ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МЕТОДОВ НЕЙРОСЕТЕВОГО АНАЛИЗА НЕФТЕПРОМЫСЛОВЫХ ДАННЫХ

Коровин Я.С., Хисамутдинов М.В., Иванов Д.Я.

Email: Korovin655@scientifictext.ru

Коровин Яков Сергеевич – кандидат технических наук, директор;

Хисамутдинов Максим Владимирович – кандидат технических наук, старший научный сотрудник;

Иванов Донат Яковлевич – кандидат технических наук, старший научный сотрудник,

Научно-исследовательский институт многопроцессорных вычислительных систем им. академика А.В. Каляева

Южный федеральный университет,

г. Таганрог

Аннотация: в связи с высоким спросом на нефть и исчерпанием большинства легкодоступных месторождений, в последние годы активно осваиваются новые месторождения, находящиеся в Арктике, на шельфе. Развертывание нефтедобывающих комплексов в таких условиях сопряжено с финансовыми затратами и решением сложных технических задач. Поэтому в целях экономической целесообразности следует максимизировать объемы добытой нефти и при этом снизить эксплуатационные расходы на оборудование. В связи с этим необходимо применять методы увеличения нефтеотдачи для повышения добычи нефти и использовать современные методы мониторинга и прогнозирования состояния нефтедобывающего оборудования. При выборе применяемых методов увеличения нефтеотдачи необходимо учитывать большое количество параметров конкретного месторождения. Также в целях соблюдения экономической эффективности необходимо учитывать текущую стоимость конечного продукта на мировом рынке и финансовые затраты, связанные с применением тех или иных методов увеличения нефтеотдачи. Решение этой задачи требует анализа больших объемов данных, для которых характерна зашумленность и неполнота. В статье приведены результаты экспериментальных исследований методов нейросетевого анализа нефтепромысловых данных, в том числе нейросетевая методика оперативного определения рекомендуемых методов увеличения нефтеотдачи.

Ключевые слова: искусственная нейронная сеть, анализ данных, нефтяное месторождение, экспериментальные исследования.

ЕXPERIMENTAL RESEARCHES OF METHODS OF NEURAL NETWORK ANALYSIS OF OILFIELD DATA

Korovin Ya.S., Khisamutdinov M.V., Ivanov D.Yа.

Korovin Yakov Sergeevich – PhD in Tecnology, Director;

Khisamutdinov Maxim Vladimirovich– PhD in Tecnology, Senior Researcher;

Ivanov Donat Yakovlevich– PhD in Tecnology, Senior Researcher,

Scientific Research Institute of Multiprocessor Computer Systems, Southern Federal University,

Taganrog

Abstract: due to the high demand for oil and the exhaustion of the majority of easily accessible fields, in recent years new fields in the Arctic have been actively explored on the shelf. Deployment of oil-producing complexes in such conditions is associated with financial expenses and solution of complex technical problems. Therefore, in order to make economic feasibility, it is necessary to maximize the volume of oil produced and at the same time reduce the operating costs of equipment. Therefore, it is necessary to apply methods to increase oil recovery to increase oil production, and use modern methods of monitoring and forecasting the status of oil production equipment. When choosing the methods of enhanced oil recovery, it is necessary to take into account a large number of parameters of a particular field. Also, in order to comply with economic efficiency, it is necessary to take into account the current value of the final product on the world market and the financial costs associated with the use of certain methods of enhanced oil recovery. Solving this problem requires analyzing large amounts of data that are characterized by noise and incompleteness. The article presents the results of experimental studies of methods for neural network analysis of oilfield data, including the neural network methodology for the operational determination of recommended methods for enhanced oil recovery.

Keywords: neural network, data analysis, oil field, experimental studies.

Список литературы / References

Shah D.O. Improved oil recovery by surfactant and polymer flooding. Elsevier, 2012. 578 pages.
Morrow N., Buckley J., others. Improved oil recovery by low-salinity waterflooding // J. Pet. Technol., 2011. Т. 63. № 05. P. 106–112.
Sheng J.J. Enhanced oil recovery in shale reservoirs by gas injection // J. Nat. Gas Sci. Eng., 2015. Т. 22. P. 252–259.
Lake L.W. et al. Fundamentals of enhanced oil recovery, 2014.
Wu X. et al. Data mining with big data // IEEE Trans. Knowl. Data Eng., 2014. Т. 26. № 1. P. 97–107.
O’Leary D.E. Artificial intelligence and big data // IEEE Intell. Syst., 2013. Т. 28. № 2. P. 96–99.
Li J. et al. Big data in product lifecycle management // Int. J. Adv. Manuf. Technol., 2015. Т. 81. № 1–4. P. 667–684.
Patterson D.W. Artificial neural networks: theory and applications. Prentice Hall PTR, 1998.
Коровин Я.С., Хисамутдинов М.В., Иванов Д.Я. Методы нейросетевого анализа нефтепромысловых данных // Вестник науки и образования, 2019. Т. 1 (55).
Юшков А.Ю. Совершенствование методов гидродинамического моделирования горизонтальных скважин в условиях крупных ячеек // Автоматизация, телемеханизация и связь в нефтяной промышленности, 2013. № 10. С. 25–35.
Васильев В.И. и др. Численное решение задачи фильтрации в трещиноватой среде с использованием декомпозиции областей // Сибирский журнал индустриальной математики, 2018. Т. 21. № 4. С. 15–27.
Vasil’ev V.I. et al. Numerical Solution of a Fluid Filtration Problem in a Fractured Medium by Using the Domain Decomposition Method // J. Appl. Ind. Math., 2018. Т. 12. № 4. P. 785–796.

Ссылка для цитирования данной статьи

Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.

Электронная версия. Коровин Я.С., Хисамутдинов М.В., Иванов Д.Я. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МЕТОДОВ НЕЙРОСЕТЕВОГО АНАЛИЗА НЕФТЕПРОМЫСЛОВЫХ ДАННЫХ // Вестник науки и образования №1 (55), 2019. [Электронныйресурс].URL: http://scientificjournal.ru/images/PDF/2019/VNO-55/eksperimentalnye-issledovaniya.pdf (Дата обращения:ХХ.ХХ.201Х).

Печатная версия. Коровин Я.С., Хисамутдинов М.В., Иванов Д.Я. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МЕТОДОВ НЕЙРОСЕТЕВОГО АНАЛИЗА НЕФТЕПРОМЫСЛОВЫХ ДАННЫХ // Вестник науки и образования №1 (55), 2019, C. {см. журнал}.