Методика оперативной оценки перспективности скважин для методов интенсификации притока нефти с применением нейронных сетей и деревьев решений тема диссертации и автореферата по ВАК РФ 25.00.17, кандидат наук Андронов Юрий Владимирович

  • Андронов Юрий Владимирович
  • кандидат науккандидат наук
  • 2019, ФГАОУ ВО «Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина».
  • Специальность ВАК РФ25.00.17
  • Количество страниц 164
Андронов Юрий Владимирович. Методика оперативной оценки перспективности скважин для методов интенсификации притока нефти с применением нейронных сетей и деревьев решений: дис. кандидат наук: 25.00.17 - Разработка и эксплуатация нефтяных и газовых месторождений. ФГАОУ ВО «Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина».. 2019. 164 с.

Оглавление диссертации кандидат наук Андронов Юрий Владимирович

ВВЕДЕНИЕ

1. СУЩЕСТВУЮЩИЕ МЕТОДЫ И ОПЫТ ПРОГНОЗИРОВАНИЯ ЭФФЕКТИВНОСТИ ГЕОЛОГО-ТЕХНИЧЕСКИХ МЕРОПРИЯТИЙ

1.1. Важность планирования ГТМ на нефтяных месторождениях и классификация существующих методов прогнозирования

1.2. Обзор методов прогнозирования эффективности ГТМ

1.2.1. Геолого-гидродинамическая модель пласта (ГГДМ)

1.2.2. Аналитические методики и расчеты с применением комплексного геолого-промыслового анализа (ГПА)

1.2.3. Классические методы статистического прогнозирования

1.2.4. Методы «Data Mining»

1.3 Теоретические основы искусственных нейронных сетей

1.3.1. История появления метода, принцип устройства и условия применения

1.3.2. Классификация существующих нейронных сетей

1.3.3. Ансамблевая организация

1.3.4. Недостатки метода

1.3.5. Информационные системы, реализующие алгоритмы

нейронных сетей

Выводы по разделу

2. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ ПОТЕНЦИАЛА ГРП И ОПЗ НА ДОБЫВАЮЩИХ НЕФТЯНЫХ СКВАЖИНАХ

2.1. Выбор исследуемых видов МИП и эксплуатационных объектов

2.2. Разработка моделей и их обучение

2.2.1. Выбор входных и выходных параметров для обучения

2.2.2. Экспериментальное обучение нейронных сетей с определением рекомендуемой архитектуры и параметров обучения

2.2.3. Создание ансамблей из лучших моделей

2.2.4. Сравнение точности прогнозов нейросетевых моделей относительно других методов и анализ полученных результатов

2.2.5. Разработка алгоритма и рекомендаций создания моделей

нейронных сетей

Выводы по разделу

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

3.1.1. Естественная трещиноватость пласта

3.1.2. Мощность глинистых экранов между пластами

3.1.3. Состояние цементного камня в зоне обработки пласта

3.1.4. Интерференция добывающих и нагнетательных скважин

3.1.5. Уровень компенсации отборов

3.2. Разработка подхода к оценке продолжительности технологического эффекта от мероприятий и величины дополнительной добычи

3.3. Формирование алгоритма методики оперативной оценки перспективности скважин для методов интенсификации притока нефти

3.4. Апробация и оценка эффективности применения разработанной методики на месторождениях территориально-производственного предприятия «Лангепаснефтегаз»

3.5. Рекомендации по корректировке критериев оценки перспективности

скважин в разработанной методике

Выводы по разделу

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ

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

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.

Рекомендованный список диссертаций по специальности «Разработка и эксплуатация нефтяных и газовых месторождений», 25.00.17 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методика оперативной оценки перспективности скважин для методов интенсификации притока нефти с применением нейронных сетей и деревьев решений»

Цель работы

Повышение эффективности планирования методов интенсификации притока нефти (на примере ГРП и кислотных ОПЗ) разработкой методики оперативной оценки перспективности скважин для их проведения.

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).

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

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.

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

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 геологической среды Компонента геологической модели Основные прямые методы Основные косвенные методы

Структура Структурно-тектоническая Бурение Сейсморазведка 2D и 3D

Состав Литолого-стратиграфическая Керн ГИС

Свойства Флюидо-петрофизическая Пластовые флюиды ГДИ и специальные исследования

Состояние Геофлюидо-динамическая Добыча ГИС-контроль, 4Б-сейсморазведка

Таблица 1.2 - Основные факторы неопределенности структурной характеристики модели и мероприятия по их преодолению_

№ Основной фактор неопределенности Пути преодоления Первоочередные мероприятия

1 Недостаточно высокая точность измерения сейсмических скоростей и времен Изучение верхней части разреза (ВЧР), оптимизация условий Независимый супервайзерский контроль на всех этапах полевых и камеральных работ

2 Несовпадение продуктивных горизонтов с реперными сейсмическими горизонтами Применение методики высокоразрешающей сейсморазведки (ВРС), многоволнового акустического (МАК) и плотностного каротажа (ГГКП), ВСП Приемка и экспертиза результатов обработки и стратиграфических отбивок продуктивных и реперных горизонтов по расширенному комплексу скважинной геофизики

3 Неточная навигационная привязка сейсмических профилей и скважин Использование современной навигационной аппаратуры (GPS) Привязка устьев глубоких скважин в ходе полевых сейсморазведочных работ

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

Таблица 1.2 (продолжение) - Основные факторы неопределенности

структурной характеристики модели и мероприятия по их преодолению

№ Основной фактор неопределенности Пути преодоления Первоочередные мероприятия

5 Неоднозначность решения задачи оценки структурно-скоростных параметров среды по данным сейсморазведки Применение альтернативных методик структурных построений и оценки их точности Приемка и экспертиза структурно-скоростных построений по единым отраслевым требованиям

6 Наличие мелкоблоковой и разно ориентированной малоамплитудной тектоники Применение методики пространственной сейсморазведки (3Б), изучение волн разного кинематико-динамического типа Приемка и экспертиза результатов динамической интерпретации - сейсмические атрибуты: когерентность, углы наклона, азимуты и др.

7 Неучет предшествующей 2Б-сейсмической и скважинной информации на участках, непосредственно прилегающих к площади детализационных работ Проведение переобработки и формирование интегрированных проектов 2Б/3Б работ Обязательное сопоставление новых детальных построений с результатами предшествующих региональных работ

Таблица 1.3 - Основные факторы неопределенности составной характеристики

модели и мероприятия по их преодолению.

№ Основной фактор неопределенности Пути преодоления Первоочередные мероприятия

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

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

3 Недостаточная изученность керном нефтеперспективных интервалов разреза Формирование системы удаленного мониторинга бурения Применение новых экономичных технологий непрерывного отбора керна

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

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

Таблица 1.4 - Основные факторы неопределенности характеристики свойств

модели и мероприятия по их преодолению.

№ Основной фактор неопределенности Пути преодоления Первоочередные мероприятия

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

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

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

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

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

Таблица 1.5 - Основные факторы неопределенности характеристики состояния

модели и мероприятия по их преодолению.

№ Основной фактор неопределенности Пути преодоления Первоочередные мероприятия

1 Отличие абсолютных отметок водонефтяного контакта (а.о. ВНК) нефтяных залежей от горизонтального уровня Выявление и учет искажающего фактора: структурного; литологического; геодинамического; гидродинамического. Приемка и экспертиза результатов обоснования а.о. ВНК по всем скважинам, расположенным в водонефтяных зонах

2 Анизотропия и неоднородность напряженного состояния горных пород (негидростатичность горного давления) Экспериментальные измерения и математическое моделирование сложнонапряженного состояния по данным сейсморазведки МАК и ГГКП Проведение тематических исследований по изучению напряженного состояния по данным трехмерной многоволновой сейсморазведки

3 Неоднородность и нестационарность пластового давления, приводящая к сложной геометрии флюидных потоков Формирование системы регулярных гидродинамических исследований скважин (ГДИС) Регулярное проведение работ по замерам текущего пластового давления, закачке меченых жидкостей и площадным гидропрослушиваниям

4 Неоднородность полей текущей нефтенасыщенности Оптимизация постоянно действующей системы ГИС-контроль Внедрение новых методов ГИС-контроля (СОТИ, СО, МАК)

5 Неравномерный охват объекта разработки системой воздействия на пласт Формирование системы геофизического мониторинга разработки с использованием повторных сейсмических съемок Проведение работ по методике 4Б-сейсморазведки (повторные сейсмические 3Б, 2Б и ВСП наблюдения)

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

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

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

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.

Похожие диссертационные работы по специальности «Разработка и эксплуатация нефтяных и газовых месторождений», 25.00.17 шифр ВАК

Список литературы диссертационного исследования кандидат наук Андронов Юрий Владимирович, 2019 год

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.

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. 3941

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 с.

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.

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. 5455.

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.

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.

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.

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.

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

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.

Методическое руководство, Министерство Энергетики России, ОСТ 153-39.0050-2003, 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. - С. 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. - С. 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.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.