Нейронная сеть как инструмент прогнозирования и управления технологическим режимом работы добывающих скважин

ВВЕДЕНИЕ

В нефтегазовой отрасли задача прогнозирования технологических
показателей добычи в целом по месторождению и по отдельным скважинам
является одной из актуальных.
Наличие инструмента, который сможет качественно и быстро
спрогнозировать динамику добычи, позволяет решать недропользователю
такие задачи как: оптимизация работы скважин и как следствие решать задачу
рационального использование природных ресурсов при разработки
нефтегазового месторождения.
На текущий момент существуют множество методов и инструментов для
моделирования разработки месторождения, но все они имеют свои
недостатки, которые не позволяют их использовать для оперативного
прогнозирования и решения задачи оптимизации технологических режимов
работы добывающих скважин.
Оптимизация разработки «зрелых» месторождений в алгоритмах
машинного обучения на сегодняшний день является одной из актуальных
проблем. Ставится задача по продлению эффективной эксплуатации скважин,
оптимизации управления производством на поздней стадии разработки
месторождений. На основании поставленной задачи в работе приводится
обзор возможных решений в вопросах управления заводнением.
Технология управления добычей рассматривается как альтернатива
интенсификации разработки, которая ассоциируется с увеличением темпов
отбора жидкости и предполагает поиск решений, направленных на снижение
обводненности продукции скважин.
Актуальность работы обусловлена значимостью выбранной темы.
Перспективным направлением исследований прикладной науки на
протяжении многих лет остается разработка и адаптация энергосберегающих
технологий и операционных процессов для добычи нефти. Применительно к большей части нефтяных провинций России задача формулируется
следующим образом: продление эффективной эксплуатации скважин,
оптимизация управления производством на поздней стадии разработки
месторождений. Поиск решений в целом ряде случаев связывают с
разработкой новых цифровых платформ на основе алгоритмов машинного
обучения, которые дают предприятиям больше понимания и знаний для
тиражирования новых продуктов и компетенций в практику оперативного
управления месторождениями и улучшения будущих управленческих
решений.
Объект исследования. Нейронная сеть.
Предмет исследования. Прогнозирование и управление режимом
работы добывающих скважин.
Цель работы. Исследовать нейронную сеть как инструмент
прогнозирования и управления технологическим режимом работы
добывающих скважин.
Задачи работы:
− рассмотреть понятие и основы нейросети;
− изучить особенности применения нейросети как инструмента
прогнозирования и управления технологическими режимами работы;
− проанализировать нейронную сеть как инструмент прогнозирования и
управления технологическим режимом работы добывающих скважин;
− определить перспективы развития применения нейронной сети как
инструмента прогнозирования и управления технологическим режимом
работы добывающих скважин.
Структура работы. Работа состоит из введения, теоретической и
практической части в виде двух глав, заключения и списка использованных
источников.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Адлер, Ю. П. Алгоритмически неразрешимые задачи и искус-
ственный интеллект / Ю. П. Адлер // Экономика и управление: проблемы, ре-
шения. – 2020. - No 4. – 17–24 с.

2. Алешева, Л. Н. Интеллектуальные обучающие системы [Текст] /
Л. Н. Алешева // Вестник университета. - 2021. - N 1. - 149–155 с.

3. Анализ баланса потоков жидкости в инженерных сетях нефтегазо-
добывающего предприятия: методические материалы / М. А. Слепян, Ю. И.

Зозуля, А. К. Муравский, Н. М. Сибагатуллин, С. И.Братцев. — Уфа: Моно-
графия, 2020. 120 с.

4. Баррат, Д. Последнее изобретение человечества : искусственный
интеллект и конец эры Homo sapiens : [пер. с англ.] / Д. Баррат. - 2-е изд. - М. :
Альпина нон-фикшн, 2020. - 303 с.

5. Барский А. Б. Нейронные сети: распознавание, управление, приня-
тие решений — М.: Финансы и статистика, 2021. — 174 с.

6. Веревкин, А. П., Зозуля Ю.И: Основные направления-развития ав-
томатизации управления добычей и транспортом нефти // Автоматизация, те-
лемеханизация и связь в нефтяной промышленности. 2020.-No3.-С. 6-13.301

7. Веревкин, А. П., Кирюшин, О. В. Автоматизация технологических
процессов и производств в нефтепереработке и нефтехимии. — Уфа: УГНТУ,
2020.-171 с.

8. Галушкин, А.И. Нейронные сети: основы теории. / А. И. Галуш-
кин. - М.: РиС, 2021. - 496 c.

9. Гиниятуллин, В. М., Сибагатуллин, Н. М., Зозуля Ю. И. и др. Раз-
работка программного модуля диагностики состояния инженерной сети

нефтегазодобычи, // Автоматизация телемеханизация и связь в нефтяной про-
мышленности. — 2020. — No 11. — С. 31—35.

10. Демкин В. И. История и перспективы развития нейронных сетей /
В. И. Демкин, Д. К. Луков // Вестник современных исследований. - 2021. - No
6.1 (21). -366-368 с.

11. Елисеев, А. С. Искусственный интеллект. Что это : условное назва-
ние или реальное намерение создать? / А. С. Елисеев. - М. : Дашков и К°, 2021.

- 33 с.

12. Жильцов; А. А., Зозуля, Ю.И. Адаптивная балансная модель инже-
нерной сети нефтегазодобычи // Автоматизация телемеханизация и связь в

нефтяной промышленности. 2020. - No 3. - С. 36-39.

13. Заенцев И. В. Нейронные сети: основные модели — Воронеж: Изд-
во Воронежского госуд. ун-та, 2021. — 76 с.

14. Зозуля, Ю. И., Палагушкин, В. А. Нейросетевые алгоритмы кон-
троля и управления технологическими объектами нефтегазодобычи // Нейро-
компьютер. 2020. - No3, 4. - С. 29 - 32.

15. Ильясов, Б:,. Тагирова, К., Комелин, А. Автоматизация процесса
добычи нефти на основе нейронных сетей // Технологии ТЭК. 2020. - No3. -С.
89- 92.
16. Использование современных информационных технологий при
разработке интегрированных АСУ ТП в нефтегазодобыче/ М.А. Слепян, Ю. И.

Зозуля, А.К. Муравский // Автоматизация, телемеханизация и связь в нефтя-
ной промышленности. 2020. - No7-8. - С. 21-25.

17. Каллан Р. Основные концепции нейронных сетей — Москва,
Санкт-Петербург, Киев: Издательский дом «Вильямс», 2021. — 287 с.

18. Каллан, Р. Нейронные сети : краткий справочник / Р. Каллан ; Са-
утгемптон. ин-т. - М. : Вильямс, 2021. - 279 с.

19. Каримов, Р. Р. Модели и алгоритмы диагностики инженерных се-
тей (на примере нефтегазодобывающего производства) / Автореф. . канд. техн.

наук. Уфа, 2020. - 24 с.

20. Коровин, Я. С. Система поддержки принятия решений по кон-
тролю состояния установок электроцентробежных насосов на основе нейрон-
ной сети // Нефтяное хозяйство. — 2020. — No1. С. 80 — 83.

21. Крутиков, В. Н., Шильдин, В. В., Фёдоров, А. В. и др. Правовые и
метрологические аспекты учёта нефти в нефтегазодобывающих, организациях
// Мир измерений. 2020. - No8. - С. 11-14.
22. Кузнецова, А. В. Искусственный интеллект и информационная
безопасность общества : монография / А. В. Кузнецова, С. И. Самыгин, М. В.
Радионов ; ред. П. С. Самыгин. - М. : Русайнс, 2021. - 117 с.
23. Математическое моделирование и оптимизация систем тепло-,

водо-, нефте- и газоснабжения / А. П. Меренков, Е. В. Сеннова, С. В. Сумаро-
ков и др. — Новосибирск: Наука, СИФ РАН, 2020. 407 с.

24. Мыцких-Коробанов. А.Ю. Алгоритмы машинного обучения /А.
Ю. Мыцких-Коробанов // Математика и ее приложения в современной науке

и практике : сб. науч. статей VIII Международной научно-практической кон-
ференции (Курск, 27–28 апреля 2018 г.) / ред. Е.А. Бойцова. - 2018.- 25–33 с.

25. Осовский С. Нейронные сети для обработки информации — М.:
Финансы и статистика, 2021. — 343 с.

26. Проказов, С. А., Иваненко, Б. П. Нейросетевые методы имитаци-
онного моделирования процессов добычи.нефти // Нейрокомпьютеры: разра-
ботка, применение. — 2020.— No3. — С. 63 — 68.

27. Рассел, С. Искусственный интеллект : современный подход : пер.
с англ. / С. Рассел, П. Норвиг ; пер. К. А. Птицын. - 2-е изд. - М. : Вильямс,
2020. - 1407 с.

28. Редько, В.Г. Эволюция, нейронные сети, интеллект: Модели и кон-
цепции эволюционной кибернетики / В. Г. Редько. - М.: Ленанд, 2020. - 224 c.

29. Рутковская Д. Нейронные сети, генетические алгоритмы и нечёт-
кие системы — М.: Горячая линия — Телеком, 2020. — 452 с.

30. Суровцев И. С., Клюкин В.И., Пивоварова Р. П. Нейронные сети.
— Воронеж: ВГУ, 2020. — 224 с.
31. Хайкин С. Нейронные сети. Полный курс 2-e изд. Пер. с англ. –
М.: Издательский дом «Вильямс», 2020. – 1104 с.

32. Ширяев, В.И. Финансовые рынки: Нейронные сети, хаос и нели-
нейная динамика / В. И. Ширяев. - М.: КД Либроком, 2020. - 232 c.

33. Яхъяева, Г.Э. Нечеткие множества и нейронные сети: Учебное по-
собие / Г. Э. Яхъяева. - М.: БИНОМ. ЛЗ, ИНТУИТ.РУ, 2021. - 316 c.