Software & Systems

Большинство месторождений Азербайджана находится на поздней стадии разработки, для которой характерно осложнение добычи высокой обводненностью и коррозионной активностью продукции скважин, образованием стойких эмульсий, отложением солей, асфальто-смоло-парафи­новых соединений. Дебит большинства нефтяных скважин сократился до такой степени, что они стали нерентабельными, выведены из эксплуатации и закрыты. При этом остаток нефти в некоторых скважинах составляет более 70 %.

Одной из основных проблем нефтедобывающей отрасли является увеличение количества скважин с трудноизвлекаемыми запасами. Эффективность разработки низкопродуктивных залежей нефти зависит от качественной и бесперебойной эксплуатации добывающих скважин, работа которых во многом определяется состоянием призабойной зоны пласта. Наличие наибольшей информации по текущему состоянию призабойной зоны пласта позволяет эффективно воздействовать на восстановление и повышение продуктивности нефтедобывающих скважин. При истощении запасов в старом месторождении использование традиционных методов добычи зачастую становится неэффективным.

На нефтяных и нефтегазовых месторождениях Азербайджана для предотвращения осложнений используется комплекс технологий, увеличивающих нефтеотдачу пластов, который реализуется с помощью гидродинамических, газовых, физико-химических и биологических методов воздействия на продуктивные горизонты.

Для современного этапа развития нефтегазодобывающей промышленности республики в условиях истощенности крупных месторождений характерна добыча нефти за счет интенсификации и регулирования отборов, открытия и ускоренного ввода в эксплуатацию средних и мелких месторождений, уменьшения нефтеотдачи пластов, а также внедрения в практику передовых методик и достижений науки.

Эксплуатационные работы ведутся, как правило, не в отдельных скважинах, а по участкам месторождений и целыми пластами. И проблема повышения нефтеотдачи скважин сводится к повышению нефтеотдачи пласта. Поэтому на выделенных участках пласта подробно изучаются структура и распределение остаточных запасов нефти, динамика основных показателей разработки, типы осложнений, уточняются геолого-физико-химические состояния. На основе обобщения полученной информации на практике реализуются принятые геолого-технические мероприятия для конкретного участка.

Решение рассматриваемой задачи сводится к решению следующих подзадач в среде неопределенности:

- выбор информативных признаков, описывающих состояния нефтяных скважин;

- диагностика состояний нефтяных скважин;

- прогнозирование состояний нефтяных скважин по осложнениям (засоленные, незасоленные);

- выбор метода или методов повышения нефтеотдачи пласта на основе двух критериев, а именно по времени и стоимости [1, 2].

Можно совместно использовать методы отбора наиболее информативных показателей и многомерную классификацию, причем этот процесс может быть итеративным: на первом этапе отбираются информативные показатели, на их основе проводится многомерная классификация, затем повторно отбираются информативные показатели, и все объекты вновь классифицируются. Предполагается, что каждая скважина описывается шестнадцатью эксплуатационными признаками, которые даны в шапке таблицы 1.

В каждом временном сечении интервала предыстории [t0, tp] решается задача оптимальной классификации Kl. В работе используется идея итеративного алгоритма классификации, основанная на вычислении оценок.

Исследуются состояния объектов xi(tk), iÎIm, kÎIT, в каждом временном сечении t0, t1, …, tT, каждому объекту будут соответствовать точки, геометрическое место которых образует траекторию изменения состояния объекта. Требуется построить продолжения этих траекторий на интервале [tp+1, tT]. В работе использовано двухпараметрическое семейство алгоритмов прогнозирования An(p1, a). В этом методе важную роль играет параметр сглаживания a. Наблюдению, осу- ществленному в момент  придаются веса p1(1-a)p2, последовательность которых убывает экспоненциально. В моменты  интервала проводится обучение алгоритма прогнозированию, то есть определяется оптимальное значение параметра a из максимума функционала j(An)=, где m¢ – число правильно распознанных объектов. Для прогнозирования состояний объектов применена рекурсивная формула экспоненциального сглаживания в нечеткой среде St=a×Xt+(1-a)×St-1, так как a=0,3.

Для решения задачи разработан программный комплекс на DELPHI 7, схема работы которого изображена на рисунке.

Блок 1 предусматривает проведение диагностики состояний нефтяных скважин по осложнениям (засоленность) на базе алгоритмов автоматической классификации – кластерного анализа (модель вычисления оценок в нечеткой среде), где K1 – класс засоленных скважин; K2 – класс незасоленных скважин; K3 – класс неопознанных алгоритмом скважин [3, 4]. Блок 2 прогнозирует состояние нефтяных скважин по осложнениям, то есть выбор обьекта и времени воздействия на пласт (нечеткие модели прогнозирования) [5, 6]. В блоке 3 осуществляется выбор альтернатив, воздействующих на скважины для повышения нефтеотдачи пласта [1, 7].

В таблице 2 даны результаты вычислительных экспериментов для классификации выбранных скважин месторождения Палчыг Тепе (Азербайджан).

Таблица 2

Результаты вычислительных экспериментов для месторождения Палчыг Тепе

Из таблицы видно, что при разных значениях порогового вектора (e, dk, ds) для столбца «количество классов» получаются разные значения. Эксперименты показали, что при некоторых значениях получается тривиальная нецелесообразная классификация, то есть либо все объекты входят в один класс, либо каждый объект образует отдельный класс.

В работе предложен программный комплекс повышения нефтеотдачи пласта. Комплекс апробирован как в нескольких модельных задачах, где достигнут стопроцентный результат, так и с использованием реальных данных, относящихся к месторождениям Азербайджана Банк Дарвина, Гум адасы и Палчыг Тепе. На этих месторождениях достигнута реализация свыше 90 %.

Литература

1.   Кулиев Р.А. Об одном подходе к проектированию интеллектуальной системы оптимального выбора объема и технологии повышения нефтеотдачи // Междунар. конф. по мягким вычислениям и измерениям (27–29 июня 2005 г., Санкт-Петербург). СПб: 2005. С. 132–135.

2.   Kuliev R.A. Diagnostic neural network system of states of the oil well functioning / First International Conference on Soft Computing Technologies in Economy, ICSCTE-2007. Baku, Azerbaijan. November 19–20, 2007, pp. 17–20.

3.   Журавлев Ю.И., Никифоров В.В. Алгоритмы распознавания, основанные на вычислении оценок // Кибернетика. 1971. № 3. С. 1–11.

4.   Зенкин А.А., Зенкин А.И. Задача построения оптимальных классификаций: сб. работ по мат. киберн. ВЦ АН СССР. М., 1981. С. 20–33.

5.   Керимов А.К., Ширинов К.Ф., Кулиев Р.А. Об одной прогнозной модели для временных рядов // Изв. НАН Азербайджана: сер. физ.-тех. и мат. наук. 2004. № 3. С. 120–122.

6.   Кулиев Р.А. Нечеткое прогнозирование состояния нефтяных скважин по отношению к солеобразованию // Междунар. конф. по мягким вычислениям и измерениям (25–27 июня 2007 г., Санкт-Петербург). СПб: 2007. С. 148–150.

7.   Кулиев Р.А. Нечетко-гарантированный подход к проблеме выбора методом повышения нефтеотдачи пластов // Там же (17–19 июня 2004 г., Санкт-Петербург). СПб: 2004. С. 89–90.