачи, либо он не может
быть использован по какой-либо другой причине;
4. Традиционные методы анализа не дают удовлетворительных
результатов в виду низкой информативности данных (неполнота, искажение,
противоречивость) либо их применение имеет критичные недостатки.
Исходя из обозначенных критериев применимости нейронных сетей,
можно сделать вывод, что данный метод применим для прогнозирования
эффективности геолого-технических мероприятий, поскольку как уже
отмечалось эффект от проведения того или иного вида ГТМ зависит от
множества факторов. История разработки большинства месторождений
углеводородов позволяет составить обучающую выборку из примеров
фактически выполненных ГТМ, а существующие методы прогнозирования,
рассмотренные в данной главе, имеют ряд недостатков.
Далее в этом разделе рассмотрены теоретические основы типов
нейронных сетей, принципов их обучения и обзор программных продуктов,
поддерживающих нейронные сети, для дальнейшего проведения
вычислительных экспериментов, описанных в разделе 2.

34
1.3.2. Классификация существующих нейронных сетей
Искусственные нейронные сети могут быть классифицированы по
различным признакам [44, 79], относящимся как особенностям
непосредственно модели сети (виды нейронов и структура), так и процессу
обучения (алгоритм обучения, способ подачи примеров, характер настройки
синапсов). Основные виды классификаций нейронных сетей представлены на
рисунке 1.10.

Рисунок 1.10 – Основные виды классификаций нейронных сетей


По структуре связи нейронов различают полносвязные и слоистые
(неполносвязные) нейронные сети.
В первом случае структура сети построена таким образом, что каждый
нейрон способен передавать свой выходной сигнал всем другим нейронам сети,
в том числе и себе самому (рисунок 1.11). Входная информация также подается
каждому нейрону, а вот выходных сигналов может быть и меньше, чем число
нейронов сети.
Слоистые сети (часто называемые персептронами) подразделяются на
однослойные и многослойные (рисунок 1.12) Слой – это совокупность
35
нейронов, объединенных общими входными сигналами. Первый слов (нулевой)
считается входным, последний – выходным, остальные слои называются
скрытыми (промежуточными).

Рисунок 1.11 – Пример полносвязной нейронной сети

Рисунок 1.12 – Примеры слоистых сетей: а) однослойная, б) многослойная


Существенное различие между сетями полносвязной и слоистой
архитектуры заключается в том, что первые сети функционируют до получения
наиболее приемлемого результата обучения без заранее заданного количества
итераций обучения, слоистым сетям необходима подобная установка.
В настоящее время для решения задачи регрессии наиболее
теоретически обоснованно использование двухслойных персептронов с

36
сигмовидными функциями активации [80]. Такие сети могут реализовывать
любые отображения входного сигнала в выходной.
По характеру настройки синаптических связей нейронные сети делятся
на сети с фиксированными и динамическими связями. Фиксированные связи –
тот случай, когда им присваиваются значения сразу на основе условий задачи.
Динамические связи настраиваются в процессе обучения. Очевидно, что
существует не так много задач, которые можно решить с приемлемой
точностью нейронными сетями со связями, выставленными вручную (особенно
в задачах регрессии, где выходные значения – множество действительных
чисел), поэтому подавляющее большинство задач решается с использованием
динамической настройки весов.
Следующей важной классификацией является модель обучения.
Выделяют следующие виды обучения:
– без учителя;
– с подкреплением (нейродинамическое программирование);
– с учителем.
Наиболее популярным является обучение с учителем, область его
применения шире, чем у других выделяемых способов. Так обучение без
учителя и нейродинамическое программирование используется для решения
задач кластеризации, поиска ассоциативных правил, спонтанного обобщения и
сокращения размерности исходных данных (отсеивание слабосвязанных
переменных). При обучении без учителя на первое место ставится определение
внутренней структуры данных, а не выявление связей между наблюдениями и
целевыми признаками. Обучение с учителем позволяет решать задачи
аппроксимации и регрессии (когда в качестве выхода выступают векторы и
действительные числа соответственно), распознавания образов и
классификации (при конечном множестве выходов), прогнозирования (если
последовательность ответов характеризует поведение явления) [81].
Суть обучения с учителем заключается в том, что на вход сети подаются
влияющие параметры (стимулы), а на выход – эталонный выход,
37
соответствующий этому распределению параметров (реакция). Именно эти
эталонные выходы и подразумеваются под учителем. На основе обучающей
выборки таких примеров стимул-реакция сеть строит модель их отношений, в
итоге получается алгоритм, пригодный для прогнозирования, способный для
набора входных параметров дать ответ (прогноз).
Таким образом, для прогнозирования эффективности геолого-
технических мероприятий необходимо использовать вид обучения с учителем,
поскольку мы составляем выборку распределения входных параметров,
описывающих пластовую систему и воздействие на нее и присваиваем
полученным наборам входных данных эталонные выходы – фактические
дебиты жидкости и обводненность после проведения ГТМ.
По типу модели нейронные сети делятся на сети прямого распределения
и с наличием обратной связи (рекуррентные) [4, 76]. На рисунке 1.13
представлена классификация нейронных сетей по типу распространения
сигнала с примерами основных моделей.

Рисунок 1.13 - Классификация нейронных сетей по типу


распространения сигнала
Прямое распространение подразумевает под собой проход от слоя к
слою входных сигналов в сторону выходного слоя нейронов. Эта структура
обладает устойчивым поведением. Наличие обратной связи означает
возможность возврата сигналов обратно к более ближним от входа слоям, такие
сети способны приспосабливаться к условиям изменения внешней среды с

38
течением времени, однако рекурентность порождает собой неустойчивость и
зачастую очень сложную динамику поведения. Необходимо соблюдение
условий динамической устойчивости, в противном случае сеть не сойдется к
правильному решению. Возможна и такая ситуация, что достигнутое после
определенной итерации правильное выходное значение сигнала при
последующих итерациях измениться в неверное. Рекуррентные сети в
настоящее время являются предметов активных исследований ученых, однако,
в многочисленных работах отечественных и зарубежных исследователей
показано, что для решения большинства практических задач главным образом
используются сети прямого распространения, обучение которых основано на
градиентных методах [4, 77, 80].
Переработка Хехт-Нильсеном теорем Арнольда-Колмогорова для
нейронных сетей теоретически показывает, что среди сетей прямого
распределения для решения задач наиболее перспективным является
двухслойный (с одним скрытым слоем) персептрон.
На рисунке 1.14 представлены распространенные функции активации.

Рисунок 1.14 – Графики распространенных функций активации нейронов


Функции активации нейронов в слоях сети являются очень важными
параметрами нейронной сети, определяющими логику ее вычислений [82].
39
Функция активации (или передаточная функция) – это функция, которая
вычисляет выходной сигнал конкретного нейрона. Аргументом функции
является сигнал u(i), получаемый на выходе сумматора Σ (рисунок 1.8).
А). Жесткая пороговая функция (функция Хевисайда). Описывается
следующим выражением:
𝑦 , 𝑥 ≥𝑇
𝑦 = 𝑓(𝑥) = { 𝑚𝑎𝑥 , (1.5)
𝑦𝑚𝑖𝑛 , 𝑥 < 𝑇
где x – аргумент функции, T – заданный порог, y – выходное значение функции,
ymin и ymax – минимальное и максимальное значения функций. Таким образом,
если входное значение меньше порогового, то значение функции равно
минимальному допустимому, иначе – максимально допустимому.
Б). Кусочно-линейная функция (функция со свойством гистерезиса).
Описывается следующим выражением:
𝑦𝑚𝑎𝑥, 𝑥 ≥ 𝑇2
𝑦 = 𝑓(𝑥) = {𝑦 = 𝑘𝑥 + 𝑏, 𝑇1 < 𝑥 < 𝑇2 , (1.6)
𝑦𝑚𝑖𝑛, 𝑥 ≤ 𝑇1
где T1 и T2 – заданные пороги интервала гистерезиса (насыщения). Данный вид
функции имеет два линейных участка, где функция активации равна либо
минимально, либо максимально допустимому значению, также имеется
отрезок, на котором функция строго линейно возрастает (данный участок
определяется порогами Т1 и Т2).
В). Сигмоида (сигмоид, функция Ферми). Типичный пример –
логистическая функция, имеющая вид:
1
𝑦 = 𝑓(𝑥 ) = , (1.7)
1+𝑒 −𝑎𝑥
где a – коэффициент, характеризующий наклон сигмоидальной функции.
Сигмовидные (S-образные) функции являются наиболее популярными
функциями активации при большинстве типов задач, в том числе и задач
регрессии (следовательно, они применимы и для прогнозирования
эффективности ГТМ), т.к. в данном случае выходные переменные находятся в
пределах всей или участка области действительных чисел.
40
Достоинствами данных функций являются:
1. Непрерывность первой производной позволяет обучать сеть
градиентными методами (например, метод обратного распространения
ошибки);
2. Решение дилеммы шумового насыщения Гроссберга, суть которой
состоит в том, что усилительные каскады с большими коэффициентами
усиления могут привести к насыщению выхода шумами усилителей,
присутствующими в любой физической сети. Сигмоид позволяет усиливать
слабые сигналы и не насыщаться от сильных сигналов.
В доказательстве возможности построения двухслойного персептрона,
способного выполнять преобразование для любого множества
непротиворечивых обучающих примеров [80] Р. Хехт-Нильсен пришел к
выводу, что данный персептрон должен иметь именно сигмовидные функции в
качестве функций активации.
Г). Гиперболический тангенс (разновидность сигмовидной функции,
симметричная от начала координат). Описывается следующим выражением:
𝑒 𝑎𝑥 −𝑒 −𝑎𝑥
𝑦 = 𝑓(𝑥 ) = (1.8)
𝑒 𝑎𝑥 +𝑒 −𝑎𝑥
Область значений данной функции лежит в интервале (-1;1), тем самым
отличаясь от логистической функции, имеющей область значений (0; 1).
Несимметричный диапазон выходных значений последней значительно
замедляет обучение, т.е. при использовании гиперболического тангенса сеть
обучается быстрее, чем при использовании логистической функции активации.
Гиперболический тангенс также имеет свойство противостоять насыщению.
В настоящее время нет четких алгоритмов для выбора оптимальной
функции активации для решения той или иной задачи, но сигмовидные
функции теоретически и эмпирически предпочтительней.
Выбор функции активации неразрывно связан с выбором алгоритма
обучения нейронной сети.
Алгоритм обучения – это четкий порядок правил обучения:

41
1. Поступление сигналов внешней среды в нейронную сеть;
2. Изменение свободных параметров сети;
3. Повторный прогон сигналов внешней среды по оптимизированной
сети, если результат снова далек от желаемого, то параметры сети снова
изменяются и т.д.
В конечном счете, должна быть получена минимальная ошибка
обучения для выбранного алгоритма. Схематично процесс обучения
представлен на рисунке 1.15:

Рисунок 1.15 – Общая схема процесса обучения


В настоящее время существует более ста разных обучающих
алгоритмов, которые отличаются друг от друга стратегией оптимизации и
критериями ошибок [83]. Четкой процедуры выбора алгоритма обучения для
решения конкретных задач также не существует. На основании проведенных
теоретических и практических исследований Ясницкий Л.Н. в работе
«Введение в искусственный интеллект» [80] отмечает перспективность
градиентных и генетических методов обучения. В книге «Neural networks. A
comprehensive foundation» [77] Haykin S. указывает на эффективность метода
сопряженных градиентов для обучения многослойного персептрона при
решении задач аппроксимации функций, управлении и задач регрессии.

42
1.3.3. Ансамблевая организация
Если средняя квадратичная ошибка (обычно использующаяся в качестве
меры оценки эффективности обучения сети) принимает значения очень близкие
к нулю (при отсутствии очевидных и простых для описания зависимостей
между входными и выходными данными, особенно в крупных сетях с большим
количеством свободных элементов), то зачастую это является признаком
переобучения – «излишней подгонки» сети. Данный процесс есть ни что иное,
как точная подгонка искомой функции к имеющимся данным, и полученная
таким образом сеть с большой вероятностью будет давать неадекватные
прогнозы на новых данных (подобное явление также характерно для
аппроксимации функции полиномом высокой степени, в конечном итоге
приводящее к проявлению классической сингулярности, представленной на
рисунке 1.5 для полинома 6 степени). Среди наиболее распространенных
способов ограничения переобучения сети следует отметить следующие:
итерационное уменьшение свободных элементов сети по результатам
тестирования, усреднение прогнозов по нескольким сетям (ансамблевая
организация) [25, 84], кросс-проверка («тасовка» обучающих, контрольных и
тестовых данных в процессе обучения) [76]. Наибольшего эффекта можно
достичь при их комбинировании. Отдельно следует отметить ансамблевую
организацию, поскольку она не только позволяет снизить влияние
переобучения сетей на прогноз, но еще составная модель будет обладать
большей обобщающей способностью.
В данном исследовании под ансамблем нейронных сетей понимается
определенное количество сетей, используемых совместно при прогнозировании
(рисунок 1.16). Каждая из данных сетей свой уникальный «жизненный опыт»,
полученный за счет различного набора обучающих примеров. Их совокупный
прогноз сравним с ситуацией, когда несколько специалистов, посовещавшись
вместе, принимают более верное решение, чем поодиночке.

43
Рисунок 1.16 – Схема ансамблевой организации
Для решения задач регрессии используются ансамбли выходного типа.
Выходные ансамбли могут объединять любые нейронные сети, в том числе
сети, имеющие различные выходы (в данном случае полученный ансамбль
будет включать в себя каждый различный выход, то есть иметь несколько
выходов). Это является большим преимуществом, поскольку ансамбль можно
использовать в качестве составной выходной модели, в которой каждый
прогноз формируется отдельно. Если же все объединенные сети имеют общий
выход, то в задачах регрессии прогноз строится за счет осреднения выходных
значений каждой отдельной сети с учетом «веса» каждой модели.
Нейронные сети, объединенные в ансамбль, теоретически обладают
более высокой прогнозирующей способностью. Во-первых, за счет
возможности разделения одной сети с несколькими выходами на более простые
сети с единичными выходами (также при этом возможно разделить и входные
переменные). Это позволяет избежать смешивания скрытых нейронов, которое
является проблемой нейронных сетей с составными выходами, снижающей их
эффективность. Во-вторых, использование нескольких нейронных сетей для
прогнозирования одной выходной величины является достаточно эффективным
методом предотвращения переобучения или снижения его влияния на прогноз,

44
а также улучшает обобщающую способность составной модели.
Прогнозирование с помощью усреднения выходов полученных
разноструктурных моделей, а также объединение сетей, обученных по разным
частям исходного массива данных («тасовка» обучающих данных между
обучающей, контрольной и тестовой выборками) способствует уменьшению
дисперсии модели без увеличения ее смещения. Теоретически доказано, что
ожидаемая производительность ансамбля не может быть меньше средней
производительности составляющих его сетей [85].
1.3.4. Недостатки метода
Нейросетевое моделирование, как и любой из существующих методов
анализа данных, в частности прогнозирования, помимо преимуществ имеет и
свои недостатки, среди которых в качестве основных стоит выделить
следующие:
1. Отсутствие четкого алгоритма построения нейронной сети и ее
обучения.
Как уже было сказано выше в настоящее время не существует четкого
алгоритма выбора типа и архитектуры нейронной сети, передаточных функций
нейронов и алгоритма обучения, поэтому эксперименты по построению
моделей и их тестирование могут занять продолжительное время, если не
сформировать и реализовать комплексный подход к повышению качества
обучения нейронных сетей и экспериментально установить оптимальную схему
их обучения для задачи прогнозирования эффективности ГРП и ОПЗ.
2. Низкая интерпретируемость полученных результатов обучения и
способность к переобучению.
Близкая к нулю средняя квадратичная ошибка не является показателем
высокого качества обучения нейронной сети, это может быть следствием
переобучения. Для проверки таких моделей и корректировки обучения также
требуется время. Нельзя утверждать, что в результате обучения получена самая
оптимальная сеть для решения задачи. Однако данный недостаток можно
уменьшить использованием совокупного прогноза системой (ансамблем) сетей.
45
3. Поскольку нейронная сеть является статистической моделью, то в
зависимости от количества анализируемых входных и выходных переменных
экспоненциально растет необходимое количество обучающих примеров. Это
явление называется «проклятьем» размерности.
Также следует отметить, что в случае использования нейросетевого
метода моделируется не внутреннее, а внешнее функционирование
системы [86]. Применимо к задаче прогнозирования эффективности ГТМ
нейронная сеть явно не сможет учесть гидродинамические процессы,
проходящие в пласте (возможность проявления заколонной циркуляции,
прорыв нагнетаемых и подошвенных вод, интерференция и т.п.). Учет
вероятности проявления гидродинамических процессов можно задать
входными переменными в обучающей выборке на основе данных
геофизических и гидродинамических исследований, описании
пространственного расположения скважин относительно соседних
добывающих и нагнетательных скважин, показателей их работы, однако это
значительно усложнит модели и увеличит время сбора и подготовки данных,
обучения сетей и их применения. Данные процессы стоит учитывать
аналитически с помощью геолого-промыслового анализа и/или с применением
геолого-гидродинамического моделирования, а с помощью нейронных сетей
оценивать предварительный потенциал пластовой системы и технологии МИП.
1.3.5. Информационные системы, реализующие алгоритмы
нейронных сетей
Существующие программные продукты могут быть разделены на
четыре группы [87]:
1. Надстройки для пакетов прикладных вычислений (модули нейронных
сетей Matlab, Statistica, Excel);
2. Специализированные нейросетевые пакеты (Neuroshell Trader, Глаз и
др.);
3. Универсальные нейросетевые пакеты (NeuroSolutions, MemBrain,
SNNS, NeuroPro, Deductor и др.);
46
4. Программные симуляторы, разработанные отдельными авторами.
Полный список программ, реализующих нейронные сети, весьма
обширен благодаря популярности исследований в этом направлении и
эффективности применения данного метода для решения различных задач.
Обзор наиболее популярных симуляторов показал, что их недостатки носят
общий характер, основными из которых являются: высокая стоимость лицензии
(особенно пакетов прикладных вычислений, в которых нейронные сети
являются одним из модулей); перегруженный и/или неудобный интерфейс;
урезанная функциональность и/или специфичность решаемых задач; отсутствие
русскоязычной литературы, что затрудняет возможность освоения симулятора;
нестабильность работы (в большей степени для авторских разработок). Каждый
из симуляторов в той или иной степени имеет перечисленные недостатки.
Для проведения экспериментов по применению множественной
линейной регрессии и нейронных сетей для прогнозирования эффективности
МИП были выбраны программный комплекс STATISTICA (фирма
производитель StatSoft) [76, 88] и симулятор Нейросимулятор (разработанный в
Пермском университете с 1999 г. под руководством профессора
Ясницкого Л.Н.) [80, 87].
Обе программы в значительной степени удовлетворяют следующие
требования:
1) Удобный и наглядный интерфейс;
2) Эффективное применение при решении задач разных областей;
3) Наличие вспомогательных средств по анализу данных и
оптимизации моделей множественной линейной регрессии и нейронных сетей.

ВЫВОДЫ ПО РАЗДЕЛУ 1

1. Обзор существующих методов прогнозирования и оценки


эффективности геолого-технических мероприятий показывает, что в настоящее
время нет универсального метода, который учитывал бы все влияющие

47
факторы, давал количественную оценку эффекта с высокой точностью и не
имел бы ощутимых недостатков, основными из которых являются:
– Неустойчивость к «зашумленности» данных;
– Сложный математический и аналитический аппарат вычислений,
особенно при больших объемах исходной информации либо напротив
упрощенная оценка;
– Большие затраты по времени на использование метода;
– Субъективность оценки.
Таким образом, необходимо совершенствование существующего
процесса планирования любых видов ГТМ, в частности методов
интенсификации притока нефти. Разработка методики количественной
оперативной оценки перспективности скважин для проведения МИП (на
примере ГРП и кислотных ОПЗ), является актуальной задачей;
2. Многочисленные исследования подтверждают перспективность
использования нейронных сетей для решения прикладных задач в различных
областях, в том числе и в нефтегазодобывающей промышленности. Основными
преимуществами нейронных сетей как метода прогнозирования являются:
быстродействие, устойчивость к выбросам и «шуму» в данных, возможность
обобщения имеющихся зависимостей в большом объеме и многообразии
данных;
3. На основе обзора теоретических исследований были определены
перспективные элементы нейронной сети (двухслойный персептрон с
сигмовидной функцией активации нейронов) и алгоритма ее обучения
(обучение с учителем с использованием градиентных методов) для дальнейших
вычислительных экспериментов;
4. Основным недостатком нейросетевого моделирования является
отсутствие четких алгоритмов построения и обучения моделей для решения
конкретных задач. Данная проблема может быть решена с помощью серии
вычислительных экспериментов при создании нейронных сетей для
оперативного прогнозирования потенциала МИП.
48
2. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ
ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ ПОТЕНЦИАЛА ГРП И ОПЗ
НА ДОБЫВАЮЩИХ НЕФТЯНЫХ СКВАЖИНАХ
2.1. Выбор исследуемых видов МИП и эксплуатационных объектов
Для разработки нейросетевых моделей были выбраны два вида методов
интенсификации притока: ГРП и кислотные ОПЗ.
Технологии ГРП получили широкое распространение в качестве
эффективного метода интенсификации притока. Для того чтобы был достигнут
максимальный технико-экономический эффект, необходимо качественное
планирование каждой обработки, поскольку при данном виде ГТМ необходим
учет большого количества влияющих факторов.
Технологии кислотных ОПЗ также широко применяются для обработки
добывающих скважин с целью очистки призабойной зоны пласта от
образований, обусловленных процессами добычи углеводородов, ремонта
скважин, а также удаления образований на обсадных колоннах и в подземном
оборудовании.
В виду нецелесообразности затрат времени на расчеты объемов данных
видов МИП, подбираемых оперативно, они зачастую планируются и
оцениваются инженерами-разработчиками без привлечения
гидродинамического моделирования. Ручной анализ большого фонда скважин
также занимает значительное количество времени, поэтому для ГРП и ОПЗ
разработка метода оперативной оценки потенциала, который позволил бы
сократить затраты времени на выделение перспективных кандидатов для
глубокого анализа, является актуальной.
Исследуемыми эксплуатационными объектами, по которым в
обучающие выборки собирались данные о выполнении ГРП и ОПЗ, были
выбраны Ачимовская толща (Ач.т.), относящийся к мегионской свите нижнего
отдела меловой системы и ЮВ1, относящийся к васюганской свите верхнего
отдела юрской системы группы месторождений, разрабатываемых
территориально-производственным мероприятием (ТПП) «Лангепаснефтегаз».
49
Доля данных объектов в общем количестве выполненных ГРП и ОПЗ на
месторождениях ТПП «Лангепаснефтегаз» в период 2010-2013 гг. в среднем
составляет 85 % для ГРП и 61 % для ОПЗ (рисунок 2.1). Следует отметить, что
за последние 2 года перед началом диссертационного исследования (вторая
половина 2013 года) отмечается существенное снижение эффективности
данных видов ГТМ, поэтому верное определение потенциала ГРП и ОПЗ на
тот момент было особенно актуально.

Рисунок 2.1 – Сравнение объемов и эффективности выполненных операций


ГРП (а) и ОПЗ (б) на выбранных для исследования объектах и в целом
Основной объем ГРП и ОПЗ проводится на объектах Ач.т. Поточного
месторождения и ЮВ1 Урьевского месторождения с целью стабилизации
уровня добычи нефти. Данные объекты этих месторождений находятся на 3
стадии разработки.
По состоянию на январь 2014 года средняя обводненность по объекту
Ачимовская толща Поточного месторождения составляет 39,6 %, текущий КИН
0.05 д.ед. при утвержденном 0.251 д.ед. По объекту проектом предусмотрена и
50
реализована площадная обращенная девятиточечная система с расстоянием
между скважинами 500х500 м, в наиболее продуктивных районах сетка
скважин уплотнена за счет бурения боковых стволов, в юго-восточной части
объекта осуществляется переход на линейную систему разработки
(рисунок 2.2).

Рисунок 2.2 – Карта текущего состояния (01.01.2014 г.) объекта Ач.т.


Поточного месторождения
51
Согласно сейсмогеологической модели в пределах Поточного
месторождения ачимовские отложения имеют выраженное клиноформное
строение с выклиниванием всех ачимовских пластов (по типу кровельного
прилегания к баженовской свите) с юго-востока на северо-запад. Формирование
ачимовских осадков происходило очень интенсивно и длительное естественное
шлихование их при этом отсутствовало. Поэтому в разрезах ачимовской толщи
хорошо выдержанные пласты-коллекторы практически отсутствуют. Песчаные
линзы в основном приурочены к склонам антиклинальных структур и с
угловым несогласием примыкают к кровле баженовской свиты. Особенности
формирования ачимовских отложений обусловили высокую степень
неоднородности пластов при очень низких параметрах фильтрационно-
емкостных свойств и нефтенасыщенности. Средняя нефтенасыщенная толщина
по пластам колеблется от 5.4 до 7.3 м, Красч – 4.9 – 8.8, Кп – 14.9 -16 %, Кпр –
0.4 – 0.9 мД, Кн – 0.396 – 0.463. Геолого-физическая характеристика пластов
Ачимовской толщи Поточного месторождения представлена в таблице 2.1.
Таблица 2.1 – Геолого-физическая характеристика пластов Ач.т. и пластовых
флюидов
Пласт Пласт
Параметры Пласт Ач22 Пласт Ач3
Ач1 Ач21
Средняя глубина залегания (абс.отм.), м -2427,0 -2472,7 -2494,0 -2519,0
пластовая сводовая, стратиграфически и
Тип залежи
литологически экранированная
Тип коллектора терригенный поровый
2
Площадь нефтеносности, тыс. м 72226 69114 69677 24412
Средняя общая толщина, м 44,1 20,9 27,2 21
Средняя нефтенасыщенная толщина, м 7,3 5,9 6,7 5,4
Пористость, % 16,0 15,9 15,4 14,9
Средняя нефтенасыщенность ЧНЗ, доли ед. 0,469 0,466 0,411 0,401
Средняя нефтенасыщенность ВНЗ, доли ед. 0,448 0,448 0,391 0,389
Средняя нефтенасыщенность пласта, доли ед. 0,462 0,461 0,400 0,396
-3 2
Проницаемость, *10 мкм 1,03 0,91 0,68 0,36
Коэффициент песчанистости, доли ед. 0,25 0,38 0,35 0,32
Коэффициент расчлененности, ед. 9,0 6,0 7,3 4,7
Начальная пластовая температура, °С 90
Начальное пластовое давление, МПа 25,0
Вязкость нефти в пластовых условиях, мПа*с 0,66
Вязкость нефти в поверхностных условиях, мПа*с 8,15
3
Плотность нефти в пластовых условиях, т/м 0,769

52
Таблица 2.1 (продолжение) – Геолого-физическая характеристика пластов Ач.т.
и пластовых флюидов
Пласт Пласт
Параметры Пласт Ач22 Пласт Ач3
Ач1 Ач21
Плотность нефти в поверхностных условиях, т/м3 0,838
-2444 - -2480 -
Абсолютная отметка ВНК, м -2487 -2525 -2531 -2570
2495 2525
Объемный коэффициент нефти, доли ед. 1,189
Содержание серы в нефти, % 1,00
Содержание парафина в нефти, % 2,48
Давление насыщения нефти газом, МПа 9,5
Газосодержание нефти, м3 /т 83
Вязкость воды в пластовых условиях, мПа*с 0,33
Плотность воды в пластовых условиях, т/м3 0,986
Плотность воды в поверхностных условиях, т/м3 1,018
Сжимаемость, 1/МПа*10-4
нефти 13,0
воды 4,8

На рисунках 2.3 и 2.4 представлены Восточно-Урьевский и Западно-


Урьевский участки объекта ЮВ1 Урьевского месторождения.

Рисунок 2.3 – Карта текущего состояния (01.01.2014 г.) объекта ЮВ1


Урьевского месторождения (Восточно-Урьевский участок)
53
Средняя обводненность по объекту ЮВ1 Урьевского месторождения по
состоянию на 01.01.2014 г. – 54,2 %, текущий КИН 0.108 д.ед. при
утвержденном 0.338 д.ед. Предусмотрена обращенная девятиточечная система
по проектной сетке 425х425 м, в сочетании с однорядной комбинированной
500х500 м (в добывающем ряду – горизонтальные скважины с длиной ствола
500 м, в нагнетательном – чередование наклонно-направленных добывающих и
нагнетательных скважин), избирательное заканчивание скважин (рисунки 2.3 и
2.4).

Рисунок 2.4 – Карта текущего состояния (01.01.2014 г.) объекта ЮВ1


Урьевского месторождения (Западно-Урьевский участок)

54
Пласт ЮВ1 имеет сложное геологическое строение, обусловленное
резкой сменой фациальных обстановок. Прослеживается множество
литологических экранов, неоднородность распространения коллекторов пласта
(как в плане, так и по разрезу) и частично затрудненная гидродинамическая
связанность коллекторов, выраженная разными уровнями ВНК на отдельных
участках залежи.
Отметки водонефтяного контакта колеблются от 2521,0 м до 2712,7 м.
Эффективные нефтенасыщенные толщины изменяются в широких пределах –
от 0,4 м до 17,3 м, средняя по пласту составляет 6,0 м. Расчлененность в целом
невысокая – 2,6, среднее значение Кп – 17 %, Кпр – 11,9 мД, Кн – 0,55. Геолого-
физическая характеристика пластов ЮВ1 Урьевского месторождения
представлена в таблице 2.2.
Таблица 2.2 – Геолого-физическая характеристика пласта ЮВ1 и пластовых
флюидов
Параметры Пласт ЮВ1
Средняя глубина залегания, м 2485
Пластовая сводовая
Тип залежи литологически
экранированная
Тип коллектора Терригенный поровый
Площадь нефтегазонасыщенности, тыс.м2 340100
Средняя общая толщина, м 24.4
Средняя нефтенасыщенная толщина, м 6.1
Пористость, % 17
Средняя нефтенасыщенность ЧНЗ, д.ед. 0.58
Средняя нефтенасыщенность ВНЗ, д.ед. 0.52
Средняя нефтенасыщенность пласта, д.ед. 0.55
Проницаемость, мД 11.6
Коэффициент песчанистости, д.ед. 0.38
Расчлененность, д.ед. 3
Начальная пластовая температура, оС 96
Начальное пластовое давление, МПа 26
Вязкость нефти в пластовых условиях, мПа*с 0.88
Вязкость нефти в поверхностных условиях, мм2*с 9.8
Плотность нефти в пластовых условиях, т/м3 0.759
3
Плотность нефти в поверхностных условиях, т/м 0.835
Абсолютная отметка ВНК, м -2521-2712.7
Объемный коэффициент нефти, д.ед. 1.2
55
Таблица 2.2 (продолжение) – Геолого-физическая характеристика пласта ЮВ1 и
пластовых флюидов
Параметры Пласт ЮВ1
Содержание серы в нефти, % 0.94
Содержание парафина в нефти, % 2.03
Давление насыщения нефти газом, Мпа 10.4
Газосодержание нефти, м3/т 84
Вязкость воды в пластовых условиях, мПа*с 0.31
Вязкость воды в поверхностных условиях, мм2*с 1
Плотность воды в пластовых условиях, т/м3 0.986
Плотность воды в поверхностных условиях, т/м3 1.015
Коэффициент сжимаемости, 1/Мпа*10-4
нефти 15.1
воды 4.9
породы 4.9
Коэффициент вытеснения нефти рабочим агентом, д.ед. 0.48
Наиболее продуктивные районы данных объектов Поточного и
Урьевского месторождения уже разбурены, оставшийся фонд к бурению новых
скважин и боковых стволов располагается в ухудшенных геологических
условиях, поэтому самый рациональный вариант дальнейшей разработки для
сохранения темпов отбора – усиление системы поддержания пластового
давления при проведении ГТМ по интенсификации добычи (ГРП, ОПЗ и т.п.).
Таким образом, выбор ГРП и ОПЗ для разработки нейросетевых
моделей прогнозирования их потенциала и эксплуатационных объектов
Ачимовская толща и ЮВ1 месторождений ТПП «Лангепаснефтегаз» в качестве
источников исходной информации в условиях снижения эффективности
мероприятий, значительной доле выбранных объектов в общем объеме
выполняемых ГРП и ОПЗ по всем месторождениям предприятия является
обоснованным и актуальным.
2.2. Разработка моделей и их обучение
2.2.1. Выбор входных и выходных параметров для обучения
Многочисленными исследованиями [2, 11, 13, 17, 45, 89-90]
подтверждено, что эффект от проведения того или иного вида ГТМ, в частности

56
ГРП и ОПЗ, зависит от множества факторов, описывающих геолого-
физическую характеристику пласта, степень выработки запасов, энергетическое
состояние участка, текущий технологический режим и его исторический
потенциал, параметры технологии воздействия и последующей эксплуатации и
т.д.
На основе теоретических исследований и имеющего промыслового
опыта добывающие предприятия регламентируют стандартные условия для
выбора скважин-кандидатов под проведение ГРП или ОПЗ. Считается, что чем
большему количеству критериев соответствует кандидат, тем выше его
предполагаемая успешность, однако совокупное влияние всего набора
влияющих факторов зачастую не анализируется. В распределении факторов по
степени важности также присутствует доля субъективности.
Поскольку нейронная сеть является статистической математической
моделью, то эффективность ее применения в наибольшей степени зависит от
набора тех данных, которые будут использоваться для обучения. Важными
характеристиками факторов являются:
1. Физическая значимость фактора для прогнозируемого параметра;
2. Качество имеющихся данных (степень достоверности, актуальность
и т.д.);
3. Статистическая значимость каждого фактора в их используемом
наборе.
Также следует отметить, что необходимо искать компромисс между
полнотой и компактностью описания моделируемого процесса, поскольку
добавление малозначимых переменных может не только не дать
положительного эффекта, а наоборот только усложнить процесс обучения
нейронных сетей. Поэтому на основе обобщения опыта применения различных
подходов к прогнозированию эффективности ГРП и ОПЗ и регламентирующих
документов добывающих предприятий по планированию данных видов ГТМ
был разработан перечень входных переменных (влияющих на потенциал ГРП и
ОПЗ факторов) для обучения нейронных сетей (рисунок 2.5).
57
Рисунок 2.5 – Перечень входных переменных для
обучения нейронных сетей
Перечень состоит из 4 блоков: ГФХ ПЗП, технологический режим,
выработка запасов и энергетика, технология воздействия и дальнейшая
эксплуатация.
В блок ГФХ ПЗП были включены 2 параметра:
1. Произведение средневзвешенной проницаемости по пласту на его
эффективную толщину (так называемая величина Kh, составляющая часть
проводимости). Данный параметр является составной частью уравнения
притока и несет важный физический смысл, характеризуя способность пласта
пропускать через себя жидкость;
2. Расчлененность является одной из основных характеристик
вертикальной макронеоднородности пласта. Высокая расчлененность разреза
снижает производительность добывающих скважин, а также осложняет
выработку менее проницаемых слоев, даже при использовании методов
интенсификации притока.

58
В блок технологического режима были включены 5 параметров:
1. Текущий дебит жидкости (в среднем за последние 3 месяца
эксплуатации);
2. Текущая обводненность (в среднем за последние 3 месяца
эксплуатации);
3. Отношение текущего дебита жидкости к максимальному за
историю. Данная величина эмпирически показывает добывной потенциал
скважин, а также возможную степень загрязнения ПЗП при оценке текущего
пластового давления;
4. Отношение текущей обводненности к максимальной за историю.
Данная величина характеризует потенциал изменения обводнения при
воздействии на пласт;
5. Коэффициент продуктивности. Характеризуя дебит, приходящийся
на единицу снижения давления на пласт, данный параметр зачастую служит
показателем степени загрязнения ПЗП и, соответственно, необходимости
восстановления продуктивности скважины.
Блок выработки запасов и энергетики был разделен на 3 подкатегории
данных:
Накопленные показатели добычи
1. Накопленная добыча нефти на метр эффективной толщины. Данная
удельная величина более объективно, чем просто поскважинная накопленная
добыча отражает степень выработки запасов в зоне дренирования скважины и
потенциал дальнейшей добычи нефти;
2. Водонефтяной фактор. Этот параметр показывает сколько объемов
воды добыто на 1 т полученной нефти и является одним из показателей
интенсивности обводнения скважины и темпа отбора жидкости.
Оценка площади зоны дренирования
Поскольку не весь фонд добывающих скважин охвачен актуальными
гидродинамическими исследованиями, точной информации по радиусу контура
питания по каждой скважине зачастую не имеется. Так как в обучающей
59
выборке не желательно наличие пробелов в данных, то в качестве альтернативы
для приблизительной оценки площади зоны дренирования скважин
предлагается использовать диаграммы Вороного [91] (Рисунок 2.6).

Рисунок 2.6 – Пример построения диаграмм Вороного


Энергетическое состояние участка скважины
Предлагается характеризовать через отношение текущего пластового
давления к первоначальному по пласту, что позволяет оценивать именно
степень его снижения.
Блок технологии воздействия и дальнейшей эксплуатации был разделен
на 2 подкатегории данных:
Технология воздействия
Поскольку нейронные сети предлагается использовать в качестве метода
оперативной оценки потенциала, следует понимать, что даже упрощенное
проектирование ОПЗ, а особенно ГРП (например, подбор фракции проппанта,
концентрации всех рабочих агентов, давлений, оценка геометрии трещины и
т.д.) значительно увеличит затраты времени на использование метода. Поэтому
предлагается использование только двух параметров – массы проппанта для
ГРП и объема закачиваемого химического реагента для ОПЗ (рассчитываемые
через регламентируемый или планируемый расход на 1 метр эффективной
60
толщины) и кратность обработки за историю. Влиянию обоих факторов на
эффективность ГРП и ОПЗ посвящено множество исследований.
Спускаемое после ГТМ насосное оборудование
Одним из принципиальных отличий предлагаемого подхода к
прогнозированию технологического режима работы скважин после МИП с
помощью нейронных сетей от гидродинамического моделирования является то,
что забойное давление не принимается неизменным до и после проведения
ГТМ. Его изменение и соответственно потенциал прироста дебита жидкости
предлагается связывать с номинальной теоретической производительностью
спускаемого после обработок насосного оборудования. Данный параметр
показывает заметную степень корреляции с дебитом жидкости после ГРП и
ОПЗ (рисунок 2.7).

Рисунок 2.7 – Зависимость дебитов жидкости после ГРП (353 скв.-опер.) и ОПЗ
(531 скв.-опер.) от номинальной теоретической производительности насосного
оборудования
Из-за недостаточного охвата фонда скважин исследованиями или
неудовлетворительной актуальности последних было решено не включать в
обучающую выборку скин-фактор. Как уже было сказано в описании
вышеуказанных параметров для косвенной оценки загрязнения ПЗП
предлагается использовать отношение текущего дебита жидкости к
максимальному за историю и коэффициент продуктивности.
Ряд факторов, которые могут сильно повлиять на результат проведения
ГРП или ОПЗ, было решено не закладывать в обучение нейросетевых моделей,
61
чтобы не увеличивать значительно их размеры. Они были выведены в
отдельный анализ для составления рекомендаций по оценке возможных рисков
проведения ГРП и ОПЗ уже после оперативной оценки потенциала нейронными
сетями.
К ним относятся:
1. Мощность глинистых перемычек до ближайших водонасыщенных
пластов;
2. Состояние цементного камня в зоне обрабатываемого интервала
пласта;
3. Влияние естественной трещиноватости коллектора
4. Характеристики сложившейся системы разработки (расстояние до
ближайшей нагнетательной скважины, накопленная компенсация отборов
закачкой воды).
Более подробно данные факторы рассмотрены в третьем разделе при
описании разработки рекомендаций по их учету при следующем этапе
планирования ГРП и ОПЗ на перспективном фонде.
В качестве прогнозируемых показателей после ГРП и ОПЗ в работе
вводится понятие «мгновенный эффект» – дебит жидкости и обводненность,
усредненные за первые 3 месяца после проведения мероприятий. Такой подход
позволил избежать значительных ошибок прогнозирования только входных
показателей в месяц закрытия режима скважины после МИП вследствие
различных периодов вывода на режим и оценивать более устойчивый
потенциал работы скважин после оказанной стимуляции.
Использование только одной выходной переменной – дебита нефти
нецелесообразно тем, что это затрудняет оперативный анализ причин низкой
планируемой эффективности (из-за рисков недостижения дебита жидкости или
превышения обводненности). В то время как с помощью оцененных дебита
жидкости и обводненности рассчитать дебит нефти не составляет трудностей.
Чтобы избежать усложнения модели нейронной сети за счет
архитектуры с двумя выходами и перемешивания нейронов в скрытом слое,
62
было принято решение обучить нейронные сети для отдельного
прогнозирования дебита жидкости и обводненности. Очевидно, что на
обводненность в большей степени влияют показатели накопленной добычи и
режима эксплуатации (текущая и максимальная за историю обводненность),
остальные параметры были использованы для прогнозирования дебитов
жидкости. Кратность обработки использовалась в обоих обучениях.
Всего для формирования обучающих выборок по составленному
перечню были собраны данные по 353 операциям ГРП и 531 операции ОПЗ,
выполненным на добывающих скважинах объектов Ачимовская толща и ЮВ1
месторождений ТПП «Лангепаснефтегаз».
Для каждого входного параметра и соответствующей ему выходной
переменной были построены диаграммы рассеяния, которые представлены на
рисунках 2.8-2.11.

Рисунок 2.8 – Диаграммы рассеяния для дебита жидкости после ГРП


63
Рисунок 2.9 – Диаграммы рассеяния для обводненности после ГРП

Рисунок 2.10 – Диаграммы рассеяния для дебита жидкости после ОПЗ


64
Рисунок 2.11 – Диаграммы рассеяния для обводненности после ОПЗ
На графиках видно, что большая часть полученных распределений
обладает невысокими значениями достоверности аппроксимации, поскольку
при таком анализе не учитывается совокупное влияние всех факторов на
эффект от мероприятий [92]. Перед применением нейросетевого
моделирования было решено проверить эффективность объединения всех
рассматриваемых факторов с помощью модуля множественной линейной
регрессии в программном продукте Statistica [88] (таблица 2.3).
Таблица 2.3 – Результаты множественной линейной регрессии
ГТМ ГРП ОПЗ
Выходная величина Дебит жидкости Обводненность Дебит жидкости Обводненность
Статистический показатель Толерантность
Произведение средневзвешенной проницаемости по
0,86 0,79
пласту и эффективной толщины
Расчлененность 0,78 0,78
Текущий дебит жидкости 0,45 0,39
Отношение текущего дебита жидкости к
0,55 0,66
максимальному за историю
Коэффициент продуктивности 0,68 0,91
Площадь диаграммы Вороного 0,92 0,88
Отношение текущего пластового давления к
Входные 0,72 0,89
начальному
параметры
Номинальная производительность насоса 0,86 0,53
Масса проппанта/Объем химического реагента 0,70 0,84
Кратность ГТМ 0,83 0,93 0,93 0,94
Текущая обводненность 0,21 0,24
Отношение текущей обводненности к максимальной за
0,29 0,36
историю
Накопленная добыча нефти на 1 метр эффективной
0,92 0,89
толщины
Водонефтяной фактор 0,54 0,57
Совокупный коэффициент корреляции, R 0,74 0,57 0,82 0,88
Совокупный коэффициент детерминации, R 2 0,55 0,33 0,68 0,77

65
В таблице 2.3 приведены результаты применения множественной
линейной регрессии для собранных выборок по выполнению ГРП и ОПЗ для
прогнозирования дебита жидкости и обводненности (совокупные
коэффициенты корреляции и детерминации). Также представлены значения
толерантности каждой переменной. Толерантность вычисляется как 1 минус
квадрат коэффициента множественной корреляции переменной со всеми
остальными независимыми переменными, входящими в уравнение регрессии,
чем ближе толерантность к нулю, тем более избыточна переменная.
Толерантность анализируемых переменных показывает, что все
переменные в используемом наборе факторов информативны. Поскольку
совокупные коэффициенты корреляции полученных уравнений множественной
линейной регрессии по шкале Чеддока показывают среднюю и высокие силы
связи (таблица 2.4.), а совокупные коэффициенты детерминации (рисунок 2.12)
выше, чем у каждой из переменных, рассмотренных выше по отдельности, то
можно сделать вывод о применимости данного набора входных переменных
для прогнозирования дебита жидкости и обводненности после ГРП и ОПЗ.
Таблица 2.4 – Оценка тесноты связей полученных моделей регрессии
Качественная оценка
Модель множественной Теснота связи (коэффициент Коэффициент
тесноты связи по
линейной регрессии множественной корреляции), R детерминации, R2
шкале Чеддока
Дебит жидкости после высокая
0,74 0,55
ГРП (от 0,7 до 0,9)
Обводненность после средняя
0,57 0,33
ГРП (от 0,5 до 0,7)
Дебит жидкости после высокая
0,82 0,68
ОПЗ (от 0,7 до 0,9)
Обводненность после высокая
0,88 0,77
ОПЗ (от 0,7 до 0,9)

Физическая значимость данных переменных подтвердилась


статистически в итоговых силах связи полученных моделей (рисунок 2.12).
Однако следует отметить, что модели множественной линейной
регрессии, несмотря на относительно высокие силы связей, оценивают
взаимосвязи в данных линейно, что не всегда оправданно. Можно
предположить, что часть погрешности разработанных моделей (особенно для
66
обводненности после ГРП) получена именно за счет построения линейных
зависимостей, и что для данного набора переменных применение
нейросетевого моделирования с целью выявления сложных нелинейных
зависимостей и повышения точности прогнозов является актуальным.

Рисунок 2.12 – Сравнение прогнозов моделей множественной линейной


регрессии с фактическими данными.

2.2.2. Экспериментальное обучение нейронных сетей с определением


рекомендуемой архитектуры и параметров обучения
Как было отмечено в первом разделе теоретически обосновано, что
наиболее перспективными для решения задач регрессии, соответственно и для
поставленной в диссертационном исследовании задачи прогнозирования
эффективности ГРП и ОПЗ, являются сети прямого распределения, а именно
двухслойный персептрон с сигмовидными передаточными функциями
вычислительного слоя [80].
При обучении нейронных сетей часть имеющихся наблюдений
необходимо использовать в качестве контрольной (test sample) и проверочной
67
(validation sample) выборок для оптимистически несмещенной оценки качества
построенных моделей. Для контрольной и проверочной выборок было решено
выделить по 15 % имеющихся наблюдений. Это позволило разделить
обучающие выборки для ГРП и ОПЗ на 7 приблизительно равных частей
наблюдений и составить 7 комбинаций обучающих, контрольных и тестовых
выборок в соотношении ≈ 70%/15%/15% соответственно (таблица 2.5) таким
образом, чтобы каждая часть выборки для различных моделей нейронных сетей
имела определенное назначение (таблица 2.6).
Таблица 2.5 – Разделение имеющихся наблюдений в выборках по количеству
Назначение Количество наблюдений
наблюдений ГРП ОПЗ
Обучение 247 371
Контроль 53 80
Проверка 53 80
Итого 353 531
Таблица 2.6 – Распределение частей обучающих выборок по назначению для
различных моделей
Часть выборки 1 модель 2 модель 3 модель 4 модель 5 модель 6 модель 7 модель
1 контроль обучение обучение обучение обучение обучение проверка
2 проверка контроль обучение обучение обучение обучение обучение
3 обучение проверка контроль обучение обучение обучение обучение
4 обучение обучение проверка контроль обучение обучение обучение
5 обучение обучение обучение проверка контроль обучение обучение
6 обучение обучение обучение обучение проверка контроль обучение
7 обучение обучение обучение обучение обучение проверка контроль
Допустимый интервал количества числа синаптических связей Nw можно
определить по формуле [2.1], являющейся следствием из теоремы Арнольда –
Колмогорова – Хехт-Нильсена [80]:
𝑁𝑦 ∗𝑄 𝑄
≤ 𝑁𝑤 ≤ 𝑁𝑦 ∗ ( + 1) ∗ (𝑁𝑥 + 𝑁𝑦 + 1) + 𝑁𝑦 , [2.1]
1+log2 (𝑄) 𝑁𝑥

где Ny – размерность выходного сигнала;


Q – число элементов множества обучающих примеров;
Nw – необходимое число синаптических связей;
Nx – размерность входного сигнала.

68
Оценив нижнюю и верхнюю границы числа синаптических связей Nw, с
помощью формулы [2.2] можно рассчитать необходимое число нейронов
скрытого слоя двухслойного персептрона:
𝑁𝑤
𝑁= [2.2]
𝑁𝑥 +𝑁𝑦

Формулы [2.1] и [2.2] позволяют определить границы допустимой


емкости нейронной сети для известного количества обучающих наблюдений и
заданного количества входных и выходных переменных. Теоретически сеть
малой емкости не способна выполнить удовлетворительное обобщение
зависимостей в данных, а сильно емкие сети склонны к переобучению за счет
возможности запоминания примеров. Для выявления рекомендуемого объема
синаптических связей был произведен эксперимент по обучению нейронных
сетей с использованием одинаковых обучающих, контрольных и тестовых
выборок для 2 сигмовидных передаточных функций – сигмоиды и
гиперболического тангенса. По формуле [2.1] были рассчитаны 3 количества
синаптических связей – минимально допустимое, максимально допустимое и
их среднее арифметическое. Контроль переобучения в данном эксперименте и
при всех последующих обучениях нейронных сетей проводился за счет
остановки обучения при достижении точки, после которой начинался рост
квадратичной ошибки тестирования (рисунок 2.13)

Рисунок 2.13 – Пример контроля переобучения


(красным кругом отмечен момент остановки обучения)
69
Эксперимент по обучению сетей различной емкости с различными
функциями активации показал эффективность использования среднего
количества синаптических связей (таблица 2.7).
Таблица 2.7 – Результаты обучения и тестирования нейронных сетей различной
емкости
ГРП ОПЗ
Количество Коэффициент детерминации (R 2) для проверочных выборок
Прогнозируемая
синаптических Функция активации скрытого слоя
величина
связей
Гиперболический Гиперболический
Сигмоида Сигмоида
тангенс тангенс
Минимум 0,6123 0,5809 0,668 0,6926
Дебит жидкости Среднее 0,6277 0,6184 0,7443 0,745
Максимум 0,5873 0,5782 0,7301 0,7135
Минимум 0,3642 0,3167 0,8183 0,8235
Обводненность Среднее 0,4312 0,441 0,8262 0,8245
Максимум 0,3314 0,3929 0,8254 0,8165

Для нейронных сетей со средним количеством синаптических связей


при аналогичных описанному выше эксперименту условиях обучения были
опробованы 5 алгоритмов оптимизации ошибки: Левенберга-Марквардта,
Манхэттена, методы упругого и быстрого распространения ошибки и метод
сопряженных градиентов. Последний показал наибольшую эффективность
обучения (таблица 2.8).
Таблица 2.8 – Результаты тестирования нейронных сетей, обученных с
помощью различных алгоритмов оптимизации ошибки
ГРП ОПЗ
Коэффициент детерминации (R 2) для проверочных выборок
Алгоритм Прогнозируемая
Функция активации скрытого слоя
обучения величина
Гиперболический Гиперболический
Сигмоида Сигмоида
тангенс тангенс
Упругого Дебит жидкости 0,6001 0,5749 0,6798 0,7431
распространения Обводненность 0,3036 0,2884 0,817 0,8045
Быстрого Дебит жидкости 0,5455 0,5821 0,7376 0,7316
распространения Обводненность 0,4272 0,4195 0,8254 0,8239
Сопряженных Дебит жидкости 0,6277 0,6184 0,7443 0,745
градиентов Обводненность 0,4312 0,441 0,8262 0,8245
Левенберга- Дебит жидкости 0,581 0,5674 0,7324 0,7405
Марквардта Обводненность 0,3883 0,4016 0,8238 0,8241
Дебит жидкости 0,2038 0,208 0,1552 0,1583
Манхэттена
Обводненность 0,1514 0,2048 0,5853 0,5373

70
Таким образом, по результатам теоретических исследований и
проведенных вычислительных экспериментов, были определены следующие
рекомендуемые параметры итоговых нейронных сетей и их обучения:
 Тип сети – двухслойный персептрон;
 Передаточная функция – сигмовидная (сигмоида и
гиперболический тангенс – обе функции показали высокие результаты);
 Количество синаптических связей – среднее (определяемое средним
арифметическим нижней и верхней допустимых границ емкости сети из
следствия теоремы Арнольда – Колмогорова – Хехт-Нильсена);
 Алгоритм обучения – метод сопряженных градиентов;
 Остановка обучения (контроль переобучения) – рост квадратичной
ошибки тестирования либо отсутствие уменьшения квадратичной ошибки
обучения при последующих итерациях.
Согласно распределению частей обучающих выборок, представленному
в таблице 2.6, с использованием перечисленных выше параметров было
обучено и отобрано по 14 (7 с сигмоидой и 7 с гиперболическим тангенсом в
качестве функции активации) лучших нейронных сетей для прогнозирования
дебита жидкости и обводненности после ГРП и ОПЗ.
2.2.3. Создание ансамблей из лучших моделей
Ансамбль нейронных сетей – это определенное количество сетей,
используемых совместно при прогнозировании. Их преимущество
относительно одиночных нейронных сетей отмечается в ряде исследований,
например, в [84]. Использование ансамблей нейронных сетей улучшает
обобщающую способность составной модели, поскольку объединение сетей,
обученных по разным частям исходного массива данных («тасовка»
обучающих данных между обучающей, тестовой и проверочной выборками)
способствует уменьшению дисперсии модели без увеличения ее смещения.
Схема ансамблевой организации нейронных сетей была рассмотрена подробней
в первом разделе.

71
Из обученных нейронных сетей были созданы ансамбли по следующим
принципам:
1. Все примеры из исходных массивов данных должны попасть в
обучающие выборки для той или иной нейронной сети, входящей в ансамбль;
2. Всем моделям были присвоены равные веса, в качестве
совокупного прогноза было взято среднее арифметическое значение;
3. Отдельно были созданы ансамбли из сетей с сигмоидой и с
гиперболическим тангенсом в качестве функции активации;
4. Поочередно из ансамблей исключались сети с наименьшим
коэффициентом детерминации всей обучающей выборки до достижения
максимального обобщения исходного массива данных.
Результаты использования ансамблевой организации разработанных
моделей нейронных сетей представлены в таблице 2.9, где зеленым цветом
отмечены модели, вошедшие в ансамбли для той или иной прогнозируемой
величины. Эксперимент подтвердил, что обобщающая способность ансамбля
как минимум не ниже способности обобщения составляющих его моделей, а
зачастую выше.
Таблица 2.9 – Результаты использования ансамблевой организации
Тип передаточной Прогнозируемая Коэффициент детерминации исходного массива данных
Мероприятие
функции величина Модель 1 Модель 2 Модель 3 Модель 4 Модель 5 Модель 6 Модель 7 Ансамбль
Сигмоида Дебит жидкости 0,569 0,549 0,558 0,551 0,611 0,632 0,650 0,650
ГРП
Сигмоида Обводненность 0,410 0,382 0,350 0,375 0,393 0,328 0,336 0,416
Сигмоида Дебит жидкости 0,672 0,701 0,694 0,682 0,665 0,670 0,663 0,701
ОПЗ
Сигмоида Обводненность 0,778 0,777 0,784 0,777 0,777 0,775 0,770 0,784
Гиперболический
Дебит жидкости 0,581 0,631 0,616 0,571 0,640 0,629 0,662 0,671
тангенс
ГРП
Гиперболический
Обводненность 0,422 0,397 0,387 0,402 0,393 0,330 0,367 0,431
тангенс
Гиперболический
Дебит жидкости 0,732 0,725 0,718 0,715 0,733 0,752 0,714 0,763
тангенс
ОПЗ
Гиперболический
Обводненность 0,785 0,791 0,789 0,792 0,784 0,740 0,793 0,797
тангенс

На рисунке 2.14 представлены результаты сравнения прогнозов моделей


разработанных ансамблей с фактическими данными всех имеющихся выборок
наблюдений, т.е. настройка ансамблей на историю. Сравнение с точностью
настройки моделей множественной регрессии (рисунок 2.12) показывает

72
преимущество использования ансамблей нелинейных нейронных сетей для
обобщения обучающих выборок в среднем на 6,9 %.

Рисунок 2.14 - Результаты сравнения прогнозов ансамблей нейронных сетей с


фактическими данными всех имеющихся выборок наблюдений
73
2.2.4. Сравнение точности прогнозов нейросетевых моделей
относительно других методов и анализ полученных результатов
Разработанные ансамбли нейронных сетей были протестированы
дополнительно на группе фактически выполненных скважин, не участвующих в
обучении и первичном тестировании. Проверочная выборка для ГРП составила
30 скважино-операций, для ОПЗ – 47.
Технологические режимы после данных мероприятий были оценены
также одиночными нейронными сетями (выбранными из всех на основе
максимального обобщения обучающих выборок) и с помощью выведенных
уравнений множественной линейной регрессии. Видно, что точность
полученных прогнозов (рисунки 2.15 и 2.16) сопоставима с точностью
настройки разработанных моделей на обучающее множество примеров
(рисунки 2.12 и 2.14).
По ряду моделей при прогнозировании обводненности были получены
значения выше 100 % (нейронные сети с гиперболическим тангенсом в качестве
передаточной функции и модели множественной линейной регрессии).
Графики распределения прогнозных значений обводненности по возрастанию,
сопоставленные с фактической обводненностью, от входных переменных
показали, что такие значения (более 100 %) могут быть получены за счет
влияния одновременно больших значений водонефтяного фактора (ВНФ) и
базовой обводненности (рисунки 2.17-2.19). Для прогнозов обводнения после
ОПЗ видна высокая сходимость прогнозных и фактических значений
обводненности в интервале от 80 до 100 %, таким образом, прогнозы свыше
100 % свидетельствуют о возможности получения обводнения после ОПЗ
близкому к 100 %. Фактическое обводнение после ГРП при прогнозах выше 100
% находится на уровне 80 %, заметна тенденция снижения базовой
обводненности на 10-15 %, таким образом, для ГРП получение аномального
прогноза не является показателем потенциального риска получения высокой
обводненности.

74
Рисунок 2.15 – Результаты тестирования всех моделей для ГРП
75
Рисунок 2.16 – Результаты тестирования всех моделей для ОПЗ
76
Рисунок 2.17 – Распределение прогнозной и фактической обводненности после
ГРП от влияющих параметров (ансамбль нейронных сетей, функция –
гиперболический тангенс)

Рисунок 2.18 – Распределение прогнозной и фактической обводненности после


ГРП от влияющих параметров (множественная линейная регрессия)

Рисунок 2.19 – Распределение прогнозной и фактической обводненности после


ОПЗ от влияющих параметров (одиночная нейронная сеть, функция –
гиперболический тангенс)

77
Поскольку нейронные сети с гиперболическим тангенсом в качестве
функции активации по результатам тестов дали несколько физически
некорректных прогнозов (обводненность более 100 %), для дальнейшего
использования рекомендуются ансамбли нейронных сетей, обученных на
основе сигмоиды.
Обученные нейронные сети в данном исследовании рассматриваются
как «интеллектуальные» фильтры, которые должны оперативно отделять в
общем фонде скважин потенциально эффективные для проведения ГРП и ОПЗ
от неэффективных на основе совокупного учета влияющих факторов. Поэтому
помимо абсолютной точности прогнозов необходимо оценивать верно или
неверно был определен потенциал обработки (потенциал изменения
прогнозируемых величин – дебита жидкости и обводненности). Под оценкой
потенциала для дебита жидкости понимается верно определенная возможность
работы расчетного насосного оборудования в пределах допустимых рабочих
характеристик. Например, в скважине провели ОПЗ, спустили
электроцентробежный насос (ЭЦН) с номинальной производительностью
15 м3/сут и получили по факту мгновенный эффект по дебиту жидкости
18 м3/сут. Если сравнить два прогноза в 13 м3/сут и 25 м3/сут, то первый будет
точнее в абсолютном значении, однако перспектива постепенного снижения
дебита жидкости после мероприятия может привести к принятию решения к
спуску штангового глубинного насоса (ШГН), хотя по факту в примере ЭЦН-15
подходит для данной скважины. Таким образом, в первом случае потенциал
определен неверно. Несмотря на то, что второй прогноз менее точен, он верно
определяет потенциал работы ЭЦН-15 выше номинальной подачи, можно
выполнить расчет на больший типоразмер ЭЦН и определиться точно со
спускаемым оборудованием. Таким образом, при определении потенциала по
дебиту жидкости граничным значением выступает номинальная подача насоса,
закладываемого в расчет.
Для обводненности граничным значением выступает базовая
обводненность. Если по факту после ГТМ обводненность снизилась и расчет с
78
помощью нейронной сети это показал, то потенциал определен верно, если
расчет показывает увеличение обводненности – значит неверно, и наоборот.
В таблице 2.10 представлены результаты сравнения рассматриваемых
методов прогнозирования по абсолютной точности прогнозов и по верно
определенному потенциалу изменения дебита жидкости и обводненности.
Отмечается увеличение точности по обеим рассматриваемым характеристикам
при использовании ансамблевой организации одиночных нейронных сетей, а
также большая эффективность их применения относительно метода
множественной линейной регрессии.
Таблица 2.10 - Сравнение точности методов прогнозирования
Метод прогнозирования
Прогнозируемая Характеристика точности Ансамбль Одиночная Одиночная сеть Множественная
ГТМ Ансамбль
величина метода (гиперболический сеть (гиперболический линейная
(сигмоида)
тангенс) (сигмоида) тангенс) регрессия
R2 проверочной выборки,
0,7 0,73 0,63 0,69 0,56
Дебит жидкости д.ед.
Потенциал изменения
80,0 83,3 63,3 73,3 53,3
величины, %
ГРП
R2 проверочной выборки,
0,54 0,54 0,43 0,44 0,39
Обводненность д.ед.
Потенциал изменения
83,3 83,3 70,0 70,0 63,3
величины, %
2
R проверочной выборки,
0,68 0,72 0,58 0,59 0,58
Дебит жидкости д.ед.
Потенциал изменения
80,9 85,1 61,7 66,0 57,4
величины, %
ОПЗ
R2 проверочной выборки,
0,77 0,78 0,73 0,74 0,71
Обводненность д.ед.
Потенциал изменения
74,5 78,7 68,1 70,2 63,8
величины, %

Рассмотрим примеры наибольших расхождений прогнозов нейронных


сетей с фактом по ГРП и ОПЗ относительно дебита нефти для выявления
причин отклонения (таблица 2.11).
Таблица 2.11 – Скважины с наибольшим отклонением от прогнозов
Прогноз ансамблей нейронных
Фактический режим Отклонение от прогноза
Тип сетей
№ скв. Месторождение ГТМ Дата ГТМ передаточной Дебит Дебит Дебит Дебит Дебит Дебит
Обводнен Обводнен Обводнен
функции нефти, жидкости, нефти, жидкости, нефти, жидкости,
ность, % ность, % ность, %
т/сут 3
м /сут т/сут м 3/сут т/сут 3
м /сут
Сигмоида 17,3 30,3 31,9 -12,2 -21,8 -3,8
1664Н Поточное ГРП 29.01.2016 5,1 8,5 28,1
Гиперболический
20,2 31,7 23,8 -15,1 -23,2 4,3
тангенс

Сигмоида 9,7 16,4 29,2 7,2 8,4 -11,0


7822 Урьевское ОПЗ 30.03.2016 16,9 24,8 18,2
Гиперболический
18,4 31 28,7 -1,5 -6,2 -10,5
тангенс

79
Скважина № 1664Н введена в эксплуатацию из бурения на объект ЮВ1 в
октябре 2013 г. с применением ГРП с массой проппанта 30 т. До июня 2015 г
стабильно работала с дебитом жидкости более 30 м3/сут. С июня отмечается
снижение дебита жидкости и динамического уровня, что свидетельствует о
снижении пластового давления либо кольматации пласта. Замер пластового
давления до ГРП составил 233 атм. (начальное – 270 атм.), было принято
решение о выполнении повторного ГРП для снятия кольматации пласта с
массой проппанта 40 т (рисунки 2.20 и 2.21).
Средневзвешенные характеристики пласта ЮВ1 в районе вскрытия
скважиной: эффективная толщина – 3,7 м, коэффициент проницаемости –
4,8 мД, коэффициент нефтегазонасыщенности – 0,43 д.ед.

Рисунок 2.20 – Фрагмент карты текущего состояния (01.02.2016 г.) объекта


ЮВ1 Поточного месторождения

ГРП 40 т

Рисунок 2.21 – Диаграмма каротажа с планом ГРП скважины № 1664Н


Поточного месторождения
80
В результате анализа мини-ГРП были получены следующие данные:
эффективность жидкости ГРП (показатель, характеризующий объем жидкости
разрыва, не поглощённый пластом и участвующий в создании трещины)
составила 63 %, по дизайну 68 %, чистое давление (давление внутри самой
трещины, не дающее ей схлапываться) по плану 43 атм, факт – 49,9 атм.
Гидроудар после мини-ГРП хороший, осложнений на перфорации не
наблюдалось. По результатам проведения мини-ГРП принято решение
увеличить расход смеси до 3,8 м3/мин (план 3,5 м3/мин). Работа выполнена
согласно измененному плану. Всего закачано 40,0 т, в пласт 39,9 т.
По результатам проведения ГРП было получено недостижение дебита
жидкости (в первый месяц работы дебит жидкости составил 8,7 м 3/сут при
плане 25 м3/сут, что можно видеть на рисунке 2.22). Скважина была
остановлена на КВД (кривая восстановления давления) для уточнения текущего
пластового давления и скин-фактора. По результатам проведенного
исследования пластовое давление составило 226 атм, скин-фактор -3.4.

Рисунок 2.22 – Динамика технологических показателей работы


скважины № 1664Н
По совокупности имеющейся геолого-технологической информации,
результатам проведенных исследований и отсутствии нарушений при
проведении ГРП определить истинную причину недостижения дебита
жидкости не представляется возможным. Вероятнее всего, причина
недостижения технологическая (частичное смыкание трещины после основного
81
ГРП), и это не могло быть учтено на стадии анализа геолого-промысловой
информации специалистами по подбору ГРП и ансамблями нейронных сетей.
Скважина № 7822 введена в эксплуатацию из бурения на объект ЮВ1 в
апреле 2006 г. с применением ГРП с массой проппанта 40 т (рисунок 2.23). По
истории работы можно сделать вывод, что у скважины не было стабильного
потенциала для работы ЭЦН-25 (были 2 периода перевода на ШГН, после двух
последующих ГРП в 2010 и 2013 годах в скважине снижался дебит жидкости и
динамический уровень). Замер пластового давления от марта 2016 года
составил 135 атм (при первоначальном 260 атм, снижено на 48 %).

Рисунок 2.23 – Фрагмент карты текущего состояния (01.03.2016 г.) объекта


ЮВ1 Урьевского месторождения
Скважина была остановлена 15 марта 2016 года по причине падения
изоляции кабеля ЭЦН до нуля, было решено провести ОПЗ при ремонте. В
результате проведения ОПЗ 30 марта 2016 года с освоением ЭЦН скважина
была запущена с дебитом нефти 16,5 т/сут, дебитом жидкости 24,6 м3/сут при
обводненности 19 %. Прирост дебита нефти составил 9,7 т/сут при плане
2,5 т/сут (рисунок 2.24).
Со временем наблюдается снижение дебита жидкости и динамического
уровня, по состоянию на 01.06.2016 года скважина № 7822 работает в
периодическом режиме. Таким образом, исходя из прогнозов, представленных в
таблице 2.11, можно сделать вывод, что ансамбль нейронных сетей с
гиперболическим тангенсом в качестве функции активации был ближе к
фактически полученным результатам.

82
Рисунок 2.24 – Динамика технологических показателей работы
скважины № 7822
Однако прогноз работы ЭЦН-25 свыше номинальной подачи был
ошибочен. В то время как ансамбль нейронных сетей на основе сигмоидной
передаточной функции верно определил перспективу того, что ЭЦН-25 будет
работать ниже номинальной производительности на основе данных по
текущему пластовому давлению и следовало спустить более оптимальное
оборудование.
В целом для метода оперативного машинного анализа данных прогнозы
ансамблей нейронных сетей имеют удовлетворительную точность. Однако для
повышения точности прогнозирования эффективности ГРП и ОПЗ на
добывающих скважинах необходимо учитывать еще ряд влияющих факторов,
не заложенных в обучающие множества (что уже было отмечено в данном
разделе). Также очевидно, что прогнозирование эффективности любого ГТМ
заключается не только в определении потенциала мгновенного эффекта
воздействия, но и в оценке продолжительности полученного эффекта, темпах
его снижения и соответственно величины дополнительной добычи нефти.
Разработка и апробация комплексной методики оперативной оценки
перспективности скважин для методов интенсификации притока нефти (на
примере ГРП и ОПЗ) на основе обученных нейронных сетей и деревьев
решений описана в 3 разделе.

83
2.2.5. Разработка алгоритма и рекомендаций создания моделей
нейронных сетей
В работе [4] на основании обзора ряда исследований сделан вывод, что
наименее исследованным вопросом является определение рациональной
структуры нейросетевой модели, в том числе – числа слоев и нейронов, а также
алгоритма обучения, т.е. основная проблема при использовании данного
подхода прогнозирования – отсутствие методологии разработки моделей
нейронных сетей, что было отмечено в первом разделе в качестве главного
недостатка методов Data Mining, соответственно, нейронных сетей тоже.
На основании теоретических исследований, проведенных
вычислительных экспериментов и получении приемлемых результатов был
разработан алгоритм, обобщающий все стадии создания нейросетевых моделей,
который представлен на рисунке 2.25.

Рисунок 2.25 – Алгоритм создания моделей нейронных сетей

84
Он представляет собой полный жизненный цикл решения поставленной
задачи оперативного прогнозирования потенциал МИП и может быть применен
для решения других подобных задач прогнозирования.
Ниже представлен свод теоретических и разработанных рекомендаций
по основным этапам алгоритма, применимых для обучения нейронных сетей
при решении задач прогнозирования, подобных рассмотренной в исследовании:
– Отбор исходных данных и формирование выборок
В первую очередь необходимо определиться с выходными параметрами,
т.е. какая величина (или несколько величин) будет прогнозироваться. Это
определяется исходя из условий поставленной задачи.
При отборе входных факторов необходимо исходить из их следующих
характеристик:
1. Физическая значимость фактора для прогнозируемого параметра;
2. Качество имеющихся данных (степень достоверности, актуальность
и т.д.);
3. Статистическая значимость каждого фактора в их используемом
наборе.
Допущения по значимости и качеству факторов для решения каждой
задачи прогнозирования определяются индивидуально.
Эффективность набора входных переменных для прогнозирования
выходного параметра рекомендуется проверять с помощью множественной
линейной регрессии, которая позволяет оценить совокупный коэффициент
детерминации и толерантность каждой переменной. На этом этапе может быть
проведено несколько экспериментов по комбинированию входных переменных
в различные наборы и отбор лучшего варианта.
– Определение архитектуры нейронной сети
Теоретически обосновано, что наиболее перспективными для решения
задач регрессии (прогнозирования) являются сети прямого распределения, а
именно двухслойный персептрон (с одним скрытым слоем) с сигмовидными
передаточными функциями вычислительного слоя. Проведенный в работе
85
анализ (описан в подразделе 2.2.4) показал, что из двух сигмовидных
передаточных функций – сигмоиды и гиперболического тангенса, первая
предпочтительней для использования.
Для обучения рекомендуется использовать 70 % от имеющегося
количества наблюдений, остальные использовать для контроля и проверки.
Допустимый интервал количества числа синаптических связей и
необходимое число нейронов скрытого слоя двухслойного персептрона
рекомендуется определять с помощью следствия из теоремы Арнольда –
Колмогорова – Хехт-Нильсена при известных значениях входных и выходных
переменных, а также количестве обучающих наблюдений. По результату
проведенных экспериментов рекомендуется использовать среднее
арифметическое количество синаптических связей от рассчитанных значений
верхней и нижней допустимых границ.
– Непосредственное обучение
Для контрольной и проверочной выборок рекомендуется выделять по
15 % имеющихся наблюдений. Это позволяет разделить обучающие выборки на
7 приблизительно равных частей наблюдений и составить 7 комбинаций
обучающих, контрольных и тестовых выборок в соотношении ≈ 70%/15%/15%
соответственно для обучения и проверки нейронных сетей по различным
частям имеющегося массива данных.
Контроль переобучения рекомендуется проводить за счет остановки
обучения при достижении точки, после которой начинается рост квадратичной
ошибки тестирования либо отсутствует ее уменьшение при последующих
обучающих итерациях.
В рамках проведенного в работе эксперимента по обучению нейронных
сетей различными алгоритмами обучения (описан в подразделе 2.2.2), метод
сопряженных градиентов показал наибольшую точность прогнозов тестовых
выборок. Однако поскольку принципиальной разницы в точности прогнозов
получено не было (кроме метода Манхэттена), то алгоритм обучения

86
рекомендуется определять экспериментально для каждой конкретной задачи
прогнозирования.
– Тестирование полученных моделей
Планируемая точность прогнозов определяется индивидуально, исходя
из условий задачи.
При тестировании обученных моделей используется 15 % наблюдений
исходного массива данных (тестовая выборка).
В результате тестирования необходимо получить положительные ответы
на все следующие вопросы для возможности последующего создания ансамбля
нейронных сетей:
1. Модели удовлетворяют планируемой точности прогнозов?
2. Удовлетворительных моделей больше 1?
3. Все наблюдения участвовали непосредственно в обучении?
– Корректировка обучения (при неудовлетворительных результатах
тестирования)
Возможно 3 причины получения неудовлетворительных результатов
тестирования нейронных сетей:
1. Неудовлетворительное качество исходных данных или выбор набора
входных факторов, который недостаточно точно описывает изменение
прогнозируемой величины;
2. Использование неоптимальных архитектуры нейронных сетей и
передаточной функции скрытого слоя;
3. Некорректное обучение (выбор неподходящего алгоритма обучения
или «переобучение» нейронных сетей).
Возможно совокупное влияние нескольких причин одновременно.
Перечисленные причины можно схематично представить в виде
следующей последовательной системы «Данные – Построение сети – Обучение
сети».
Поскольку каждый элемент данной системы имеет многовариантные
настройки, рекомендуется выполнять корректировку обучения
87
последовательно. Например, сначала выполнять проверку исходного массива
данных, затем без изменения архитектуры сети и алгоритма оптимизации
ошибки выполнить обучение с тем же количеством итераций обучения. Если
результат неудовлетворительный, то с использованием проверенного массива
данных выполнить корректировки архитектуры нейронной сети и передаточной
функции скрытого слоя, затем без изменения алгоритма оптимизации ошибки
выполнить обучение с тем же количеством итераций обучения. Если и в этом
случае получен неудовлетворительный результат, тогда следует для
проверенных массива данных и архитектуры сети изменять алгоритм и
параметры обучения. При новом неудовлетворительном результате описанная
выше последовательность действий повторяется. Ниже представлены общие
рекомендации (опции корректировки обучения) по выделенным стадиям:
1. Данные.
а) Удаление и/или уточнение «выбросов»;
б) Удаление и/или уточнение противоречивых наблюдений;
в) Удаление и/или уточнение низкодостоверных наблюдений;
г) Удаление старых и/или добавление новых входных факторов.
2. Построение сети.
а) Увеличение или уменьшение числа нейронов скрытого слоя и,
соответственно, числа синаптических связей в пределах рассчитанных
допустимых граничных значений;
б) Изменение передаточной функции вычислительного слоя (в первую
очередь в пределах класса сигмоид).
3. Обучение сети.
а) Изменение алгоритма обучения;
б) Уменьшение итераций обучения (контроль переобучения).
– Создание ансамбля нейронных сетей
Ансамбли нейронных сетей создаются по следующим принципам:
1. Все примеры из исходного массива данных должны попасть в
обучающие выборки для той или иной нейронной сети, входящей в ансамбль;
88
2. Всем моделям следует присваивать равные веса, поскольку
предполагается, что выборка однородна, а сети не переобучены.
Соответственно, в качестве совокупного прогноза рекомендуется брать среднее
арифметическое значение прогнозов всех сетей в ансамбле;
3. Поочередно из ансамблей следует исключать сети с наименьшим
коэффициентом детерминации R2 всей обучающей выборки до достижения
максимального обобщения исходного массива данных.
– Актуализация имеющихся массивов исходных данных и нейронных
сетей за счет новых наблюдений
Необходим постоянный мониторинг прогнозов нейронных сетей и
новых фактически полученных результатов, причин их расхождений. Пока
сходимость является удовлетворительной, актуализация нейросетевых моделей
не является обязательной процедурой.
Новые наблюдения оформляются аналогично уже имеющимся
(количество входных и выходных переменных, единицы измерения).
Возможно 3 варианта актуализации массивов исходных данных и
дообучения/переобучения нейронных сетей:
1. Все новые наблюдения добавляются в обучающие выборки;
нейронные сети дообучаются;
2. Новые наблюдения равномерно распределяются между обучающими,
контрольными и тестовыми выборками с сохранением соотношения
≈ 70%/15%/15% соответственно; нейронные сети дообучаются;
3. Новые и имеющие наблюдения соединяются в общий массив
исходных данных, который заново делиться на 7 приблизительно равных
частей и составляются 7 новых комбинаций обучающих, контрольных и
тестовых выборок в соотношении ≈ 70%/15%/15%; нейронные сети обучаются
заново и составляются новые ансамбли.
Первый вариант следует применять, когда массив исходных данных
содержит много наблюдений, т.е. когда 15% данных будет достаточно для
контроля и проверки обучения. Второй вариант подходит для случаев, когда
89
объем исходных данных относительно невелик и необходимо увеличение всех
трех выборок. Достаточность объема всех выборок определяется
индивидуально для каждой задачи (распространенными оценками
необходимого количества обучающих примеров являются показательные
функции: 2X и eX, где X – количество входных факторов). Третий вариант
является «перезагрузкой» существующих моделей, его следует применять, если
новые наблюдения о моделируемом процессе или явлении при их
кондиционности в значительной степени отличаются от используемых ранее
для обучения, либо дообучение нейронных сетей любым из первых двух
способов не привело к удовлетворительной точности прогнозов.

ВЫВОДЫ ПО РАЗДЕЛУ 2

1. Установлено, что отдельное использование влияющих


геологических и технологических факторов для прогноза потенциала ГРП и
ОПЗ не обеспечивает удовлетворительной точности, что обуславливает
необходимость их совокупного учета. Составлены обучающие выборки для
нейронных сетей по принципу компактного описания системы «пласт-
воздействие-эксплуатация», выполнено статистическое обоснование вклада
каждой переменной в прогноз в полученных наборах факторов, а также
эффективности их совокупного учета;
2. По итогам проведенных теоретических исследований и
вычислительных экспериментов разработан алгоритм и рекомендации создания
нейронных сетей для оперативного прогнозирования потенциала МИП с
удовлетворительной точностью. Разработанные модели являются
«интеллектуальным» фильтром, который должен оперативно выделять в общем
фонде скважин на основе совокупного учета влияющих факторов потенциально
эффективных кандидатов для дальнейшего анализа;
3. При использовании нескольких нейронных сетей для совокупного
прогноза (ансамблевая организация) отмечается увеличение точности

90
прогнозов и количество верных оценок потенциалов изменения
прогнозируемых величин относительно одиночных нейронных сетей и
множественной линейной регрессии за счет достижения максимального
обобщения исходных данных;
4. Для максимально эффективного планирования МИП необходимо
помимо факторов, заложенных в нейронные сети, учитывать дополнительные
возможные риски при проведении ГРП и ОПЗ, а также оценивать
продолжительность полученного эффекта, темпы его снижения и
соответственно величину дополнительной добычи нефти.

91
3. РАЗРАБОТКА И АПРОБАЦИЯ МЕТОДИКИ ОПЕРАТИВНОЙ
ОЦЕНКИ ПЕРСПЕКТИВНОСТИ СКВАЖИН ДЛЯ МЕТОДОВ
ИНТЕНСИФИКАЦИИ ПРИТОКА НЕФТИ
3.1. Анализ дополнительных факторов, влияющих на результат
проведения МИП, не оцениваемых моделями нейронных сетей
Одной из особенностей нейросетевого моделирования является так
называемое «проклятье размерности» (экспоненциальный рост необходимого
количества обучающих примеров в зависимости от количества анализируемых
входных и выходных переменных). В связи с этим нецелесообразно в
обучающие выборки пытаться уместить все влияющие факторы, поскольку
укрупнение модели приведет к повышению сложности ее обучения и
интерпретации полученных результатов.
По данной причине ряд факторов, влияющих на эффект от ГРП и ОПЗ,
был выделен в самостоятельный анализ. Факторы были выбраны так, чтобы
учесть дополнительные риски получения низкой эффективности и
минимизировать выполнение низкоэффективных скважин из группы скважин,
которые нейронные сети оценили как потенциально эффективные на основании
совокупной оценки ГФХ ПЗП, текущего и исторического технологического
режима, выработки запасов и энергетики.
Всего было выделено 5 факторов, описывающих особенности
геологического строения и залегания продуктивных пластов, а также
параметры технологии разработки:
1. Естественная трещиноватость пласта;
2. Мощность глинистых экранов между пластами;
3. Состояние цементного камня в зоне обработки пласта;
4. Интерференция добывающих и нагнетательных скважин;
5. Компенсация отборов закачкой.
Каждый из этих факторов далее рассмотрен подробнее.

92
3.1.1. Естественная трещиноватость пласта
Влиянию естественной трещиноватости пласта на миграцию в нем
жидкости, а также определению естественными нарушениями ориентации
трещин гидроразрыва посвящено множество исследований. Наглядным
экспериментом по проведению ГРП в трещиноватом коллекторе является опыт
ГРП нефтеносных песчаников девона на нефтешахте 3 Ярегского
месторождения [93], где для изучения распространения трещин разрыва по
участку воздействия было проведено исследование с закачкой меченой
жидкости. Эксперимент показал, что естественные нарушения определяют
ориентацию трещин гидроразрыва. Конфигурация трещин и давление разрыва
определяются сложной системой путей наименьшего сопротивления и
наименьшей прочности пород.
Особенностью геологического строения объектов ЮВ1 на
месторождениях ТПП «Лангепаснефтегаз» является естественная
трещиноватость в направлении «Юг-Север», по которой происходит
опережающее обводнение добывающих скважин за счет прорывов по трещинам
воды от нагнетательных скважин. Направление трещин подтверждено
проведением в 5 скважинах объекта ЮВ1 Урьевского месторождения диполь-
акустического каротажа. На основе этого скважины можно поделить на 2
группы: по линии поддержания пластового давления (в направлении «Юг-
Север») – Группа 1 и стягивающий ряд – Группа 2 (рисунок 3.1).

Рисунок 3.1 – Проявление естественной трещиноватости объекта ЮВ1


Урьевского месторождения: а) результаты диполь-акустического каротажа; б)
выделение групп скважин на основе фактора трещиноватости
93
По выделенным группам были оценены средние технологические
режимы и накопленные показатели разработки (таблица 3.1 и рисунок 3.2).
35

Qн. нак./скв., тыс.т/скв.


30

25

20

15

10

5 1 группа
2 группа
0
0 10 20 30 40 50
Qж. нак./скв., тыс.т/скв.
Рисунок 3.2 – Сравнение накопленной добычи по выделенным группам
Таблица 3.1 – Средние технологические режимы и накопленные показатели
разработки по выделенным группам
Показатели 1 группа 2 группа
Количество скв., шт 82 206
ВНФ, д.ед 1.2 0.3
Обводненность, % 80.7* 40.2
Дебит нефти, т/сут 6 12.6
Дебит жидкости, т/сут 30.9 21.1
Отбор на скважину, тыс.т/скв. 21.5 28.6
* - не участвовали 100 % обводнившиеся остановленные скважины
Видно, что сравниваемые показатели по 1 группе значительно хуже, чем
по 2 группе. Таким образом, данные скважины не рекомендуются для
проведения мероприятий по интенсификации притока, чтобы не допускать
развития трещин ГРП к нагнетательным скважинам и в целом не ускорять
процесс обводнения скважин 1 группы.
Примеры неэффективных ГРП и ОПЗ по скважинам, относящимся к
первой группе представлены на рисунке 3.3. Отмечается резкий рост
обводненности после проведения мероприятий.
94
Рисунок 3.3 – Примеры неэффективных мероприятий по интенсификации
притока по скважинам 1 группы: а) ГРП; б) ОПЗ

3.1.2. Мощность глинистых экранов между пластами


Развитие трещин ГРП за пределы целевой зоны вследствие маломощных
глинистых экранов, отделяющих нефтенасыщенные пропластки от
водонасыщенных, является одной из причин низкой эффективности
проводимых обработок, поскольку подключение водонасыщенных интервалов
приводит к высокой обводненности продукции и снижению дополнительной
добычи нефти. По аналогии, прорыв в газонасыщенный пласт сверху от
добывающего нефтяного также вызывает проблемы с выработкой запасов из
зоны интереса [94]. В связи с этим большинство нефтедобывающих и
сервисных компаний на основе опыта разработки месторождений нефти и газа
с применением ГРП определяют требования к минимальной мощности
глинистых экранов для целевого интервала, которая обычно варьируется от 5
до 15 метров в зависимости от геологических особенностей залежей и
применяемых технологий.

95
Для скважин обучающих выборок были составлены распределения
мгновенного эффекта и дополнительной добычи нефти от ГРП и ОПЗ в
зависимости от минимальной мощности верхнего или нижнего глинистого
экрана (рисунок 3.4). Видно, что с увеличением минимальной мощности
глинистого экрана наблюдается тенденция получения более высокого прироста
дебита нефти при меньшем изменении обводненности и как следствие
получение более высокой дополнительной добычи нефти от обоих видов ГТМ.
Из полученных наблюдений следует, что минимально допустимой мощностью
глинистого экрана при выполнении мероприятий по ГРП является мощность в
5 м (объект Ач.т.) и 10 м (объект ЮВ1), по ОПЗ – 3 м и 5 м соответственно.

Рисунок 3.4 – Распределение мгновенного эффекта и дополнительной добычи


нефти от ГРП и ОПЗ в зависимости от мощности минимального глинистого
экрана
Примером подключения водонасыщенных интервалов при ГРП является
скважина № 2156 (рисунки 3.5 и 3.6). Мощность глинистых экранов до первых
водонасыщенных интервалов составляет 1,5 м и 5 м до отдельного нижнего
пропластка. Анализ полученной трещины ГРП показал, что закрепленная
высота трещины составила 34 м, интервал развития 2721-2755 м. Сообщение
нефтенасыщенных и водонасыщенных пропластков не привело к резкому росту
обводнения, однако эффект от ГРП снизился почти до базового дебита нефти

96
уже через 4 месяца, при последующей эксплуатации наблюдается более
интенсивный рост обводнения, чем до ГРП (с 27,4 % до 87,5 %).

Рисунок 3.5 – Результаты анализа полученной трещины ГРП


по скважине № 2156

Рисунок 3.6 – Динамика технологических показателей по скважине № 2156


3.1.3. Состояние цементного камня в интервале обработки пласта
Качественное цементирование обсадных колонн нефтяных и газовых
скважин – залог их длительной, эффективной эксплуатации [95].
Проведение операций, создающих динамические и ударные нагрузки на
цементный камень, например, кумулятивная перфорация или ГРП, может
привести к трещинообразованию в нем, особенно, если изначально состояние
крепления не является сплошным. Это в свою очередь может привести к

97
возникновению заколонных перетоков из выше- или нижерасположенных
водоносных горизонтов, и соответственно резкому обводнению продукции.
В связи с этим хорошее состояние цементного камня в интервале ГРП (с
отступом ±10 м и более) является одним из критериев выбора скважин-
кандидатов [96].
Плохое состояние контакта цементного камня с колонной и породой
также является одним из основных ограничивающих критериев для кислотных
ОПЗ [97], поскольку также существуют риски возникновения заколонных
перетоков, особенно, если используемые кислотные составы оказывают
воздействие на цементный камень.
Для скважин обучающих выборок были составлены распределения
мгновенного эффекта и дополнительной добычи нефти от ГРП и ОПЗ в
зависимости от оценки герметичности цементного камня в интервале
обработки пласта с отступом ±10 м. Видно, что наилучшие результаты ГРП и
ОПЗ достигаются при ее удовлетворительном значении. Чем герметичность
ниже, тем зачастую дополнительная добыча меньше (рисунок 3.7).

Рисунок 3.7 – Распределение мгновенного эффекта и дополнительной добычи


нефти от ГРП и ОПЗ в зависимости от герметичности цементного камня в
интервале обработки пласта
98
3.1.4. Интерференция добывающих и нагнетательных скважин
Интерференция скважин – это взаимодействие работающих
добывающих и/или нагнетательных скважин, вскрывающих один
продуктивный пласт или группу гидродинамически связанных пластов,
обусловленное тем, что поровое пространство пластов является единой
системой каналов и трещин, а содержащиеся в нем углеводороды и вода
подвижны.
Степень интерференции скважин зависит от:
 свойств пластовой системы;
 конфигураций трещин ГРП, пересекающих скважины (при их
наличии);
 расстояния между скважинами;
 интенсивности изменения дебита/приемистости.
Определяться взаимовлияние скважин может следующими методами:
 гидропрослушивание;
 трассерные исследования;
 аналитически (решение системы уравнений интерференции
скважин и т.п.).
Поскольку свойства пластовой системы в межскважинном пространстве
и конфигурация естественных трещин и трещин ГРП являются трудно
оцениваемыми величинами, а оценка взаимовлияния скважин на основе
изменения дебитов/приемистостей является достаточно сложной
математической задачей при анализе массива скважин в процессе оперативного
подбора ГТМ, то расстояние до ближайших добывающих и нагнетательных
скважин является основным критерием возможной интерференции. Оно
является одним из параметров выбора скважин-кандидатов для ГРП [96] и ОПЗ.
По скважинам обучающих выборок были составлены распределения
мгновенного эффекта и дополнительной добычи нефти от ГРП и ОПЗ в
зависимости от расстояния до ближайшей нагнетательной скважины (фактор,

99
характеризующий бо́льшие риски, связанные с прорывом закачиваемой воды,
чем фактор расстояния до ближайшей добывающей скважины), которое
показало, что оптимальным является расстояние от 300 до 500 м, поскольку при
таком расстоянии достигаются максимальные значения дополнительной
добычи нефти (рисунок 3.8). Меньшее расстояние до нагнетательных скважин
может стать причиной прорыва нагнетаемых вод в результате интенсификации
отборов, а при большем расстоянии гидродинамическая связь между
добывающей и нагнетательной скважиной может быть недостаточной для
компенсации отборов, что может привести к снижению пластового давления.

Рисунок 3.8 – Распределение мгновенного эффекта и дополнительной добычи


нефти от ГРП и ОПЗ в зависимости от расстояния до ближайшей
нагнетательной скважины
Однако, несмотря на просматривающуюся статистическую зависимость,
необходим постоянный мониторинг изменения фильтрационных потоков в
пласте в процессе разработки с помощью трассерных исследований и
гидропрослушивания для оценки возможных рисков при планировании ГТМ.
Пример прямого влияния нагнетательной скважины на добывающую
представлен на рисунках 3.9 и 3.10. Расстояние между забоями добывающей
скважины № 7582 и нагнетательной скважины № 7613 составляет 593 м.
100
Сопоставление технологических показателей работы данных скважин
свидетельствует о наличии заметной гидродинамической связи между данными
скважинами.
а). б).

593 м

Рисунок 3.9 – а). Фрагмент карты текущего состояния объекта ЮВ1; б).
Сопоставление технологических показателей работы добывающей скважины №
7582 и нагнетательной № 7613

Рисунок 3.10 – Корреляция динамики приемистости нагнетательной скважины


№ 7613 и обводненности добывающей скважины № 7582
В июле 2016 года в этих скважинах было выполнено
гидропрослушивание с целью уточнения гидродинамических параметров
пласта и определения силы гидродинамической связи.
Интерпретация гидропрослушивания проводилась с использованием
программного продукта «Мониторинг ГДП». Совместный график замеров
давления возмущающей и реагирующей скважин № 7613 и № 7582
101
соответственно представлен на рисунке 3.11 и показывает наличие
гидродинамической связи между данной парой: при остановках нагнетательной
скважины наблюдается снижение забойного давления, а при запуске –
стабилизация.

Остановка № 7613 Остановка № 7613

Запуск № 7613
Запуск № 7613

Рисунок 3.11 – Совместный график замеров давления возмущающей скважины


№ 7613 и реагирующей скважины № 7582 (с использованием телеметрической
системы)
Проведенная в мае 2016 по скважине № 7582 оптимизация работы
насосного оборудования с помощью частотного преобразователя привела к
резкому росту динамического уровня в скважине и обводненности продукции с
августа (рисунок 3.12), что свидетельствует о прорыве нагнетаемых вод
скважины № 7613.

Рисунок 3.12 – Динамика технологических показателей по скважине № 7582

102
3.1.5. Уровень компенсации отборов
Наиболее распространенные уровни текущей и накопленной
компенсации колеблются от 100 до 140 %, это объяснимо тем, что при меньшей
компенсации с учетом имеющейся доли непроизводительной закачки пластовое
давление может снижаться значительными темпами. В то время как
осуществление чрезмерной компенсации отборов жидкости не только не
способствует эффективной выработке запасов, но и приводит к формированию
сквозных каналов бесполезной циркуляции закачиваемой воды и
преждевременному обводнению добывающих скважин [98].
Накопленная компенсация является более устойчивой величиной, чем
текущая компенсация относительно кратковременных изменений
технологических режимов добывающих и нагнетательных скважин и позволяет
более объективно судить о рисках возможного преждевременного подхода
фронта нагнетаемых вод к забоям добывающих скважин вследствие проведения
мероприятий по интенсификации добычи.
На рисунке 3.13 представлены результаты распределения скважин обу-

Рисунок 3.13 – Распределение мгновенного эффекта и дополнительной добычи


нефти от ГРП и ОПЗ в зависимости от поскважинной накопленной
компенсации
103
чающих выборок по мгновенному эффекту и дополнительной добыче нефти от
ГРП и ОПЗ в зависимости от поскважинной накопленной компенсации на
момент проведения МИП. По графикам видно, что значение накопленной
компенсации незначительно влияет на мгновенный эффект мероприятий,
однако дополнительная добыча от обоих видов МИП снижается при
увеличении данного параметра. Это объяснимо тем, что для подхода фронта
нагнетаемой воды в качестве реакции на возмущающий МИП необходимо
определенное время.
Примером негативного влияния значительной перекомпенсации отборов
закачкой может послужить Шаманная залежь объекта ЮВ1 одного из
месторождений. По залежи реализована очагово-избирательная система
заводнения на базе линейной трехрядной системы с треугольным размещением
скважин по сетке 500х500 м (рисунок 3.14).

Рисунок 3.14 – Карта накопленных отборов Шаманной залежи объекта ЮВ1


В период 1990-1996 гг. текущие отборы компенсировались закачкой со
значительным превышением, накопленная компенсация достигала 285,9 %
(1996 г.). В последующие годы соотношение добывающих и нагнетательных
скважин сокращалось, накопленная компенсация снизилась до уровня 130-
140 % (рисунок 3.15). Характеристики выработки запасов, представленные на
рисунке 3.16, наглядно показывают негативное влияние значительной
перекомпенсации отборов закачкой. С момента достижения накопленной
компенсации в 285,9 %, наблюдается отклонение кривой «Отбор от начальных
104
извлекаемых запасов (НИЗ) – Обводненность» от линейного тренда в сторону
увеличения темпа обводнения. Тренд обводнения от КИН показывает, что при
сложившейся динамике выработки запасов проектный КИН по залежи не
достигается. Обводненность за 2015 год составила 93,2 %.

Рисунок 3.15 – Динамика показателей закачки и обводненности


по Шаманной залежи объекта ЮВ1

Рисунок 3.16 – Характеристика выработки запасов


Шаманной залежи объекта ЮВ1
За период 2010-2015 гг. эффективность ГРП и ОПЗ по скважинам
данной залежи значительно ниже, чем в среднем по объектам ЮВ 1
месторождений ТПП «Лангепаснефтегаз» (для объективности сравнивались
мероприятия по скважинам с примерно одинаковыми базовыми дебитами),
несмотря на более высокие входные приросты дебита нефти, наблюдается
дальнейшее увеличение обводненности после МИП, что отчетливо видно при
оценке водонефтяного фактора дополнительной добычи (таблица 3.2).

105
Таблица 3.2 – Показатели эффективности ГРП и ОПЗ в период 2010-2015 гг. по
скважинам Шаманной залежи объекта ЮВ1 и в целом по группе объектов ЮВ1
Дополнительная добыча за
База Факт (первый месяц работы) Прирост (входной)
отчетный год, т
Объекты
ГТМ Дебит Дебит Дебит Дебит Дебит Дебит
сравнения Обводнен Обводнен Обводнен
нефти, жидкости, нефти, жидкости, нефти, жидкости, Нефти Жидкости ВНФ
ность, % ность, % ность, %
т/сут т/сут т/сут т/сут т/сут т/сут
Шаманная ГРП 2,5 6,0 62,6 10,5 25,2 60,4 8,0 19,2 -2,3 408,9 1009,6 1,5
залежь ОПЗ 3,7 14,3 68,7 7,9 27,4 67,3 4,2 13,1 -1,4 270,8 1270,7 3,7
Группа ГРП 3,5 9,1 59,2 8,1 25,0 68,7 4,5 15,8 9,5 1016,0 1533,6 0,5
объектов
ЮВ1 ОПЗ 4,4 14,2 66,7 8,2 24,9 64,4 3,8 10,7 -2,3 331,9 811,8 1,4

На основе проведенного анализа влияния исследованных факторов на


мгновенный эффект и дополнительную добычу нефти были определены их
желательные и допустимые значения при подборе ГРП и ОПЗ, представленные
в таблице 3.3. С учетом этих факторов (возможных рисков) необходимо
проверять потенциальные скважины (по оперативной оценке нейронных сетей)
и исключать рискованные кандидаты.
Таблица 3.3 – Желательные и допустимые значения проанализированных
факторов
Ач.т. ЮВ1
Мероприятие Фактор
Желательно Допустимо Желательно Допустимо
Если добывающая скважина находится в
Проведение ГРП не Проведение первого ГРП при Проведение ГРП не Проведение первого ГРП при
нагнетательном ряду по линии естественной
желательно вводе скважины желательно вводе скважины
трещиноватости
Минимальная мощность глинистых экранов >10 м >5 м >20 м >10 м

Низкое и выше при отсутствии в Низкое и выше при отсутствии в


ГРП
Состояние цементного камня в интервале непосредственной близости непосредственной близости
Удовлетворительное Удовлетворительное
обработки пласта (± 10 м) водонасыщенных пластов по водонасыщенных пластов по
разрезу разрезу
Расстояние до ближайшей нагнетательной
> 300 м и < 500 м > 200 м и < 600 м > 400 м и < 600 м > 300 м и < 600 м
скважины
Накопленная компенсация >80 % и < 150 % >50 % и < 200 % >80 % и < 150 % >50 % и < 200 %
Если добывающая скважина находится в Проведение ОПЗ при признаках Проведение ОПЗ при признаках
Проведение ОПЗ не Проведение ОПЗ не
нагнетательном ряду по линии естественной кольматации ПЗП без проведения кольматации ПЗП без проведения
желательно желательно
трещиноватости последующей оптимизации ГНО последующей оптимизации ГНО

Минимальная мощность глинистых экранов >10 м >3 м >10 м >5 м


ОПЗ Низкое и выше при отсутствии в Низкое и выше при отсутствии в
Состояние цементного камня в интервале непосредственной близости непосредственной близости
Удовлетворительное Удовлетворительное
обработки пласта (± 10 м) водонасыщенных пластов по водонасыщенных пластов по
разрезу разрезу
Расстояние до ближайшей нагнетательной
> 200 м и < 400 м > 200 м и < 600 м > 300 м и < 500 м > 300 м и < 600 м
скважины
Накопленная компенсация >80 % и < 200% >50 % и < 200% >80 % и < 150 % >50 % и < 200 %

3.2. Разработка подхода к оценке продолжительности


технологического эффекта от мероприятий и величины дополнительной
добычи
Прогнозирование эффективности любого вида ГТМ подразумевает под
собой не только оценку потенциала мгновенного прироста, но и определение
продолжительности технологического эффекта и, соответственно, величины
дополнительной добычи нефти, так как решение о целесообразности
106
выполнения ГТМ должно приниматься на основе результатов оценки как
технологического, так и экономического эффекта.
Определение фактической эффективности ГТМ проводится сравнением
производственных показателей нефтедобывающих объектов (скважины,
участка), полученных в результате применения ГТМ (нового варианта) с
расчетными показателями (базовым вариантом), которые были бы характерны
для этого объекта без применения ГТМ [99]. На рисунке 3.17 представлен
пример определения прироста дебита нефти от ГТМ (выделен коричневой
заливкой), который можно пересчитать в дополнительную добычу нефти.

Рисунок 3.17 – Оценка прироста дебита нефти от ГТМ


В методических рекомендациях [99] для определения показателей
технологической эффективности ГТМ используются характеристики
вытеснения – кривые падения и обводнения в зависимости от значения базовой
обводненности и ее динамики. Это наиболее распространенный метод, однако,
он имеет 3 существенных недостатка:
– Вопрос выбора базового интервала для прогнозирования
(продолжительности истории). Нет четких критериев выбора оптимального
периода;
– Большинство характеристик вытеснения применимо при
обводненности более 50 %, когда постепенно наступает стабилизация темпа
107
изменения обводнения. На более ранних стадиях точность прогнозов будет
неудовлетворительной и необоснованной;
– Если нет базового интервала для прогнозирования, то характеристики
вытеснения неприменимы, соответственно с их помощью нет возможности
оценить поведение технологических показателей после ГТМ на стадии
планирования. Если принять за аналог базового интервала режим работы
скважины после выполнения схожих видов ГТМ по истории, то такой прогноз
не будет обоснованным, поскольку в прошлый временной период были другие
геолого-технические условия.
В связи с этим для оперативности оценки технологической
эффективности ГРП и ОПЗ в данной работе было реализовано разделение
фонда добывающих скважин по объектам Ачимовская толща и ЮВ1
месторождений ТПП «Лангепаснефтегаз» на группы по критериям, влияющим
на темпы изменения дебита жидкости и обводненности, для определения
наиболее вероятной динамики технологических показателей.
Для дебита жидкости в качестве критериев были выбраны: базовый
дебит жидкости в среднем за последние 3 месяца (интенсивность отбора),
отношение базового дебита жидкости к максимальному за историю (косвенная
оценка загрязнения ПЗП), величина Kh (мера способности пласта к
фильтрации), отношение текущего пластового давления к начальному
(характеристика энергетического состояния).
Для обводненности в качестве критериев были выбраны: базовая
обводненность в среднем за последние 3 месяца (текущая степень обводнения
продукции), отношение базовой обводненности к максимальной за историю
(оценка возможной степени повышения или снижения обводненности при
интенсификации), накопленный водонефтяной фактор (устойчивая
характеристика преобладающего за историю обводнения – высокого или
низкого).
По скважинам получившихся групп были построены графики средних
технологических показателей и аппроксимирована динамика дебита жидкости
108
и обводненности (рисунок 3.18), значения среднемесячного изменения
показателей представлены на рисунке 3.19 и в таблицах 3.4-3.7.

Рисунок 3.18 – Пример динамики обводнения для группы скважин


с параметрами: текущая обводненность 25 - 50 %; отношение
базовой обводненности к максимальной за историю > 0,5; ВНФ ≤ 0,6
(красные пунктирные линии – аппроксимация)

Рисунок 3.19 – Изменение обводненности по объекту Ач.т. в виде дерева


решений
Граничные значения категорий подбирались таким образом, чтобы
выборки делились примерно на равные части.
Для более компактной визуализации все полученные деревья решений
далее представлены в виде таблиц. Цифры в таблицах на пересечении значений
влияющих факторов показывают, насколько наиболее ожидаемо изменится
дебит жидкости и обводненность в м3/сут и % соответственно за каждый месяц
расчета. Таким образом, определив к какой группе относится скважина, можно
109
спрогнозировать статистически наиболее вероятное поведение
технологических показателей. При переходе скважины в другую группу
необходимо использовать соответствующие темпы изменения показателей.
Таблица 3.4 – Изменение дебита жидкости по объекту Ач.т. по категориям
Базовый Отношение
Отношение базового текущего Рпл к
дебит
дебита жидкости к Kh, мД*м начальному
жидкости,
максимальному за историю
м3/сут ≤ 0,7 > 0,7
≤ 20 -0,09 -0,15
≤ 0,5
> 20 -0,21 -0,14
<5
≤ 20 - -
> 0,5
> 20 - -
≤ 20 -0,24 -0,16
≤ 0,5
> 20 -0,09 -0,09
5-10
≤ 20 -0,08 -0,20
> 0,5
> 20 -0,04 -
≤ 20 -0,04 -0,30
≤ 0,5
> 20 -0,35 -0,07
10-20
≤ 20 -0,14 0,01
> 0,5
> 20 -0,17 0,07
≤ 20 -0,38 -0,04
≤ 0,5
> 20 -0,07 -0,28
> 20
≤ 20 -0,25 -0,27
> 0,5
> 20 -0,52 -0,30
Таблица 3.5 – Изменение обводненности по объекту Ач.т. по категориям
Базовая Отношение базовой ВНФ
обводненность, обводненности к
≤ 0,6 > 0,6
% максимальной за историю
≤ 0,5 0,01 0,02
< 25
> 0,5 0,15 -

≤ 0,5 0,25 0,03


25 - 50
> 0,5 1,64 0,11

≤ 0,5 - -
50 -75
> 0,5 0,49 0,28

≤ 0,5 - -
> 75 и
< 90
> 0,5 1,17 0,75

110
Таблица 3.6 – Изменение дебита жидкости по объекту ЮВ1
Базовый Отношение
Отношение базового дебита текущего Рпл к
дебит
жидкости к максимальному Kh, мД*м начальному
жидкости,
за историю
м3/сут
≤ 0,7 > 0,7
≤ 105 -0,11 -0,09
≤ 0,5
> 105 -0,07 0,00
<5
≤ 105 -0,21 -0,06
> 0,5
> 105 - -
≤ 105 -0,13 -0,07
≤ 0,5
> 105 -0,21 -0,15
5-10
≤ 105 -0,15 -0,10
> 0,5
> 105 -0,27 -0,06
≤ 105 -0,36 -0,13
≤ 0,5
> 105 -0,27 -0,42
10-20
≤ 105 -0,26 -0,04
> 0,5
> 105 -0,39 -0,11
≤ 105 -0,20 -0,33
≤ 0,5
> 105 -0,47 -0,32
> 20
≤ 105 -0,37 -0,27
> 0,5
> 105 -0,09 -0,08

Таблица 3.7 – Изменение обводненности по объекту ЮВ1


Базовая Отношение базовой ВНФ
обводненность, обводненности к
% максимальной за историю ≤ 0,6 > 0,6

≤ 0,5 0,07 -0,05


< 25
> 0,5 0,37 -

≤ 0,5 0,46 0,17


25 - 50
> 0,5 1,58 -0,01

≤ 0,5 - -
50 -75
> 0,5 1,61 0,15

≤ 0,5 - -
> 75 и
< 90
> 0,5 1,22 0,50

111
Серым цветом в таблицах отмечены значения, полученные по
аппроксимации малого количества наблюдений (≤ 5 скважин), в дальнейшем
при изменении структуры фонда скважин необходимо уточнение данных
значений. Прочерк в таблицах стоит либо в невозможных категориях, либо в
категориях по которым на момент распределения фонда (всего участвовала 791
скважина) не оказалось наблюдений.
Аналогичное разделение на группы по влияющим на эффект критериям
было выполнено по скважинам обучающих выборок для определения наиболее
вероятной динамики технологических показателей после МИП (таблицы 3.8-
3.15). В качестве интервала аппроксимации использовались первые 12 месяцев
работы с момента ремонта, чего достаточно для оценки дополнительной
добычи и экономической эффективности планируемых мероприятий. Первые
три месяца работы скважин были усреднены. Так получились значения
«мгновенного эффекта», которые рассчитывают нейронные сети,
следовательно, от этих значений стал возможен прогноз дальнейшей динамики
показателей. При этом усреднении также отмечается улучшение качества
аппроксимации (рисунки 3.20 и 3.21).

Рисунок 3.20 – Примеры линейной аппроксимации обводненности после ГРП:


а) без усреднения первых трех месяцев; б) с усреднением

Рисунок 3.21 – Примеры линейной аппроксимации дебита жидкости после ГРП:


а) без усреднения первых трех месяцев; б) с усреднением
112
Из графиков видно, что при усреднении первых трех месяцев можно
достаточно точно оценить динамику обводненности с помощью линейной
аппроксимации и подобный подход позволяет продлевать тренд от более
корректных значений параметров технологических режимов.
Таблица 3.8 – Изменение дебита жидкости по объекту Ач.т. по категориям для
ГРП
Отношение дебита Отношение
Дебит жидкости текущего Рпл
жидкости после ГРП к
после ГРП, Kh, мД*м к начальному
базовому дебиту
м3/сут
жидкости
≤ 0,7 > 0,7
≤ 20 -0,48 0,01
≤4
> 20 - -
< 10
≤ 20 - -
>4
> 20 - -
≤ 20 -0,30 -0,22
≤4
> 20 -0,43 -0,66
10-20
≤ 20 -0,25 -0,40
>4
> 20 -0,46 0,07
≤ 20 -0,87 -0,77
≤4
> 20 -0,60 -0,84
> 20
≤ 20 -0,93 -1,05
>4
> 20 -0,96 -0,80
Таблица 3.9 – Изменение обводненности по объекту Ач.т. по категориям для
ГРП
Отношение обводненности ВНФ
Обводненность
после ГРП к базовой
после ГРП, % ≤ 0,25 > 0,25
обводненности
≤2 -0,43 0,51
< 25
>2 -0,88 -0,23

≤2 -1,82 -0,76
25 - 50
>2 -1,84 -1,86

≤2 -0,96 -1,75
50 -75
>2 -3,59 -1,74

≤2 - -0,76
> 75
>2 -0,25 -3,17

113
Таблица 3.10 – Изменение дебита жидкости по объекту Ач.т. по категориям для
ОПЗ
Дебит Отношение дебита Отношение
жидкости жидкости после ОПЗ к текущего Рпл к
Kh, мД*м начальному
после ОПЗ, базовому дебиту
м3/сут жидкости
≤ 0,7 > 0,7
≤ 20 -0,10 -0,26
≤ 1,5
> 20 - -
< 10
≤ 20 -0,06 0,07
> 1,5
> 20 - -
≤ 20 -0,05 -0,29
≤ 1,5
> 20 -0,76 -0,08
10-20
≤ 20 -0,60 -0,56
> 1,5
> 20 -0,32 -0,81
≤ 20 -0,46 -0,73
≤ 1,5
> 20 -0,36 -0,38
> 20
≤ 20 -0,44 -0,67
> 1,5
> 20 -0,67 -0,88

Таблица 3.11 – Изменение обводненности по объекту Ач.т. по категориям для


ОПЗ
Отношение обводненности ВНФ
Обводненность
после ОПЗ к базовой
после ОПЗ, %
обводненности
≤ 0,25 > 0,25

≤ 1,25 -0,05 -0,17


< 25
> 1,25 -0,36 0,13

≤ 1,25 -1,09 -0,04


25 - 50
> 1,25 -1,31 -1,03

≤ 1,25 - -1,66
50 -75
> 1,25 0,28 -0,16

≤ 1,25 - 0,15
> 75
> 1,25 - -4,52

114
Таблица 3.12 – Изменение дебита жидкости по объекту ЮВ1 по категориям для
ГРП
Отношение
Дебит жидкости Отношение дебита текущего Рпл к
после ГРП, жидкости после ГРП к Kh, мД*м начальному
м3/сут базовому дебиту жидкости
≤ 0,7 > 0,7
≤ 105 -0,13 0,22
≤4
> 105 - -
< 10
≤ 105 - -
>4
> 105 - -
≤ 105 -0,44 -0,34
≤4
> 105 -0,03 -0,26
10-20
≤ 105 -0,83 -0,62
>4
> 105 - -
≤ 105 -0,86 -0,76
≤4
> 105 -0,54 -0,51
> 20
≤ 105 -0,56 -0,50
>4
> 105 -0,70 -0,52
Таблица 3.13 – Изменение обводненности по объекту ЮВ1 по категориям для
ГРП
Отношение обводненности ВНФ
Обводненность
после ГРП к базовой
после ГРП, %
обводненности
≤ 0,25 > 0,25

≤2 0,30 0,25
< 25
>2 -0,02 -0,38

≤2 -0,34 -0,41
25 - 50
>2 -1,93 -0,99

≤2 - -0,73
50 -75
>2 -1,46 -1,41

≤2 -0,74 -3,35
> 75
>2 1,14 -1,81

115
Таблица 3.14 – Изменение дебита жидкости по объекту ЮВ1 по категориям для
ОПЗ
Дебит Отношение дебита Отношение
жидкости жидкости после ОПЗ к текущего Рпл к
Kh, мД*м начальному
после ОПЗ, базовому дебиту
м3/сут жидкости
≤ 0,7 > 0,7
≤ 105 -0,20 -0,15
≤ 1,5
> 105 0,31 0,28
< 10
≤ 105 -0,08 -0,20
> 1,5
> 105 - -0,13
≤ 105 -0,09 -0,20
≤ 1,5
> 105 -0,65 -0,43
10-20
≤ 105 -0,42 -0,62
> 1,5
> 105 -0,58 -
≤ 105 -0,42 -0,38
≤ 1,5
> 105 -0,46 -0,31
> 20
≤ 105 -0,83 -0,33
> 1,5
> 105 -0,72 -0,67
Таблица 3.15 – Изменение обводненности по объекту ЮВ1 по категориям для
ОПЗ

Отношение обводненности ВНФ


Обводненность
после ОПЗ к базовой
после ОПЗ, %
обводненности
≤ 0,25 > 0,25

≤ 1,25 -0,06 0,28


< 25
> 1,25 -0,48 -0,56

≤ 1,25 0,13 1,33


25 - 50
> 1,25 -0,54 -0,09

≤ 1,25 1,21 0,08


50 -75
> 1,25 1,88 1,14

≤ 1,25 - -0,15
> 75
> 1,25 -1,52 -0,49

116
Предложенный подход относительно характеристик вытеснения имеет
следующие преимущества:
1. Темпы изменения показателей определены конкретно для
исследуемых эксплуатационных объектов с учетом ряда влияющих на эффект
факторов;
2. Разделение скважин по категориям по значениям влияющих
факторов делает данный подход унифицированным, нет необходимости
подбирать кривые для каждой скважины;
3. Несмотря на то, что используется линейная аппроксимация, при
переходе скважин из одних категорий в другие темпы изменения показателей
различны и в большей степени соответствуют действительной динамике (на
основе полученных распределений);
4. Возможна оценка изменения технологических показателей после
МИП на стадии их планирования.
Однако также он имеет и свои недостатки:
1. Граничные значения категорий подбирались таким образом, чтобы
выборки делились примерно на равные части, нельзя однозначно судить об
оптимальности именно данного распределения скважин на группы;
2. Темпы изменения получены на ограниченном количестве данных и
их правомерность должна быть подтверждена при использовании методики и
появлении новых данных о работе скважин, что особенно важно для значений,
полученных на аппроксимации малого количества наблюдений (≤ 5 скважин).
3.3. Формирование алгоритма методики оперативной оценки
перспективности скважин для методов интенсификации притока нефти
На основе разработанных ансамблей нейронных сетей, выступающих в
качестве модуля оперативной оценки потенциала ГРП и ОПЗ, а также
проведенного анализа ряда влияющих на эффект факторов, не учитываемых
моделями нейронных сетей, и предложенного подхода к оценке
дополнительной добычи нефти на основе деревьев решений, был сформирован
алгоритм методики планирования МИП, состоящий из 5 шагов (рисунок 3.22).
117
Рисунок 3.22 – Алгоритм методики оперативной оценки перспективности
скважин для МИП нефти (на примере ГРП и ОПЗ)
3.4. Апробация и оценка эффективности применения разработанной
методики на месторождениях территориально-производственного
предприятия «Лангепаснефтегаз»
Разработки моделей нейронных сетей и исследования их применимости
для прогнозирования эффективности ГРП и ОПЗ на месторождениях ТПП
«Лангепаснефтегаз» начались с конца 2013 года [85, 86, 89, 100-107].
Первоначально основным направлением исследования было
определение применимости данного метода для прогнозирования эффекта от
ГРП. После получения положительного заключения о возможной
применимости нейросетевого моделирования на основе проведенных
экспериментов для поставленной цели, в 2014 году были обучены нейронные
сети по ОПЗ и получена удовлетворительная сходимость результатов
проверок. Рабочие нейросетевые модели применяются в качестве
дополнительного метода оценки мгновенного эффекта от ОПЗ при подборе
скважин-кандидатов с 2015 года.
Апробирование и оценка эффективности применения всей
разработанной методики при подборе скважин-кандидатов под ОПЗ
проводилась по 52 скважинам, фактически выполненным на исследуемых
118
эксплуатационных объектах в течение первого полугодия 2016 года, не
участвующим в обучении или тестировании разработанных моделей (таблицы
3.16-3.18).
Согласно алгоритму разработанной методики на основе
актуализированных данных по скважинам ансамблями нейронных сетей была
выполнена экспресс-оценка мгновенного эффекта от выполнения ОПЗ.
Статистический анализ полученных результатов представлен на рисунках 3.23
и 3.24. Из графиков видна удовлетворительная сходимость полученных
прогнозов с фактическими значениями, наибольшие отклонения
(рисунок 3.23, б).) получены по 5 наблюдениям, что составляет менее 10 % от
рассматриваемой выборки. Без их учета коэффициент детерминации (R2)
составляет 0,79; 0,71 и 0,85 соответственно для дебита нефти, дебита жидкости
и обводненности.

Рисунок 3.23 – Анализ экспресс-оценки мгновенного эффекта ансамблями


нейронных сетей: а) сопоставление прогнозных и фактических
технологических показателей; б) отклонение факта от плана (по модулю и
возрастанию) по каждой скважине

Рисунок 3.24 – Распределение скважин по оценке потенциала


119
Таблица 3.16 – Скважино-операции ОПЗ, участвующие в апробировании и
оценке эффективности разработанной методики
Месяц
№ п/п № скважины Месторождение Объект Выполненные работы
выполнения
1 1669Н Поточное Ач.т. 1 ОПЗ Гелий
2 203Н Поточное Ач.т. 1 ОПЗ Гелий
3 312Н Поточное Ач.т. 1 ОПЗ Гелий
4 2701Н Поточное Ач.т. 1 ОПЗ Гелий
5 8212 Урьевское ЮВ1 1 ОПЗ Гелий
6 7050 Урьевское ЮВ1 1 ОПЗ Элтинокс
7 1107 Поточное Ач.т. 1 ОПЗ Элтинокс
8 7142 Урьевское ЮВ1 2 ОПЗ Элтинокс
9 7495 Урьевское ЮВ1 2 ОПЗ Элтинокс с освоением ЭЦН
10 7312 Урьевское ЮВ1 2 ОПЗ Гелий
11 358 Малоключевое ЮВ1 2 ОПЗ Гелий
12 1006Н Поточное Ач.т. 2 ОПЗ Гелий
13 238Н Поточное Ач.т. 2 ОПЗ Гелий
14 407Н Поточное Ач.т. 2 ОПЗ Гелий
15 8039Д Урьевское ЮВ1 2 ОПЗ Элтинокс с освоением с ЭЦН
16 356 Малоключевое ЮВ1 3 ОПЗ с освоением ЭЦН
17 7311 Урьевское ЮВ1 3 ОПЗ Гелий
18 1704Н Поточное Ач.т. 3 ОПЗ Гелий
19 993Н Поточное Ач.т. 3 ОПЗ Гелий
20 7013 Урьевское ЮВ1 3 ОПЗ Элтинокс
21 170 Покамасовское ЮВ1 3 ОПЗ СКО
22 1378 Поточное Ач.т. 3 ОПЗ СКО
23 211 Курраганское Ач.т. 3 ОПЗ Элтинокс
24 7822 Урьевское ЮВ1 3 ОПЗ Элтинокс с освоением ЭЦН
25 1527Н Поточное Ач.т. 3 ОПЗ Гелий
26 1478 Поточное Ач.т. 4 ОПЗ с освоением ЭЦН
27 7840 Урьевское ЮВ1 4 ОПЗ Элтинокс с освоением ЭЦН
28 1752Н Поточное Ач.т. 4 ОПЗ Гелий
29 1881Н Урьевское ЮВ1 4 ОПЗ Гелий
30 1403 Поточное Ач.т. 4 ОПЗ Элтинокс с освоением ЭЦН
31 203 Курраганское Ач.т. 4 ОПЗ Элтинокс с освоением ЭЦН
32 1670Н Поточное Ач.т. 4 ОПЗ Гелий
33 7352 Урьевское ЮВ1 4 Ликвидация прихвата НГН, ОПЗ, ГИС
34 537Н Поточное Ач.т. 4 ОПЗ Гелий
35 137 Покамасовское ЮВ1 4 ОПЗ СКО
36 278 Курраганское ЮВ1 5 ОПЗ ПГДА
37 687Н Поточное Ач.т. 5 ОПЗ Гелий
38 218Н Поточное Ач.т. 5 ОПЗ Гелий
39 696Н Поточное Ач.т. 5 ОПЗ Гелий
40 211Н Поточное Ач.т. 5 ОПЗ Гелий
41 257 Малоключевое ЮВ1 5 ОПЗ Элтинокс с освоением ЭЦН
42 1011 Поточное Ач.т. 5 ОПЗ Гелий
43 197Р Нивагальское ЮВ1 6 ОПЗ Элтинокс с освоением ЭЦН
44 7832 Урьевское ЮВ1 6 ОПЗ Элтинокс с освоением ЭЦН
45 7791 Урьевское ЮВ1 6 ОПЗ Элтинокс
46 316Н Урьевское ЮВ1 6 ОПЗ Гелий
47 8416 Урьевское ЮВ1 6 ОПЗ Гелий
48 336Н Поточное Ач.т. 6 ОПЗ Гелий
49 7538 Урьевское ЮВ1 6 ОПЗ Элтинокс
50 9067 Лас-Еганское ЮВ1 6 ОПЗ "НЕККО"
51 284 Малоключевое ЮВ1 6 ВЦ, ОПЗ ПГДА
52 105Н Поточное Ач.т. 6 ОПЗ Гелий

120
Таблица 3.17 – Исходные данные по скважинам для прогнозирования дебита
жидкости
Дебит
Пластовое
Дебит жидкости Кратность
Средняя давление Номинальная
жидкости (текущий) Площадь ОПЗ (какая
проницаемость Коэффциент (текущее) Объем теоретическая
(база) в Расчленен / диаграммы ОПЗ будет
№ п/п № скв Месторождение * продуктивности, / агента производительность
среднем за ность Дебит Вороного, по счету,
Эффективная 3
м /сут/атм Пластовое ОПЗ предполагаемого
3 месяца, жидкости м
2
если
толщина, мД*м давление 3
насоса, м /сут
3
м /сут (МАХ сделать)
(начальное)
за историю)

1 1669Н Поточное 2,1 10,8 11 0,09 0,14 91322 0,59 18 4 12,0


2 203Н Поточное 5,2 22,9 21 0,12 0,42 179467 0,76 29 3 12,0
3 312Н Поточное 17,6 488,9 29 0,63 0,18 220000 0,92 42 1 25,0
4 2701Н Поточное 6,9 22,2 11 0,21 0,90 211672 0,38 26 4 25,0
5 8212 Урьевское 20,5 7,9 2 0,55 0,14 658618 0,85 6 3 25,0
6 7050 Урьевское 21,0 155,5 1 0,26 0,26 188343 0,71 18 3 25,0
7 1107 Поточное 15,0 46,5 12 0,44 0,43 193351 0,38 23 2 15,0
8 7142 Урьевское 20,3 207,6 1 0,71 1,29 150000 0,56 17 3 25,0
9 7495 Урьевское 21,2 144,8 3 0,51 0,18 205125 0,89 18 2 25,0
10 7312 Урьевское 10,1 15,9 6 0,30 0,20 194769 0,64 14 4 25,0
11 358 Малоключевое 17,1 68,7 5 0,38 0,14 2061917 0,88 9 2 30,0
12 1006Н Поточное 15,2 25,4 14 0,57 0,26 167147 0,84 36 3 25,0
13 238Н Поточное 16,4 14,6 16 0,52 0,83 143378 0,45 24 2 25,0
14 407Н Поточное 16,9 6,8 15 0,40 0,24 157838 0,80 26 5 25,0
15 8039Д Урьевское 20,6 126,3 6 0,43 1,80 195069 0,48 19 3 25,0
16 356 Малоключевое 19,1 18,4 4 0,38 0,15 288575 0,80 8 2 25,0
17 7311 Урьевское 13,2 432,4 3 0,37 0,09 285000 0,73 14 2 25,0
18 1704Н Поточное 23,6 21,3 24 0,63 0,14 140252 0,64 36 5 25,0
19 993Н Поточное 3,1 31,7 10 0,06 0,43 181080 0,77 36 4 12,0
20 7013 Урьевское 16,0 77,0 3 0,28 0,65 177897 0,45 12 2 15,0
21 170 Покамасовское 25,8 64,4 2 0,25 0,22 194178 0,62 7 6 25,0
22 1378 Поточное 17,2 18,5 17 0,54 0,19 249799 0,47 23 3 15,0
23 211 Курраганское 12,3 16,2 5 0,31 0,49 365284 0,71 13 3 25,0
24 7822 Урьевское 11,7 551,0 2 0,37 0,11 250000 0,79 21 1 15,0
25 1527Н Поточное 16,6 8,2 17 0,39 0,90 182122 0,67 31 3 25,0
26 1478 Поточное 19,7 251,3 17 0,50 0,10 447842 0,61 32 2 25,0
27 7840 Урьевское 14,4 168,6 4 0,35 0,28 245000 0,56 13 4 25,0
28 1752Н Поточное 15,2 34,7 23 0,46 0,69 71972 0,65 36 3 25,0
29 1881Н Урьевское 2,9 19,2 5 0,21 0,03 1557391 0,90 9 3 12,0
30 1403 Поточное 3,3 54,7 7 0,07 0,08 357419 0,79 36 2 8,0
31 203 Курраганское 19,7 3,6 2 0,49 0,15 4689 0,96 6 2 25,0
32 1670Н Поточное 8,1 11,2 21 0,31 0,13 187994 0,70 33 3 12,0
33 7352 Урьевское 7,6 66,7 5 0,24 0,08 270229 0,94 14 2 12,0
34 537Н Поточное 17,1 9,8 11 0,41 0,32 164404 0,74 18 5 25,0
35 137 Покамасовское 29,2 67,0 4 0,26 0,22 190344 0,77 9 5 25,0
36 278 Курраганское 20,5 189,0 5 0,39 0,17 2048279 0,72 10 2 25,0
37 687Н Поточное 11,2 43,5 8 0,65 0,23 248309 0,74 19 2 12,0
38 218Н Поточное 5,2 21,9 11 0,18 0,21 93975 0,60 21 3 8,0
39 696Н Поточное 7,3 29,9 13 0,28 0,75 220634 0,60 28 3 12,0
40 211Н Поточное 1,9 8,1 11 0,06 0,02 134880 0,72 24 2 12,0
41 257 Малоключевое 16,1 37,8 5 0,52 0,25 250000 0,72 8 2 15,0
42 1011 Поточное 12,1 2,3 8 0,33 0,06 173378 0,59 17 3 25,0
43 197Р Нивагальское 18,3 117,0 2 0,40 0,97 206867 0,57 23 2 25,0
44 7832 Урьевское 5,8 140,1 2 0,19 1,87 173140 0,58 17 4 15,0
45 7791 Урьевское 28,8 83,2 2 0,49 0,13 214070 0,97 8 3 25,0
46 316Н Урьевское 4,1 16,8 4 0,17 0,08 425052 0,76 8 3 12,0
47 8416 Урьевское 9,7 40,8 6 0,36 0,11 422550 0,85 15 2 25,0
48 336Н Поточное 5,0 10,1 14 0,24 0,05 294013 0,84 30 4 12,0
49 7538 Урьевское 48,1 134,5 2 0,79 0,43 242000 0,86 12 2 40,0
50 9067 Лас-Еганское 15,6 56,1 4 0,43 0,01 214904 0,85 9 2 25,0
51 284 Малоключевое 11,8 5,6 2 0,36 0,12 508517 0,72 7 3 15,0
52 105Н Поточное 16,6 28,0 23 0,38 0,72 210083 0,51 36 5 25,0

121
Таблица 3.18 – Исходные данные по скважинам для прогнозирования
обводненности
Обводненность
Накопленная
(текущая)
Обводненность добыча нефти, т Кратность ОПЗ (какая
/ Водонефтяной
№ п/п № скв Месторождение (база) в среднем / ОПЗ будет по счету, если
Обводненность фактор
за 3 месяца, % Эффективная сделать)
(МАХ
толщина пласта, м
за историю)
1 1669Н Поточное 4,6 0,09 940 0,131 4
2 203Н Поточное 36,2 0,37 1484 0,582 3
3 312Н Поточное 5,9 0,22 163 0,170 1
4 2701Н Поточное 19,7 0,28 1787 0,226 4
5 8212 Урьевское 16,8 0,64 3976 0,179 3
6 7050 Урьевское 25,9 0,35 5543 0,188 3
7 1107 Поточное 63,5 0,85 251 1,549 2
8 7142 Урьевское 6,6 0,12 1911 0,217 3
9 7495 Урьевское 75,0 0,80 2989 0,385 2
10 7312 Урьевское 3,5 0,06 3095 0,078 4
11 358 Малоключевое 19,4 0,59 2738 0,106 2
12 1006Н Поточное 7,5 0,16 248 0,262 3
13 238Н Поточное 13,1 0,24 2333 0,124 2
14 407Н Поточное 7,8 0,16 1735 0,205 5
15 8039Д Урьевское 35,8 0,68 1977 0,262 3
16 356 Малоключевое 10,4 0,38 3002 0,067 2
17 7311 Урьевское 8,2 0,17 4211 0,072 2
18 1704Н Поточное 70,9 0,97 1466 0,317 5
19 993Н Поточное 15,9 0,16 653 0,586 4
20 7013 Урьевское 9,4 0,44 4804 0,098 2
21 170 Покамасовское 95,0 0,96 11500 3,592 6
22 1378 Поточное 49,5 0,71 670 0,571 3
23 211 Курраганское 29,2 0,37 6127 0,367 3
24 7822 Урьевское 19,6 0,38 2494 0,147 1
25 1527Н Поточное 20,1 0,24 2171 0,125 3
26 1478 Поточное 10,9 0,20 620 0,259 2
27 7840 Урьевское 66,8 0,94 5605 0,144 4
28 1752Н Поточное 9,6 0,16 954 0,329 3
29 1881Н Урьевское 30,8 0,45 751 0,454 3
30 1403 Поточное 35,8 0,60 297 0,330 2
31 203 Курраганское 10,1 0,10 1627 0,274 2
32 1670Н Поточное 5,8 0,08 812 0,408 3
33 7352 Урьевское 86,3 0,94 480 1,131 2
34 537Н Поточное 13,5 0,27 2949 0,195 5
35 137 Покамасовское 90,5 0,91 6039 2,688 5
36 278 Курраганское 30,6 0,74 2796 0,184 2
37 687Н Поточное 7,2 0,17 641 0,184 2
38 218Н Поточное 18,2 0,40 448 0,586 3
39 696Н Поточное 10,1 0,14 1103 0,273 3
40 211Н Поточное 31,9 0,32 1533 0,399 2
41 257 Малоключевое 59,0 0,73 972 1,059 2
42 1011 Поточное 19,3 0,35 4217 0,124 3
43 197Р Нивагальское 55,3 0,75 2251 0,906 2
44 7832 Урьевское 5,9 0,15 3355 0,113 4
45 7791 Урьевское 86,6 0,96 4713 0,530 3
46 316Н Урьевское 20,2 0,45 1935 0,258 3
47 8416 Урьевское 31,6 0,36 531 0,479 2
48 336Н Поточное 3,5 0,06 535 0,274 4
49 7538 Урьевское 26,7 0,72 7809 0,127 2
50 9067 Лас-Еганское 34,1 0,85 2149 0,241 2
51 284 Малоключевое 11,7 0,17 1823 0,267 3
52 105Н Поточное 43,6 0,67 1876 0,179 5

122
Установленной технологической эффективностью для скважин
действующего фонда ТПП «Лангепаснефтегаз» является входной прирост
дебита нефти 3 т/сут относительно базы. Поскольку «мгновенный эффект»,
оцениваемый ансамблями нейронных сетей подразумевает под собой прирост
дебита нефти в среднем за 3 месяца после проведения обработки, то с учетом
ожидаемого постепенного снижения полученного эффекта, граничным
приростом дебита нефти, разделяющим эффективные обработки от
неэффективных, было условно выбрано значение 2,5 т/сут. Прогнозные
приросты могут легко оценены, если из прогнозных дебита жидкости,
обводненности и рассчитанного дебита нефти вычесть соответствующие
базовые показатели. Под верно определенным потенциалом на рисунке 3.24
понимается правильное отнесение обработок к низкоэффективным или
эффективным относительно условно выбранного граничного прироста дебита
нефти в 2,5 т/сут, без учета абсолютной точности прогноза. Например, если по
расчету прирост дебита нефти составил 7 т/сут, а по факту получили прирост
3,5 т/сут, то потенциал обработки в целом был определен верно, мероприятие
оказалось эффективным, несмотря на то, что абсолютная ошибка прогноза
составила 50 %.
Таким образом, видно, что экспресс-оценка мгновенного эффекта верна
более чем в 70 % случаев.
На втором этапе относительно условно выбранного граничного прироста
дебита нефти в 2,5 т/сут были отфильтрованы потенциально эффективные
скважины (26 из 52), по ним был проведен дополнительный анализ возможных
рисков (таблица 3.19) с помощью комплексного геолого-промыслового анализа
(ГПА) по выделенным в таблице 3.1.3 критериям (с их уточнением):
1. Нахождение в нагнетательном ряду по линии естественной
трещиноватости (учитывалось не только непосредственное расположение
скважины по системе разработки, но и признаки наличия естественной
трещиноватости – динамика технологических показателей работы
анализируемой скважины и добывающего окружения);
123
2. Минимальная мощность глинистого экрана (оценивались ФЕС
пластов, отделяемых глинистыми экранами от обрабатываемого пласта, и
данные промыслово-геофизических исследований (ПГИ) по работающим
интервалам);
3. Состояние цементного камня в зоне обработки (аналогично
прошлому пункту оценивались расстояния до ближайших пластов по разрезу,
их ФЕС и данные ПГИ);
4. Расстояние до ближайшей нагнетательной скважины (помимо
непосредственного расстояния учитывалось множество других факторов:
корреляция вскрытых интервалов добывающей и нагнетательной скважины,
накопленная закачка и приемистость нагнетательной скважины, разность
пластовых давлений в зоне отбора и нагнетания, прослеживание изменения
технологического режима добывающей скважины от ввода нагнетательной
скважины или изменения режима ее работы, данные ПГИ по интервалам
притока и расхода);
5. Накопленная компенсация (данный параметр учитывался в
комплексе с перечисленными выше).
Таблица 3.19 – Дополнительно проанализированные факторы
Дополнительные факторы по разработанным рекомендациям
Заключение по
Состояние цементного камня (ЦК) в интервале обработки разработанной
Нахождение в пласта (± 10 м) методике о
Минимальная Расстояние до
№ скв Месторождение нагнетательном Средняя целостность Оценка состояния ЦК: планируемой
мощность ближайшей Накопленная
ряду по линии контакта цемента с < 25 % - очень низкое; эффективности
глинистого нагнетательной компенсация, %
естественной породой и колонной по 25-50 % - низкое; ОПЗ (до расчета
экрана, м скважины, м
трещиноватости данным акустического 50-75 % - пониженное; доп.добычи)
каротажа, % > 75 % - удовлетворительное
1669Н Поточное - 32,4 33,0 НИЗКОЕ 321,0 168,8 +
203Н Поточное - 26,6 58,0 ПОНИЖЕННОЕ 467,1 233,7 -
2701Н Поточное - 8,1 63,0 ПОНИЖЕННОЕ 366,8 64,9 +
7312 Урьевское - 14,6 61,4 ПОНИЖЕННОЕ 408,1 40,9 -
358 Малоключевое - 0,0 64,6 ПОНИЖЕННОЕ 506,9 66,1 -
1006Н Поточное - 15,5 87,0 УДОВЛЕТВОРИТЕЛЬНОЕ 626,5 0,0 -
238Н Поточное - 12,7 75,0 ПОНИЖЕННОЕ 394,5 47,7 -
356 Малоключевое - 20,1 83,3 УДОВЛЕТВОРИТЕЛЬНОЕ 481,7 124,3 +
7311 Урьевское - 4,1 66,0 ПОНИЖЕННОЕ 437,9 131,3 -
993Н Поточное - 28,6 58,5 ПОНИЖЕННОЕ 283,4 145,8 +
211 Курраганское - 3,0 52,3 ПОНИЖЕННОЕ 580,7 532,0 -
1752Н Поточное - 40,1 37,5 НИЗКОЕ 330,5 137,3 +
1881Н Урьевское - 5,9 72,7 ПОНИЖЕННОЕ 472,9 576,8 -
1403 Поточное - 10,8 100,0 УДОВЛЕТВОРИТЕЛЬНОЕ 487,1 136,9 +
1670Н Поточное - 23,9 35,0 НИЗКОЕ 312,9 119,6 +
537Н Поточное - 9,3 58,4 ПОНИЖЕННОЕ 470,0 148,6 +
278 Курраганское - 6,8 82,5 УДОВЛЕТВОРИТЕЛЬНОЕ 806,4 0,0 -
218Н Поточное - 3,8 75,0 ПОНИЖЕННОЕ 447,3 39,3 -
696Н Поточное - 34,9 66,7 ПОНИЖЕННОЕ 510,9 61,0 +
211Н Поточное - 29,6 70,0 ПОНИЖЕННОЕ 340,9 264,5 -
1011 Поточное - 45,0 100,0 УДОВЛЕТВОРИТЕЛЬНОЕ 301,0 34,9 -
7832 Урьевское - 12,9 28,5 НИЗКОЕ 414,0 192,4 +
316Н Урьевское - 14,6 83,3 УДОВЛЕТВОРИТЕЛЬНОЕ 481,7 168,2 +
8416 Урьевское - 5,4 77,5 УДОВЛЕТВОРИТЕЛЬНОЕ 493,9 157,8 +
336Н Поточное - 12,9 16,0 ОЧЕНЬ НИЗКОЕ 684,2 125,8 -
9067 Лас-Еганское - 21,6 75,0 ПОНИЖЕННОЕ 462,7 19,0 -

124
Помимо уточнения перечисленных критериев уменьшение выборки в 2
раза позволило с приемлемыми затратами времени оценить эффективность
выполнения различных видов мероприятий по интенсификации притока и
различных технологий по планируемой скважине за историю и по окружающим
добывающим скважинам.
Итоговое сопоставление результатов расчетов эффективности ОПЗ по
разработанной методике и фактических данных выполнения скважин,
принятых потенциально эффективными по экспресс-оценке ансамблями
нейронных сетей представлено в таблице 3.20. Конечное совпадение прогноза
эффективности с фактом составило 80,8 %.
Все скважины, по которым было принято положительное заключение о
целесообразности проведения ОПЗ по результатам расчетов и анализа по
разработанной методике, по факту оказались эффективными (в результате
выполнения всех 12 скважин, по каждой была получена дополнительная
добыча нефти выше условного порога эффективности в 250 т, в среднем 891 т).
Результаты сходимости расчетов дополнительной добычи нефти по
кривым обводнения и предложенного способа оценки дополнительной добычи
в рамках разработанной методики по 12 скважинам, принятым потенциально
эффективными, представлены на рисунке 3.25.

Рисунок 3.25 – Анализ прогнозов дополнительной добычи нефти по 12


скважинам, принятым эффективными а) Сопоставление прогнозных и
фактических показателей дополнительной добычи нефти; б) Отклонение факта
от плана (по модулю и возрастанию) по каждой скважине

125
Таблица 3.20 – Сопоставление результатов расчетов эффективности ОПЗ по разработанной методике и фактических
данных выполнения

126
На рисунке 3.25 видно, что значительное отклонение от расчета
получено по 1 наблюдению, большая часть прогнозов находится в пределах
погрешности в 200 тонн. Коэффициент детерминации R2 = 0,27, и
соответственно коэффициент корреляции R = 0,52, что по шкале Чеддока
позволяет охарактеризовать качественно оценку тесноты связи прогнозных и
фактических значений дополнительной добычи нефти как «заметную» (> 0,5),
поэтому предложенный способ оценки дополнительной добычи в рамках
разработанной методики может использоваться в качестве дополнительного
критерия при заключении о целесообразности проведения ОПЗ при подборе
скважин-кандидатов.
Несовпадения прогнозной целесообразности проведения ОПЗ с
фактическими данными выполнения получены по 5 скважинам, во всех
случаях, по методике скважины были признаны потенциально
неэффективными за счет анализа дополнительных возможных рисков. По факту
дополнительная добыча нефти по ним составила от 250 до 1365 т нефти
(таблица 3.21).
Таблица 3.21 – Скважины, по которым были получены ложно отрицательные
прогнозы эффективности ОПЗ на этапе анализа дополнительных рисков

Скважина № 211 Курраганского месторождения.


Скважина № 211 находится в работе по объекту Ач.т. (рисунок 3.26,
условные обозначения к картам текущего состояния и накопленных отборов
представлены на рисунке 2.2). В марте 2016 года было принято решение о
проведении ОПЗ по технологии «Элтинокс» (кислотный состав на базе водного
раствора соляной кислоты, с ингибитором коррозии, деэмульгатором,
растворителем BP25, содержит 12% кислоты).
127
ОПЗ

Рисунок 3.26 – Фрагмент карты текущего состояния (а) и накопленных отборов


(б) объекта Ач.т. по участку № 211
Базовый режим (за месяц до ОПЗ) составлял: дебит жидкости
11,6 м3/сут, дебит нефти 6,9 т/сут при обводненности 28,9 %, коэффициент
продуктивности 0,39 м3/сут/атм, динамический уровень 879 м (глубина спуска
насоса 2410 м), забойное давление 137 атм. Исследования по определению
текущего скин-фактора не проводились.
Входные показатели (в месяц после ОПЗ) составили: дебит жидкости
43,2 м3/сут, дебит нефти 7,7 т/сут при обводненности 78,6 %, коэффициент
продуктивности 1,08 м3/сут/атм, динамический уровень 855 м (глубина спуска
насоса 2410 м), забойное давление 101 атм. Исследования по определению
текущего скин-фактора не проводились.
Скважина вышла на стабильный режим работы на третий месяц после
обработки (рисунок 3.27) со следующими показателями: дебит жидкости 24,7
м3/сут, дебит нефти 18 т/сут при обводненности около 20 %, коэффициент
продуктивности 0,25 м3/сут/атм, динамический уровень 1650 м (глубина спуска
насоса 2410 м), забойное давление около 78 атм. Произошло снижение
коэффициента продуктивности в среднем 0,29 м3/сут/атм за 3 месяца после
обработки.
При анализе дополнительных факторов риска проведения ОПЗ по
разработанным рекомендациям данная скважина была отбракована по 2
128
причинам возможного обводнения (слишком близкое расположение
работающего пласта к водоносыщенному пласту – 3 м (рисунок 3.28) и
накопленная компенсация отборов 532 % (рисунок 3.26 (б)). Также был
проанализирован опыт выполнения ГРП и ОПЗ по данной скважине по истории
(1 солянокислотная ОПЗ в 2013 году почти без эффекта) и периоды
эксплуатации со значительным увеличением обводненности (2012 год, 2014-
2015 года). Обрабатываемый пласт имеет достаточно монолитное строение,
предпосылок к снижению обводненности за счет подключения к дренированию
каких-либо неработающих пропластков не было.

ОПЗ
Рисунок 3.27 – Технологические показатели работы скважины № 211

Рисунок 3.28 – Каротажная диаграмма скважины № 211


129
Вывод: полученный по факту результат аналитически был
маловероятен, с начала 2017 года наблюдается интенсивное обводнение
скважины до 65 %, возможно, обусловленное подключением водонасыщенного
пласта снизу по разрезу либо подходом фронта нагнетаемых вод. Эффект от
ОПЗ по дебиту нефти закончен.
Скважина № 1881Н Урьевского месторождения.
Скважина № 1881Н находится в работе по объекту ЮВ1 (рисунок 3.27).
В апреле 2016 года было принято решение о проведении ОПЗ по технологии
«Гелий» (7-9% соляной кислоты с добавлением лимонной кислоты 1-3%,
неогенного поверхностно-активного вещества (ПАВ) до 10%, освоение
свабированием).

Рисунок 3.29 – Фрагмент карты текущего состояния (а) и накопленных отборов


(б) объекта ЮВ1 по участку № 1881Н
Базовый режим (за месяц до ОПЗ) составлял: дебит жидкости 3,3 м3/сут,
дебит нефти 1,9 т/сут при обводненности 30,3 %, коэффициент продуктивности
0,03 м3/сут/атм, динамический уровень 1367 м (глубина спуска насоса 1470 м),
забойное давление 142 атм. Исследования по определению текущего скин-
фактора не проводились.
Входные показатели (в месяц после ОПЗ) составили: дебит жидкости
5,2 м3/сут, дебит нефти 3,3 т/сут при обводненности 24,4 %, коэффициент
продуктивности 0,06 м3/сут/атм, динамический уровень 1230 м (глубина спуска
130
насоса 1471 м), забойное давление 148 атм. Исследования по определению
текущего скин-фактора не проводились.
Скважина вышла на стабильный режим работы на третий месяц после
обработки (рисунок 3.30), текущие показатели составили: дебит жидкости 6,6
м3/сут, дебит нефти 3,3 т/сут при обводненности 43 %, коэффициент
продуктивности 0,09 м3/сут/атм, динамический уровень 1357 м (глубина спуска
насоса 1471 м), забойное давление 143 атм. Эффект по увеличению
коэффициента продуктивности минимален.
При анализе дополнительных факторов риска проведения ОПЗ по
разработанным рекомендациям данная скважина была отбракована по 2
причинам возможного обводнения (слишком близкое расположение
работающего пласта к водоносыщенному пласту – 5,6 м (рисунок 3.31) и
накопленная компенсация отборов 576 % (рисунок 3.29 (б)).

ОПЗ
Рисунок 3.30 – Технологические показатели работы скважины № 1881Н

5,9 м

Рисунок 3.31 – Каротажная диаграмма скважины № 1881Н

131
Также был проанализирован опыт выполнения ГРП и ОПЗ по данной
скважине по истории (1 ГРП в 2012 году (работала в накоплении, переведена на
ШГН через 2 месяца) и 1 ОПЗ «Элтинокс» в 2013 году почти без эффекта по
дебиту нефти) и работа окружения, показывающая низкий потенциал
возможного прироста по дебиту жидкости (рисунок 3.29 (а)).
Вывод: полученный по факту результат аналитически был достижим за
счет увеличения параметров станка-качалки (число качаний и длина хода)
штангового глубинного насоса ШГН, после ОПЗ наблюдается значительное
снижение динамического уровня, полученный эффект по увеличению
коэффициента продуктивности минимален. Прирост дебита нефти в среднем за
12 месяцев с момента ОПЗ составляет 1,4 т/сут (ниже минимального по
регламенту на 1,1 т/сут), за счет стабильной работы скважина накопила 250
тонн дополнительной добычи нефти, что является минимальным обозначенным
порогом эффективной скважины.
Скважина № 238Н Поточного месторождения.
Скважина № 238Н находится в работе по объекту Ач.т (рисунок 3.32). В
феврале 2016 года было принято решение о проведении ОПЗ по технологии
«Гелий» при подземном ремонте скважин по смене насосно-компрессорных
труб (НКТ).

Рисунок 3.32 – Фрагмент карты текущего состояния (а) и накопленных отборов


(б) объекта Ач.т. по участку № 238Н

132
Базовый режим (за месяц до ОПЗ) составлял: дебит жидкости
20,6 м3/сут, дебит нефти 14,4 т/сут при обводненности 16,4 %, коэффициент
продуктивности 0,65 м3/сут/атм, динамический уровень 1677 м (глубина спуска
насоса 2230 м), забойное давление 93 атм. Исследования по определению
текущего скин-фактора не проводились.
Входные показатели (в месяц после ОПЗ) составили: дебит жидкости
25,8 м3/сут, дебит нефти 18,6 т/сут при обводненности 13,9 %, коэффициент
продуктивности 2,73 м3/сут/атм, динамический уровень 1545 м (глубина спуска
насоса 2230 м), забойное давление 107 атм. Исследования по определению
текущего скин-фактора не проводились.
Скважина сразу вышла на стабильный режим работы после обработки
(рисунок 3.33), однако в течение 3 последних месяцев наблюдается
значительное снижение дебитов при снижении среднего динамического уровня,
что позволяет предположить о возможном частичном загрязнении призабойной
зоны пласта (снижение коэффициента продуктивности) и снижении пластового
давления (до ОПЗ составляло 112 атм, текущее 88 атм). Текущие показатели:
дебит жидкости 17,7 м3/сут, дебит нефти 11,5 т/сут при обводненности 22,6 %,
коэффициент продуктивности 1,45 м3/сут/атм, динамический уровень 1961 м
(глубина спуска насоса 2230 м), забойное давление 75,5 атм.
При анализе дополнительных факторов риска проведения ОПЗ по
разработанным рекомендациям данная скважина была отбракована по причине
низкой накопленной компенсации отборов по участку, составляющей 47,7 %
(рисунки 3.32 (б) и 3.34)). На рисунке 3.34 видно, что нагнетательная скважина
№ 1969Н, закачавшая больше всего по участку (319 тыс.м3), судя по
имеющимся данным потокометрии принимала в пласт Ач22, который в
скважине № 238Н вскрыт, но по профилю притока не дренируется. Таким
образом, поддержание пластового давления по скважине № 238Н
осуществляется только нагнетательной скважиной № 1158 (накопленная
закачка 76 тыс.м3). Также о снижении пластового давления по участку можно
было судить непосредственно по исследованиям, проводимым по скважине (на
133
момент обработки 112 атм, текущее 88 атм, что является снижением
относительно первоначального пластового давления в 250 атм на 64,8 %), и по
длительной эксплуатации скважины на ЭЦН с выполнением 2 ГРП за историю
с постепенным снижением дебитов без роста динамического уровня.

ОПЗ
Рисунок 3.33 – Технологические показатели работы скважины № 238Н

Рисунок 3.34 – Каротажные диаграммы скважин № 238Н-1969Н-1158


Вывод: на момент проведения ОПЗ в скважине наблюдалось снижение
пластового давления и низкое значение накопленной компенсации, однако
обработка было выполнена сопутствующим мероприятием при ремонте по
смене НКТ. В результате была получена дополнительная добыча от ОПЗ в
603 т. Мероприятие эффективное, однако в настоящее время наблюдается
окончание эффекта от выполненной интенсификации притока – снижение
дебитов при снижении динамического уровня, дальнейшее снижение
пластового давления. В перспективе скважина может уйти в периодический
режим эксплуатации.
134
Скважина № 203Н Поточного месторождения.
Скважина № 203Н находится в работе по объекту Ач.т (рисунок 3.35). В
январе 2016 года было принято решение о проведении ОПЗ по технологии
«Гелий».

Рисунок 3.35 – Фрагмент карты текущего состояния (а) и накопленных отборов


(б) объекта Ач.т. по участку № 203Н
Базовый режим (за месяц до ОПЗ) составлял: дебит жидкости 5,7 м3/сут,
дебит нефти 2,5 т/сут при обводненности 47 %, коэффициент продуктивности
0,35 м3/сут/атм, динамический уровень 815 м (глубина спуска насоса 1710 м),
забойное давление 175 атм. Исследования по определению скин-фактора
проводились в июле 2015 года, скин-фактор 5,96.
Входные показатели (в месяц после ОПЗ) составили: дебит жидкости
4,4 м3/сут, дебит нефти 1,2 т/сут при обводненности 67,6 %, коэффициент
продуктивности 0,35 м3/сут/атм, динамический уровень 759 м (глубина спуска
насоса 1710 м), забойное давление 178 атм. Исследования по определению
текущего скин-фактора не проводились.
Скважина вышла на стабильный режим работы со второго месяца после
обработки (рисунок 3.36), в течение 2016 года наблюдается относительно
плавное снижение дебитов, коэффициент продуктивности в среднем за год
составил 0,48 м3/сут/атм, что выше базового на 0,13 м3/сут/атм. В феврале 2017

135
года были выполнены работы по ликвидации аварии (прихват насосного
оборудования), текущие показатели: дебит жидкости 12,5 м3/сут, дебит нефти
3,7 т/сут при обводненности 64,3 %, коэффициент продуктивности
0,26 м3/сут/атм, динамический уровень 1466 м (глубина спуска насоса 1640 м),
забойное давление 134 атм.

ОПЗ
Рисунок 3.36 – Технологические показатели работы скважины № 203Н

Рисунок 3.37 – Каротажные диаграммы скважин № 203Н-1905Н-610Н


При анализе дополнительных факторов риска проведения ОПЗ по
разработанным рекомендациям данная скважина была отбракована по причине
высокой накопленной компенсации отборов по участку, составляющей 233,7 %
(рисунки 3.35 (б) и 3.37)). На рисунке 3.37 видно, что нагнетательные скважины
№ 1905Н и № 610Н по данным потокометрии имеют достаточно равномерные
профили приемистости в те интервалы, которые вскрыты у скважины № 203Н.
Также анализировался опыт выполнения ГРП и ОПЗ по данной скважине
136
(последний ГРП в 2013 году привел к значительному увеличению
обводненности, в среднем до 73 % в течение 2013-2014 гг., которая снизилась
до 5 % после перевода на ШГН. Поэтому интенсификация притока была
сопряжена с рисками получения высокой обводненности продукции, что и
было получено по факту – при ОПЗ было получено увеличение обводненности
примерно на 20 %).
Вывод: дополнительная добыча нефти от ОПЗ по данной скважине
составила 330 тонн, учитывая изменение динамического уровня в течение 2016
года (рост) при незначительном эффекте от ОПЗ по увеличению коэффициента
продуктивности, эффект можно было получить за счет оптимизации работы
ШГН (увеличение длины хода и числа качаний). После ОПЗ наблюдается
стабильное увеличение обводненности примерно на 20 %, что может
свидетельствовать о подходе фронта нагнетаемых вод (накопленная закачка по
участку 954,4 тыс.м3) по трещинам ГРП, развитым в 2013 году.
Скважина № 1006Н Поточное месторождения.
Скважина № 1006Н находится в работе по объекту Ач.т. (рисунок 3.38).
В феврале 2016 года было принято решение о проведении ОПЗ по технологии
«Гелий».

Рисунок 3.38 – Фрагмент карты текущего состояния (а) и накопленных отборов


(б) объекта Ач.т. по участку № 1006Н

137
Базовый режим (за месяц до ОПЗ) составлял: дебит жидкости
14,2 м3/сут, дебит нефти 10,9 т/сут при обводненности 8,3 %, коэффициент
продуктивности 0,24 м3/сут/атм, динамический уровень 709 м (глубина спуска
насоса 1754 м), забойное давление 170 атм. Исследования по определению
текущего скин-фактора не проводились.
Входные показатели (в месяц после ОПЗ) составили: дебит жидкости
27,9 м3/сут, дебит нефти 19,1 т/сут при обводненности 18,3 %, коэффициент
продуктивности 0,3 м3/сут/атм, динамический уровень 918 м (глубина спуска
насоса 1754 м), забойное давление 153 атм. Исследования по определению
текущего скин-фактора не проводились.
Скважина вышла на стабильный режим работы со второго месяца после
обработки (рисунок 3.39), в течение 2016 года наблюдается относительно
плавное снижение дебитов, коэффициент продуктивности в среднем за год
составил 0,21 м3/сут/атм, что ниже базового на 0,03 м3/сут/атм. В марте 2017
года была выполнена еще 1 ОПЗ по технологии «Гелий». Текущие показатели:
дебит жидкости 27,4 м3/сут, дебит нефти 21,3 т/сут при обводненности 7,3 %,
коэффициент продуктивности 0,27 м3/сут/атм, динамический уровень 1030 м
(глубина спуска насоса 1750 м), забойное давление 137 атм.

ОПЗ
Рисунок 3.39 – Технологические показатели работы скважины № 1006Н
При анализе дополнительных факторов риска проведения ОПЗ по
разработанным рекомендациям данная скважина была отбракована по причине
значительной удаленности от нагнетательных скважин: 626,5 м до скважины
138
№ 460Н (в бездействии), 643 м до скважины № 1005Н и 652 м до скважины
1649Н (рисунки 3.38 и 3.40), в связи с чем было сделано предположение, что
действующие нагнетательные скважины не оказывают достаточное влияние на
скважину № 1006Н. Низкий потенциал по приросту дебита жидкости также
косвенно был оценен по работе окружающих добывающих скважин
(рисунок 3.38 (а)) и по истории выполнения мероприятий по интенсификации
притока по самой скважине № 1006Н (2 ГРП в 2012 и 2013 гг. с
продолжительностью эффекта менее года, после чего скважина переведена на
работу с ШГН, низкий эффект от ОПЗ в 2014 году).

Рисунок 3.40 – Каротажные диаграммы скважин № 1006Н-1005Н-460Н-1649Н


Вывод: по данной скважине наблюдается наибольший эффект из ложно
отрицательных прогнозов, дополнительная добыча нефти от ОПЗ за полгода
составила 1365 тонн. Поскольку в период 2014-2015 годов скважина работала
на ШГН, это позволило восстановить по ее участку пластовое давление (в
начале 2014 года 181 атм, при ОПЗ – 210 атм). Вероятнее всего, нагнетательные
скважины, несмотря на свою относительную удаленность, оказывают
достаточно влияния на скважину № 1006Н за счет одинаковых дренируемых и
принимающих интервалов (рисунок 3.40), а также накопленным объемам
закачки (всего по участку закачено около 1015 тыс.м3 воды).
Таким образом, несмотря на полученные объемы дополнительной
добычи нефти (от 250 до 1365 тонн), из проанализированных скважин
действительно эффективными обработками можно считать № 238Н и № 1006Н
Поточного месторождения, в первом случае за счет значительного увеличения

139
коэффициента продуктивности (эффект продлился 1 год), во втором за счет
стабильного комбинированного эффекта от ОПЗ и оптимизации работы
насосного оборудования (в 2017 году повторно была выполнена ОПЗ для
поддержания эффекта).
По двум скважинам № 211 Курраганского и № 238Н Поточного
месторождений эффект закончился, на основании текущих режимов имеются
предпосылки к дальнейшему значительному снижению дебита жидкости
(№ 238Н) и росту обводненности (№ 211). По двум скважинам № 203Н
Поточного и 1881Н удельная эффективность (прирост дебита нефти) составила
менее 1,5 т/сут.
Можно сделать вывод, что скважины, по которым при апробации
методики были получены ложно отрицательные прогнозы, в среднем хуже по
технологическому эффекту и величине дополнительной добычи нефти (в
среднем получено по факту 754,5 т на 1 скважину), чем остальные скважины,
которые по методике были рекомендованы к выполнению (в среднем получено
по факту 891,4 т на 1 скважину). Это обусловлено тем, что факторы риска, по
которым скважины отбраковываются, в любом случае оказывают некоторое
влияние на эффект, пусть и не настолько критичное, что закладывается на
стадии планирования.
В целом применение разработанной методики для анализа 52 скважин
позволило выделить 12 перспективных скважин-кандидатов для проведения
ОПЗ (эффективность которых подтверждена результатами фактического
выполнения). Все несовпадения прогнозной целесообразности проведения ОПЗ
с фактическими данными выполнения получены из-за признаний скважин
потенциально неэффективными. Невыполнение таких скважин не настолько
критично для производственного процесса, сколько выполнение
низкоэффективных скважин, поэтому к рассмотрению потенциально
низкоэффективных скважин для выполнения следует приступать только в том
случае, когда за счет количества «уверенных» кандидатов не достигается

140
необходимого планируемого количества ОПЗ (данный вопрос подробно
рассмотрен в подразделе 3.5).
Необходимо еще раз отметить, что одним из основных преимуществ
нейросетевого моделирования является оперативность расчетов, в том числе и
при обработке больших объемов информации. В этом и заключается основной
эффект от внедрения ансамблей нейронных сетей в качестве метода экспресс-
оценки потенциала МИП. Достигается значительная автоматизация процесса
поскважинной оценки потенциала по всему добывающему фонду скважин, за
счет чего возможно перераспределение времени в пользу тщательной оценки
возможных рисков проведения мероприятий и более детального планирования
технологий по меньшему количеству скважин, которые были признаны
нейронными сетями потенциально эффективными (таблица 3.22). В таблице
представлено примерное распределение времени на основные этапы
планирования ОПЗ.
Таблица 3.22 – Затраты времени на ежемесячное планирование ОПЗ при
текущем планировании и с использованием разработанной методики с
оперативным модулем оценки потенциала МИП на основе нейронных сетей.
Разработанная методика с
Текущее
№ оперативным модулем оценки
Название задачи планирование,
задачи потенциала ГТМ на основе
часы
нейронных сетей, часы
Актуализация базы данных по
1 2 2
скважинам
2 Поскважинная оценка потенциала 35 5
Поскважинная оценка возможных
3 25 40
рисков
Согласование технологий, оценка
4 13 10
технологической эффективности
Оперативная корректировка адресной
5 10 13
программы
Сумма 85 70

Общее сокращение времени на планирование ОПЗ позволит


специалистам эффективнее выполнять другие производственные задачи.

141
На рисунке 3.41 представлена динамика выполнения ОПЗ по
месторождениям ТПП «Лангепаснефтегаз» в целом и отдельно по исследуемым
объектам Ач.т. и ЮВ1.

Рисунок 3.41 – Динамика выполнения ОПЗ по месторождениям


ТПП «Лангепаснефтегаз»
По исследуемым объектам по 2013 год включительно относительно 2010
года наблюдается снижение удельной эффективности (на 66 %) и,
соответственно, величины дополнительной добычи нефти на скважину (на
70 %) при увеличении количества обработок (на 118,7 %), с 2014 года
наблюдается стабилизация, а затем и увеличение удельного прироста (на 23,5 %
за 2016 год относительно 2013 года) и, соответственно, величины
дополнительной добычи нефти на скважину (на 30,5 % за 2016 год
относительно 2013 года) при сохранении объема обработок на уровне около 100
скважин в год.
Положительную динамику последних лет эффект нельзя относить к
повышению удельной эффективности только за счет уменьшения объемов ОПЗ
на целевых объектах, поскольку сокращение выполненных ОПЗ на объектах

142
Ач.т. и ЮВ1 в 2014 году со 164 до 118 (на 28 %) вообще не привело к
увеличению удельной эффективности средней скважино-операции.
Положительная динамика по исследуемым объектам была получена по
совокупности следующих причин:
1. Проведение комплекса работ по улучшению энергетического
состояния исследуемых объектов месторождений ТПП «Лангепаснефтегаз»;
2. Улучшение качества подбора скважин-кандидатов за счет
сокращение количества именно низкоэффективных обработок, в связи с чем и
произошло уменьшение количества скважино-операций на объектах Ач.т. и
ЮВ1.
В период 2015 и 2016 годов в качестве одного из методов оценки
потенциала ОПЗ применялись рабочие модели нейронных сетей, со второй
половины 2016 года с помощью последних актуальных ансамблей нейронных
сетей оценивается потенциал обработок по всему добывающему фонду ТПП
«Лангепаснефтегаз» объектов Ач.т. и ЮВ1.
Относительно уровня 2013-2014 гг. по исследуемым объектам в 2015 и
2016 году отмечается увеличение удельного прироста дебита нефти на
скважину в среднем на 0,35 т/сут (на 20,6 %), дополнительная добыча за счет
улучшения качества подбора скважин-кандидатов оценивается в 10,8 тыс.т за 2
года.

3.5. Рекомендации по корректировке критериев оценки


перспективности скважин в разработанной методике
Ранее по тексту уже отмечалось, что обученные нейронные сети в
данном исследовании рассматриваются как «интеллектуальные» фильтры,
которые должны оперативно отделять в общем фонде скважин потенциально
эффективные для проведения ГРП и ОПЗ от неэффективных на основе
совокупного учета влияющих факторов. Условно каждый из шагов 2-4
разработанной методики (рисунок 3.22) является фильтром, который на основе
определенных критериев отсеивает часть скважин и выделяет наиболее

143
перспективные для дальнейшего шага анализа или в виде конечного варианта
выборки кандидатов.
В разработанной методике были обозначены следующие граничные
значения отборочных критериев, при соответствии которым скважина
признается потенциально эффективной:
- «мгновенный эффект» по дебиту нефти ≥ 2,5 т/сут;
- соответствие значениям дополнительных факторов, представленных в
таблице 3.3;
- накопленная добыча нефти ≥ 250 т.
Апробация разработанной методики в разделе 3.4 позволяет сделать
выводы, что в результате ее применения с обозначенными значениями
отборочных критериев достигается следующее:
- значительное уменьшение общего фонда скважин в выборку для
детального анализа (примерно в четыре раза – 12 из 52 скважин);
- высокая вероятность эффективности выделенных скважин (все 12
отобранных при апробации скважин оказались по факту эффективными).
Однако при этом необходимо отметить, что пропускается часть
эффективных скважин (11 из 52 или 21,2 % (таблица 3.20)).
Таким образом, при подборе скважин-кандидатов для проведения МИП,
может возникнуть следующая проблема: часть требуемых объемов
мероприятий подобрана, но больше перспективных кандидатов методика не
предлагает. При этом есть понимание, что часть эффективных скважин была
пропущена на различных этапах «прореживания» анализируемого фонда
скважин.
Специалисту, занимающемуся подбором, необходимо знать ответ на
вопрос – какие скважины из отсеянных смотреть в первую очередь для
достижения планируемых объемов мероприятий.
Предлагаемые рекомендации по настройке граничных значений
отборочных критериев рассматриваются ниже по отдельным шагам
разработанной методики:
144
- Оценка «мгновенного эффекта» по дебиту нефти ансамблями
нейронных сетей.
На примере выборки в 52 скважины, которая использовалась при
апробации, было составлено следующее распределение, представленное в
таблице 3.23.
Таблица 3.23 – Количественное распределение скважин, используемых при
апробации, по эффективности относительно прогнозного «мгновенного»
эффекта
Количество Количество
Количество Количество
Прогноз ансамблей фактически эффективных Сокращение
скважин, эффективных
НС "мгновенного эффективных скважин от исходного
попадающих скважин от
эффекта" по дебиту скважин (по всех массива
в выборку, текущей
нефти, т/сут приросту в эффективных данных, %
шт выборки, %
2,5 т/сут), шт скважин, %
≥ -5 52 25 48,1 100,0 0
≥0 48 25 52,1 100,0 -7,7
≥ 0,5 44 25 56,8 100,0 -15,4
≥1 40 24 60,0 96,0 -23,1
≥ 1,5 36 23 63,9 92,0 -30,8
≥2 32 20 62,5 80,0 -38,5
≥ 2,5 26 18 69,2 72,0 -50,0
≥3 19 12 63,2 48,0 -63,5
≥ 3,5 18 11 61,1 44,0 -65,4
≥4 12 7 58,3 28,0 -76,9
≥ 4,5 8 4 50,0 16,0 -84,6
≥5 8 4 50,0 16,0 -84,6
≥ 5,5 6 3 50,0 12,0 -88,5
≥6 4 2 50,0 8,0 -92,3
≥ 6,5 2 1 50,0 4,0 -96,2
≥7 1 0 0,0 0,0 -98,1
Основной смысл данной таблицы может быть отображен в виде графика,
представленного на рисунке 3.42. На графике показана степень снижения
количества эффективных скважин от общего количества эффективных скважин
и сокращения исходного массива данных в зависимости от увеличения
минимально допустимого прогнозируемого «мгновенного» эффекта. Видно, что
выбранное значение в 2,5 т/сут является оптимальным по соотношению
количества эффективных скважин (в выборку попадает 72 % от всех
эффективных скважин при сокращении размера выборки в целом на 50 %).
Дальнейшее сокращение размера выборки в целом за счет увеличения
минимально допустимого прогнозируемого «мгновенного» эффекта не

145
целесообразно, поскольку при этом значительно сокращается количество
эффективных скважин в выборке.
100
90
80
70
60
50
40
30
20
10
0
≥ -5 ≥ 0 ≥ 0,5 ≥ 1 ≥ 1,5 ≥ 2 ≥ 2,5 ≥ 3 ≥ 3,5 ≥ 4 ≥ 4,5 ≥ 5 ≥ 5,5 ≥ 6 ≥ 6,5 ≥ 7

Прогноз ансамблей НС "мгновенного эффекта" по дебиту нефти,


т/сут

Количество скважин, попадающих в выборку, шт


Количество эффективных скважин от всех эффективных скважин, %
Сокращение исходного массива данных, %

Рисунок 3.42 – Количественное распределение скважин, используемых при


апробации, по эффективности относительно прогнозного «мгновенного»
эффекта
При возникновении проблемы отсутствия достаточного количества
скважин-кандидатов по разработанной методике на этапе нейросетевого
моделирования в данном случае (рисунок 3.4.2) целесообразно рассмотреть
снижение минимально допустимого прогнозируемого «мгновенного» эффекта
до 1,5 т/сут, при котором в выборку попадает 92 % от всех эффективных
скважин при сокращении размера выборки в целом на 30,8 %, либо при
больших требуемых объемах мероприятий – до 0,5 т/сут, при котором
достигается сокращение размера выборки в целом на 15,4 % без потери
эффективных скважин.
Следует отметить, что результаты проведенного графического анализа
могут отличаться при использовании разработанной методики для различных
геологических условий и особенностей разработки, поэтому для корректной
настройки граничных значений отборочных критериев, следует проводить

146
подобное распределение с учетом достаточного объема имеющихся
фактических данных об эффективности выполнения МИП и данных
нейросетевого моделирования для каждого конкретного случая. Если
нейросетевое моделирование еще не было опробовано на практике или объем
апробации недостаточен, то в качестве данных для построения графика на
рисунке 3.42 можно использовать контрольную и проверочную выборки,
используемые при обучении нейронных сетей. Часть данных, участвующая в
непосредственном обучении, не может быть использована для статистики,
поскольку нейронные сети настраиваются на эти наблюдения и статистика не
будет в полной мере объективной.
Таким образом, рекомендательный характер носит именно сам способ
графического анализа распределения скважин относительно прогнозного
«мгновенного» эффекта. В условиях проведенного исследования выполненный
анализ показал, что обозначенная граница эффективности «мгновенного
эффекта» по дебиту нефти ≥ 2,5 т/сут является оптимальной, при этом в
зависимости от требуемых объемов ГТМ возможно снижение порога
минимально допустимой прогнозной эффективности вплоть до 0,5 т/сут.
- Оценка дополнительных факторов (возможных «рисков») с помощью
комплексного геолого-промыслового анализа по разработанных
рекомендациям.
На основании проведённого в подразделах 3.1.1-3.1.5 анализа
распределений изменения технологических параметров работы и
дополнительной добычи после МИП от ряда факторов, были определены их
желательные и допустимые значения (таблица 3.3).
Для ОПЗ данные распределения были получены с использованием
объема обучающей выборки – 531 скважина, поскольку в отличие от этапа
нейросетевого моделирования, в статистике может использоваться весь объем
имеющихся данных. Очевидно, что граничные значения факторов, полученные
на основании такого количества наблюдений, более объективны и устойчивы к
«выбросам», чем полученные по 52 скважинам, участвующим в апробации.
147
Полученные коэффициенты детерминации (R2) и значения
дополнительной добычи (рисунки 3.2, 3.4, 3.7, 3.8 и 3.13) показывают, что в
большей степени на эффект ОПЗ влияют значения минимальных мощностей
глинистых экранов и герметичности цементного камня в интервале обработки
(±10 м), а также ориентация скважины относительно нагнетательных скважин
(влияние естественной трещинноватости пласта).
Таким образом, на данном шагу разработанной методики также
рекомендуется использование графического анализа распределения
«мгновенных» эффектов и дополнительной добычи относительно значений
дополнительных факторов (возможных рисков). При этом относительно
минимально допустимого планируемого эффекта возможно составить
желательные и допустимые значения факторов, а также определить наиболее
значимые для эффекта факторы, чтобы в случае нехватки скважин-кандидатов
увеличивать диапазон допустимых значений факторов с определенным шагом,
(величину которого следует экспериментально определять за счет оценки
увеличения объема выборки).
- Оценка величины дополнительной добычи по предложенному подходу
с применением деревьев решений.
На примере выборки в 52 скважины, которая использовалась при
апробации, аналогично таблице 3.22 было составлено следующее
распределение, представленное в таблице 3.24. Данная таблица также может
быть преображена в график, представленный на рисунке 3.43.
На графике показана степень снижения количества эффективных
скважин от общего количества эффективных скважин и сокращения исходного
массива данных в зависимости от увеличения минимально допустимой
прогнозируемой дополнительной добычи нефти. Видно, что выбранное
значение в 250 тонн является оптимальным по соотношению количества
эффективных скважин (в выборку попадает 89,3 % от всех эффективных
скважин при сокращении размера выборки в целом на 21,2 %).

148
Таблица 3.24 – Количественное распределение скважин, используемых при
апробации, по эффективности относительно прогнозной дополнительной
добычи
Количест Количество
Количество
Прогноз во фактически Количество
эффективных Сокращение
дополнительной скважин, эффективных эффективных
скважин от исходного
добычи нефти с попадаю скважин (по скважин от
всех массива
помощью деревьев щих в добыче текущей
эффективных данных, %
решений, т выборку, нефти ≥ 250 выборки, %
скважин, %
шт т), шт
≥0 52 28 53,8 100,0 0,0
≥ 100 45 27 60,0 96,4 -13,5
≥ 150 44 27 61,4 96,4 -15,4
≥ 200 43 26 60,5 92,9 -17,3
≥ 250 41 25 61,0 89,3 -21,2
≥ 300 40 24 60,0 85,7 -23,1
≥ 400 31 19 61,3 67,9 -40,4
≥ 500 23 15 65,2 53,6 -55,8
≥ 600 19 12 63,2 42,9 -63,5
≥ 700 13 7 53,8 25,0 -75,0
≥ 800 10 6 60,0 21,4 -80,8
≥ 900 4 2 50,0 7,1 -92,3
≥ 1000 4 2 50,0 7,1 -92,3
≥ 1100 3 2 66,7 7,1 -94,2
≥ 1200 2 1 50,0 3,6 -96,2
100
90
80
70
60
50
40
30
20
10
0
≥ 0 ≥ 100 ≥ 150 ≥ 200 ≥ 250 ≥ 300 ≥ 400 ≥ 500 ≥ 600 ≥ 700 ≥ 800 ≥ 900 ≥ ≥ ≥
1000 1100 1200
Прогноз деревьев решений дополнительной добычи нефти от ОПЗ, т.
Количество скважин, попадающих в выборку, шт
Количество эффективных скважин от всех эффективных скважин, %
Сокращение исходного массива данных, %
Рисунок 3.43 – Количественное распределение скважин, используемых при
апробации, по эффективности относительно прогнозной дополнительной
добычи
Дальнейшее сокращение размера выборки в целом за счет увеличения
минимально допустимой прогнозируемой дополнительной добычи не
149
целесообразно, поскольку при этом значительно сокращается количество
эффективных скважин в выборке.
Таким образом, аналогично первому рассмотренному шагу методики
рекомендуется графический анализ распределения скважин относительно
прогнозной дополнительной добычи нефти. В условиях проведенного
исследования выполненный анализ показал, что обозначенная граница
эффективности дополнительной добычи нефти в 250 тонн является
оптимальной, при этом в зависимости от требуемых объемов ГТМ возможно
снижение минимального порога допустимой прогнозной добычи нефти вплоть
до 100 тонн.

ВЫВОДЫ ПО РАЗДЕЛУ 3
1. Одним из эффективных методов снижения сложности обучения
нейронных сетей является выделение ряда влияющих на прогнозируемый
параметр факторов в отдельный анализ, поскольку в зависимости от количества
анализируемых входных и выходных переменных экспоненциально растет
необходимый объем наблюдений для обучения и тестирования моделей, а
также увеличивается сложность интерпретации полученных результатов.
Дополнительное преимущество такого подхода заключается в том, что после
оперативного нейросетевого моделирования появляется возможность с
приемлемыми затратами времени анализировать на меньшем количестве
скважин дополнительные факторы, по которым не ведется автоматическая
регулярная поскважинная отчетность (расположение скважины в элементе
системы разработки, состояние цементного камня и т.п.).
На основе проведенного анализа влияния 5 факторов на мгновенный
эффект и дополнительную добычу нефти были определены их желательные и
допустимые значения при подборе ГРП и ОПЗ. По ним предполагается
проводить последующий анализ скважин, которые нейронные сети оценили,
как потенциально эффективные. Это позволяет учитывать дополнительные
риски получения низкого прироста дебита нефти;
150
2. Предложен подход к прогнозированию динамики технологических
показателей после ГТМ и, соответственно, величины дополнительной добычи
на основе регрессионных деревьев решений. В отличие от гидродинамического
моделирования, данный подход описывает не внутреннее поведение системы
(пластовые процессы), а основан на выявленных статистических зависимостях
динамики технологических показателей от влияющих факторов, благодаря
чему отличается оперативностью вычислений. Отличие от характеристик
вытеснения, основанных на эмпирических зависимостях между отборами,
обводненностью и временем, заключается в статистическом учете влияющих на
динамику технологических показателей факторов и возможности оценивать
дополнительную добычу еще на стадии планирования, а не по факту.
По результатам апробации на 12 фактически выполненных ОПЗ
коэффициент корреляции R = 0,52, что по шкале Чеддока позволяет
охарактеризовать качественно оценку тесноты связи прогнозных и фактических
значений дополнительной добычи нефти как «заметную» (> 0,5), поэтому
предложенный способ оценки дополнительной добычи рекомендуется к
использованию
3. Разработана новая методика оперативной оценки перспективности
скважин для методов интенсификации притока нефти на действующих
нефтяных скважинах. Представлен алгоритм подбора МИП, для реализации
которого применяются зарегистрированные программные продукты: MS Excel,
Нейросимулятор. Преимущество разработанной методики относительно
традиционного геолого-промыслового анализа заключается в использовании
современных оперативных вычислительных инструментов (нейронные сети,
деревья решений) и структурировании шагов анализа при оценке планируемых
эффектов МИП. Эффективность методики доказана с помощью апробации на
52 скважинах. Конечное совпадение прогноза эффективности с фактом
составило 80,8 %.

151
ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ
1. Обзор существующих методов прогнозирования и оценки
эффективности ГТМ показывает, что в настоящее время нет универсального
метода без ощутимых недостатков, основными из которых являются: большие
трудозатраты времени на использование и субъективность оценки. Это
обуславливает необходимость совершенствования существующего процесса
планирования любых видов ГТМ, в частности методов интенсификации
притока нефти;
2. Многочисленные исследования подтверждают перспективность
использования методов Data Mining, в частности нейронных сетей, для решения
прикладных задач в различных областях, в том числе и в
нефтегазодобывающей промышленности;
3. Установлено, что отдельное использование влияющих геологических
и технологических факторов для оценки потенциала ГРП и ОПЗ не
обеспечивает удовлетворительной точности прогнозов. Предложена
группировка влияющих факторов в наборы для компактного описания системы
«пласт-воздействие-эксплуатация», выполнено статистическое обоснование
вклада каждой переменной в прогноз в полученных наборах факторов, а также
эффективности их совокупного учета. На основе теоретических исследований и
ряда вычислительных экспериментов разработаны нейронные сети для
оперативного прогнозирования потенциала МИП (дебиты, обводненность) с
удовлетворительной точностью (71,2 % по результатам апробации на 52
скважинах);
4. Предложен подход к прогнозированию динамики технологических
показателей после ГТМ и, соответственно, величины дополнительной добычи
на основе деревьев решений. В отличие от гидродинамического
моделирования, данный подход описывает не внутреннее поведение системы
(пластовые процессы), а основан на выявленных статистических зависимостях
динамики технологических показателей от влияющих факторов, благодаря
чему отличается оперативностью вычислений. Отличие от характеристик
вытеснения, основанных на эмпирических зависимостях между отборами,
обводненностью и временем, заключается в статистическом учете влияющих на

152
динамику технологических показателей факторов и возможности оценивать
дополнительную добычу еще на стадии планирования, а не только по факту;
5. Разработана новая методика оперативной оценки перспективности
скважин для методов интенсификации притока нефти на действующих
нефтяных скважинах. Преимущество разработанной методики относительно
традиционного геолого-промыслового анализа заключается в использовании
современных оперативных вычислительных инструментов (нейронные сети,
деревья решений) и структурировании шагов анализа при оценке планируемых
эффектов МИП. Эффективность методики доказана с помощью апробации на
52 скважинах. Конечное совпадение прогноза эффективности с фактом
составило 80,8 %. Представлен алгоритм подбора МИП, для реализации
которого применяются зарегистрированные программные продукты: MS Excel,
Нейросимулятор;
6. В работе представлены рекомендации по корректировке критериев
оценки перспективности скважин в разработанной методике в зависимости от
требуемых объемов кандидатов для проведения МИП;
7. Разработанные модели нейронных сетей используются с 2015 года в
качестве одного из методов прогнозирования эффективности ОПЗ на
эксплуатационных объектах Ач.т. и ЮВ1 при подборе скважин-кандидатов под
кислотные ОПЗ по месторождениям территориального производственного
предприятия «Лангепаснефтегаз». За период 2015-2016 годов относительно
уровня 2014 года средняя удельная эффективность на одну скважино-операцию
ОПЗ выросла на 20,6 %, дополнительная добыча нефти за период 2015-2016
годов от повышения качества планирования ОПЗ по объектам Ач.т. и ЮВ 1 по
месторождениям ТПП «Лангепаснефтегаз» оценивается в 10,8 тыс.т;
8. Разработанная методика может применяться для оценки
перспективности ГРП и ОПЗ на объектах Ач.т. и ЮВ1 других групп нефтяных
месторождений при использовании в прогнозирующих моделях истории
выполнения данных мероприятий на этих месторождениях и учета присущих
им геологических и технологических особенностей разработки при
комплексном ГПА. Также методика может быть экспериментально
переориентирована на планирование других видов ГТМ.

153
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Колтун А. А. Оценка эффективности и оптимальное планирование геолого-


технических мероприятий на нефтяных месторождениях: Автореф.
дис.канд.техн. наук: 05.13.01 – Москва, 2005. – 112 с.
2. Деева Т. А., Камартдинов М. Р., Кулагина Т. Е., Молодых П. В.
Формирование и планирование ГТМ. Томск: издательство ТПУ, 2011. – 201 с.
3. Акелян Н. С., Бекетов С. Б. Особенности построения моделей прогноза
эффективности геолого-технических мероприятий при разработке
месторождений нефти и газа // Горный информационно-аналитический
бюллетень (научно технический журнал), № 2, 2011. С. 342-348.
4. Стрекалов А. В., Хусаинов А. Т. Математическое моделирование процессов
нефтедобычи на основе нейронных сетей: монография. Тюмень: ТюмГНГУ,
2013. – 164 с.
5. Каневская Р. Д. Математическое моделирование разработки месторождений
нефти и газа с применением гидравлического разрыва пласта. - М.: ООО
"Недра-Бизнесцентр", 1999. – 212 с.
6. Азиз Х., Сеттари Э. Математическое моделирование пластовых систем. –
Москва–Ижевск: Институт компьютерных исследований, 2004. – 416 с.
7. Глущенко В.Н., Пташко О.А., Харисов Р.Я., Денисова А.В. Кислотные
обработки: составы, механизмы реакций, дизайн. – Уфа: АН РБ, Гилем, 2010,
2010. – 392 с.
8. Голф-Рахт Т. Д. Основы нефтепромысловой геологии и разработки
трещиноватых коллекторов: Пер. с англ. Бардиной Н. А., Голованова П. К.,
Власенко В. В., Покровского В. В. /Под ред. Ковалева А. Г. – М.: Недра, 1986. –
608 с.
9. Лысенко В. Д. Инновационная разработка нефтяных месторождений. – М.:
ООО «Недра-Бизнесцентр», 2000. – 516 с.
10. Мулявин С. Ф. Основы проектирования разработки нефтяных и газовых
месторождений. Учебное пособие. Тюмень: ТюмГНГУ, 2012. – 215 с.

154
11. Некрасов В. И., Глебов А. В., Ширгазин Р. Г., Вахрушев В. В. Гидроразрыв
пласта: внедрения и результаты, проблемы и решения – Лангепас-Тюмень, ГУП
«Информационно-издательский центр ГНИ по РБ», 2001. – 240 с.
12. Уметбаев В. Г. Геолого-технические мероприятия при эксплуатации
скважин: Справочник рабочего. – М.: Недра, 1989. – 215 с.
13. Экономидис М., Олини Р., Валько П. Унифицированный дизайн
гидроразрыва пласта. От теории к практике. Институт компьютерных
исследований, 2007. – 166 с.
14. Юшков И. Р. Разработка и эксплуатация нефтяных и газовых
месторождений: учеб.-метод. пособие / Юшков И. Р., Хижняк Г. П.,
Илюшин П. Ю. – Пермь : Изд-во Перм. нац. исслед. политехн. ун-та, 2013.
– 177 с.
15. Меркулова Л. И. Гинзбург А. А. Графические методы анализа при добыче
нефти. – М. «Недра», 1986 г. – 105 с.
16. Тимонов А. В. Системный подход к выбору геолого-технических
мероприятий для регулирования разработки нефтяных залежей: Автореф.
дис.канд.техн. наук: 25.00.17 – Уфа, 2010. – 151 с.
17. Телков А. П., Ланчаков Г. А., Кучеров Г. Г., Ткачев А. Е., Пазин А. Н.
Интенсификация нефтегазодобычи и повышение компонентоотдачи пласта. –
Тюмень, 2002. – 318 с.
18. Альмухаметов М. А., Артамонов А. А., Виноходов М. А. Новый подход к
планированию геолого-технических мероприятий на нефтяных
месторождениях // Георесурсы (научно технический журнал), 1(33), 2010. С. 39-
41
19. Мищенко И.Т. Скважинная добыча нефти: Учебное пособие для вузов. – М:
М71 ФГУП Изд-во «Нефть и газ» РГУ нефти и газа им. И.М. Губкина, 2003. –
816 С.
20. Алтунин А. Е., Семухин М. В. Модели и алгоритмы принятия решений в
нечетких условиях: монография. Тюмень: Издательство Тюменского
государственного университета, 2000. – 352 c.
155
21. Бадьянов В. А. Методы компьютерного моделирования в задачах
нефтепромысловой геологии. Тюмень: Тюменский дом печати, 2011. – 183 с.
22. Букаты М. Б. Геоинформационные системы и математическое
моделирование. Учебное пособие. – Томск: Изд. ТПУ.–2002. – 75 с.
23. Гладков Е. А. Геологическое и гидродинамическое моделирование
месторождений нефти и газа: учебное пособие. Томский политехнический
университет. – Томск: Изд-во Томского политехнического университета, 2012.
– 99 с.
24. Закиров Э. С. Трёхмерные многофазные задачи прогнозирования, анализа и
регулирования разработки месторождений нефти и газа. – М.: Изд. «Грааль». –
2001. – 303 с.
25. Закревский К.Е Геологическое 3D моделирование. – М.: ООО «ИПЦ
„Маска“», 2009. – 376 с.
26. Глебов А.Ф., Гузеев В.В., Закревский К.Е., Семянов А.А. Пути повышения
точности и достоверности цифровых геологических моделей. - Труды V
Международного технологического симпозиума. М., Институт нефтегазового
бизнеса, 2006 г. С. 254-260.
27. Каневская Р. Д. Математическое моделирование гидродинамических
процессов разработки месторождений углеводородов. – Москва-Ижевск:
Институт компьютерных исследований, 2002. – 140 с.
28. Костюченко С. В., Ямпольский В. З. Мониторинг и моделирование
нефтяных месторождений. – Томск: Изд. НЛТ, 2000. – 246 с.
29. Мирзаджанзаде А. Х., Хасанов М. М., Бахтизин Р. Н. Моделирование
процессов нефтегазодобычи, ИКИ, Москва–Ижевск, 2004. – 368 с.
30. Стрекалов А. В. Математические модели гидравлических систем для
управления системами поддержания пластового давления. – Тюмень: ОАО
«Тюменский дом печати», 2007. – 664 с.
31. Фанчи Д. Р. Интегрированный подход к моделированию фильтрационных
потоков. – М.–Ижевск: Ижевский институт компьютерных исследований, НИЦ
«Регулярная и хаотическая динамика», 2010. – 256 с.
156
32. Corbett P. W. M. «Geomodeling», MSc REM course, HWU, 2004. – 523 p.
33. Mattax C. C., Dalton R. L. Reservoir simulation. - SPE Monograph, vol. 13. –
Richardson, Texas, 1990. – 174 p.
34. Mathew T. Domain Decomposition Methods for the Numerical Solution of Partial
Differential Equations // Lecture Notes in Computational Science and Engineering. –
2008. – V. – 61. – 764 p.
35. Peaceman D. W. Fundamentals of numerical reservoir simulation. - Amsterdam -
Oxford - New York: Elsevier Scientific Publishing Company, 1977. – 176 p.
36. Thompson J. F., Warsi Z. U. A., Mastin C. W. Numerical grid generation.
Foundations and applications. New York: North-Holland, 1985. – 331 p.
37. Закиров Р. Х. Роль геолого-гидродинамического моделирования при
проектировании разработки нефтяных месторождений // Георесурсы (научно
технический журнал), 4(32), 2009. С. 34-36.
38. Володин Е. М., Захарова А. А. Использование суперкомпьютеров для
ускорения расчета процесса фильтрации на основе 3D геолого-
гидродинамических моделей нефтегазовых месторождений // Электроника,
измерительная техника, радиотехника и связь, Доклады ТУСУРа, № 2 (22),
часть 2, декабрь 2010. С. 241-244.
39. Барышников А. В. [и др.] Итерационное сопряжение как метод
рационального подхода к моделированию гигантских пластовых систем
Нефтяное хозяйство, № 9. 2011. С. 104-107.
40. Закиров Р. Х. Разработка и внедрение методов воздействия на пласты на
основе компьютерного моделирования. Нефтяное хозяйство, № 11. 2000. С. 54-
55.
41. Кудинов В. И., Сучков Б. М. Методы повышения производительности
скважин. – Самара: Кн. изд-во, 1996. – 414 с.
42. Шанченко, Н. И. Эконометрика: лабораторный практикум : учебное пособие
/ Н. И. Шанченко. – Ульяновск : УлГТУ, 2011. – 117 с.
43. Дюк В., Самойленко А. Data Mining: учебный курс. – СПб.: Изд. Питер,
2001. – 368 с.
157
44. Чубукова И.А. Data Mining: учебное пособие. – М.: Интернет-университет
информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 382 с.
45. Alimkhanov R., Samoylova I. Application of Data Mining tools for analysis and
prediction of hydraulic fracturing efficiency for the BV8 reservoir of the Povkh oil
field // SPE-171332-RU, SPE Russian oil and gas exploration & production technical
conference and exhibition. – 2014/ – October 14-16.
46. Лепшова Е.С. Обзор методов Data Mining. - Сайт научно-
исследовательского семинара студентов кафедры ПО Тверского технического
университета [Электронный ресурс]. URL: http://intellect-tver.ru/?p=165 (дата
обращения: 13.05.2016).
47. Пичугин О.Н., Соляной П.Н., Фатихова Ю.З. От «работы над ошибками» – к
прогнозированию эффективности мероприятий. // Нефть. Газ. Новации (научно
технический журнал), №3/2012. С. 28-32.
48. Серебренников И.В. Разработка экспресс-метода выбора скважин
для проведения работ по ограничению водопритоков: Автореф. дис … канд.
техн. наук: 25.00.17. – Тюмень, 2008. – 23 с.
49. Еленец А.А. Разработка методики прогноза эффективности эксплуатации
боковых стволов: дис. … канд. тех. наук: 25.00.17. – Тюмень, 2012. – 116 с.
50. Розенблатт, Ф. Принципы нейродинамики: Перцептроны и теория
механизмов мозга = Principles of Neurodynamic: Perceptrons and the Theory of
Brain Mechanisms. – М.: Мир, 1965. – 480 с.
51. Werbos P. J. Beyond regression: New tools for prediction and analysis in the
behavioral sciences. – Ph. D. thesis, Harvard University, Cambridge, MA, 1974.
52. Галушкин А. И. Синтез многослойных систем распознавания образов. – М.:
Энергия, 1974.
53. Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations
by Error Propagation // Parallel Distributed Processing. Vol. 1. – Cambridge, MA:
MIT Press, 1986. P. 318– 362.
54. Барцев С. И., Охонин В. А. Адаптивные сети обработки информации. –
Красноярск: Ин-т физики СО АН СССР, 1986. Препринт N 59Б. – 20 с.
158
55. Broomhead D.S. and D. Lowe. «Multivariable functional interpolation and
adaptive networks», Complex Systems, 1988, vol. 2, p. 321-355.
56. Поспелов Д.А. Новые информационные технологии — это те ключи,
которые откроют нам путь в новое общество // Новости искусственного
интеллекта, 1994, № 2, С. 57-76.
57. Поспелов Д.А. Десять «горячих точек» в исследованиях по искусственному
интеллекту. Опубликовано в: Интеллектуальные системы (МГУ). – 1996. –Т.1,
вып.1-4. – C.47-56.
58. S. Thrun. Explanation-Based Neural Network Learning: A Lifelong Learning
Approach. Kluwer Academic Publishers, Boston, MA, – 1996.
59. Wen-Tsun, Wu, Mechanical Theorem Proving in Geometries. ISBN 3211825061
60. Финн В.К. Многозначные логики и их применения: Логические исчисления,
алгебры и функциональные свойства. Том 1. М.: УРСС, – 2008. –416 с.
61. Финн В.К. Многозначные логики и их применения: Логики в системах
искусственного интеллекта. Том 2. М.: УРСС, – 2008. – 240 с.
62. Hinton G., Deng L., Yu D., Dahl G., Mohamed A., Jaitly N., Senior A.,
Vanhoucke V., Nguyen P., Sainath T. and Kingsbury B. Deep Neural Networks for
Acoustic Modeling in Speech Recognition, IEEE Signal Processing Magazine, Vol.
29, No. 6, 2012, P. 82 – 97.
63. Welling, M., Rosen-Zvi, M., and Hinton, G. E. (2005). Exponential family
harmoniums with an application to information retrieval. Advances in Neural
Information Processing Systems 17, pages 1481-1488. MIT Press, Cambridge, MA.
64. J. J. Hopfield, «Neural networks and physical systems with emergent collective
computational abilities», Proceedings of National Academy of Sciences, vol. 79 no. 8
pp. 2554—2558, April 1982
65. Ng, Andrew; Dean, Jeff. (eds.) "Building High-level Features Using Large Scale
Unsupervised Learning" // Proceedings of the 29th International Conference on
Machine Learning, Edinburgh, Scotland, UK, 2012.
66. Минский, М., Пейперт, С. Персептроны = Perceptrons. – М.: Мир, 1971. –
261 с.
159
67. Мамфорд, Д. Красная книга о многообразиях и схемах: пер. с англ. / Д.
Мамфорд. – М.: МЦНМО, – 2007. – 296 с.
68. Миркес, Е.М. Нейроинформатика: Учеб. пособие для студентов / Е.М.
Миркес. Красноярск: ИПЦ КГТУ, – 2002. – 347 с.
69. Стюарт Рассел, Питер Норвиг. Искусственный интеллект: современный
подход (AIMA) = Artificial Intelligence: A Modern Approach (AIMA). – 2-е изд.
— М.: «Вильямс», – 2007. – С. 1424.
70. Горбань А. Н., Россиев Д.А., Нейронные сети на персональном компьютере.
- Новосибирск: Наука, – 1996. – 276 с.
71. Gorban A.N., Kegl B., Wunch D., Zinovyev A. (eds.) Principal Manifolds for
Data Visualization and Dimension Reduction, Lecture Notes in Computational
Science and Engineering. – Springer, 2008. – Vol. 58. – 340 p.
72. Boris Katz, Gary Borchardt and Sue Felshin. Natural Language Annotations for
Question Answering // Proceedings of the 19th International FLAIRS Conference
(FLAIRS 2006), May 2006, Melbourne Beach, FL.
73. David Eigen, Jason Rolfe, Rob Fergus and Yann LeCun: Understanding Deep
Architectures using a Recursive Convolutional Network // International Conference
on Learning Representations (ICLR2014), CBLS, April 2014
74. Judea Pearl. Causality: Models, Reasoning, and Inference. — Cambridge
University Press, – 2000. – P. 675-685.
75. Teuvo Kohonen. The self-organizing map. // Proceedings of the IEEE, VOL. 78,
№ 9, September 1990. – P. 1464-1480.
76. Боровиков В. П. Нейронные сети. STATISTICA Neural Networks:
методология и технологии современного анализа данных. – 2-е изд., М.:
Горячая линия – Телеком, 2008. – 392 с.
77. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ. – М.:
ООО «И.Д. Вильямс», 2006. – 1104 с.
78. Вороненко Д.И., Нейросети – за и против, Харьков, 2004.
79. Горбачевская Е.Н. Вестник волжского университета им. В.Н. Татищева
Выпуск № 2[19] / 2012. – С.1-6.
160
80. Ясницкий Л. Н. Введение в искусственный интеллект. Учеб. пособие для
ВУЗов. – М.: Изд. центр «Академия», 2005. – 176 с.
81. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика = Neural
Computing. Theory and Practice. – М.: Мир, 1992. – 240 с.
82. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и
практика. – М.: Горячая линия – Телеком, 2001. – 382 с.
83. Степанов Л. В. Моделирование конкуренции в условиях рынка / Л.В.
Степанов. Монография. – М.: «Академия естествознания». 2009. – 115 с.
84. Гольцев А.Д. Нейронные сети с ансамблевой организацией. Киев: Наук.
думка, 2005. –200 с.
85. Андронов Ю.В., Стрекалов А.В. Исследование применения ансамблей
нейронных сетей для повышения качества решения задач регрессии //
Нефтегазовое дело. – 2015. -13(1), – С. 50-55.
86. Андронов Ю.В., Стрекалов А.В. Применение нейронных сетей для
прогнозирования эффективности гидравлического разрыва пласта (ГРП) //
Нефтегазовое дело. – 2014. -12(2), – С. 64-68.
87. Черепанов Ф.М. Симулятор нейронных сетей для вузов. // Вестник
Пермского университета. Сер. Математика. Механика. Информатика. 2012.
Вып. 3 (11). С. 98-105.
88. Боровиков В.П. Популярное введение в программу STATISTICA. М.:
КомпьютерПресс, 1998. – 267 с.
89. Андронов Ю.В., Стрекалов А.В. Выбор переменных для обучения
нейронной сети при прогнозировании эффективности гидравлического разрыва
пласта (ГРП)// Нефтегазовое дело. – 2014. -12(3), – С. 37-48.
90. Глущенко В.Н., Силин М.А. Нефтепромысловая химия: Изд. В 5-ти томах. –
Т.4 Кислотная обработка скважин / Под ред. проф. Мищенко И.Т. – М.:
Интерконтакт Наука, 2010. – 703 с.
91. Карабцев С.Н., Рейн Т.С., Стуколов С.В. Реализация эффективного
алгоритма построения диаграмм Вороного на плоскости // Труды V

161
Всероссийской научно-практической конференции «Недра Кузбасса.
Инновации». Кемерово: ИНТ, 2006. С. 114-120.
92. Ваганов Л.А. Повышение эффективности применения нестационарного
заводнения в условиях залежей нефти верхнеюрских отложений: дис.канд.техн.
наук: 25.00.17 – Тюмень, 2012. – 124 с.
93. Усачев П.М. и другие (всего 7 авторов) Гидравлический разрыв пласта с
подземным обследованием зоны разрыва // Нефтяное хозяйство. – 1958. – № 5.
– С. 28-37.
94. Юдин А., Бутула К., Новиков Ю., Технология J-FRAC – новый подход к
контролю роста трещины ГРП. - Сайт Всероссийской ассоциации АсБур
[Электронный ресурс]. URL: http://www.asbur.ru/bank_technology/
metody_intensifikacii_dobychi_nefti_idn_gidromehanicheskie/grp/ssha/tehnologiya_
j_frac_novyj_podhod_k_kontrolyu_rosta_treschiny_grp (дата обращения:
09.10.2016).
95. Акмалова Е.В., Герасимова Е.А. Оценка влияния гидроразрыва пласта на
качество цементирования скважин по данным волнового акустического
каротажа // Каротажник. – 2013. – № 1(235). – С.46-51.
96. Медведев Н.Я. и другие (всего 5 авторов) Особенности применения ГРП на
месторождениях ОАО «Сургутнефтегаз» // Нефтяное хозяйство. – 2001. – № 9.
– С. 52-57.
97. Обработка призабойной зоны пласта (ОПЗ). - Официальный сайт ООО
«Нефтегазтехнология» [Электронный ресурс]. URL: http://n-
gt.ru/services/technology/treatment-of-bottomhole-formation-zone-oiz (дата
обращения: 18.10.2016).
98. Коровин К.В. Прогнозирование выработки запасов нефти из коллекторов с
двойной средой: Автореф. дис.канд.техн. наук: 25.00.17 – Тюмень, 2007. – 141
с.
99. Оценка технологической эффективности геолого-технических мероприятий
по повышению нефтеизвлечения пластов и интенсификации добычи нефти.

162
Методическое руководство, Министерство Энергетики России, ОСТ 153-39.0-
050-2003, Москва, 2003 г.
100. Андронов Ю.В. Применение нейронных сетей для прогнозирования
эффективности геолого-технических мероприятий // Энергосбережение и
инновационные технологии в топливно-энергетическом комплексе: материалы
Всероссийской научно-практической конференции студентов, аспирантов,
молодых ученых и специалистов, посвященной 50-летию создания Тюменского
индустриального института. – Тюмень: ТюмГНГУ, 2013, 420 с. – С. 200-203.
101. Андронов Ю.В. Обзор существующих методов прогнозирования
эффективности геолого-технических мероприятий // Кристаллы творчества:
материалы докладов студенческой академии наук. – Тюмень: ТюмГНГУ, 2014,
312 с. – С. 141-144.
102. Андронов Ю.В. Обоснование выбора переменных для обучения нейронной
сети при планировании гидравлического разрыва пласта (ГРП) // Геология и
нефтегазоносность Западно-Сибирского мегабассейна (опыт, инновации):
материалы Девятой Международной научно-технической конференции
(посвященной 100-летию со дня рождения Протозанова А. К.). – Тюмень:
ТюмГНГУ, 2014. – С. 60-63.
103. Андронов Ю.В. Применение нейронных сетей для прогнозирования
эффективности гидравлического разрыва пласта / 14 конференция молодых
ученых и специалистов Филиала ООО «ЛУКОЙЛ-Инжиниринг»
«КогалымНИПИнефть» в г. Тюмени: сб. докл. – Шадринск: Изд-во ОГУП
«Шадринский дом печати», 2014. – С. 168-173.
104. Андронов Ю.В., Стрекалов А.В. Анализ промысловых данных с
применением программного комплекса «Нейросимулятор» // материалы
Всероссийской научно-практической конференции студентов, аспирантов и
молодых ученых «Новые технологии – нефтегазовому региону» Т. 1; – Тюмень:
ТюмГНГУ, 2015. – C. 122-125.
105. Андронов Ю.В., Мельников В.Н., Стрекалов А.В. Задание граничных
значений в обучающем множестве как метод повышения обобщающей
163
способности нейронной сети // Материалы XV юбилейной конференции
молодых специалистов, работающих в организациях, осуществляющих
деятельность, связанную с использованием участков недр на территории
Ханты-Мансийского автономного округа – Югры. – Новосибирск: Параллель,
2015. – C. 119-122.
106. Андронов Ю.В., Мельников В.Н., Стрекалов А.В. Оценка прогнозирующих
способностей многослойного персептрона с различными функциями активации
и алгоритмами обучения // Геология, геофизика и разработка нефтяных и
газовых месторождений. – 2015. -№ 9, – С. 18-20.
107. Андронов Ю.В. Разработка экспресс-метода оценки эффективности
кислотных обработок призабойной зоны / Андронов Ю.В., Желудков А.В.,
Мельников В.Н., Стрекалов А.В. // 15 конференция молодых ученых и
специалистов Филиала ООО «ЛУКОЙЛ-Инжиниринг» «КогалымНИПИнефть»
в г. Тюмени: сб. докл. – Шадринск: Изд-во ОГУП «Шадринский дом печати»,
2016. – С. 168-183.

164

Оценить