Разработка метода количественной оценки рисков и неопределенности в прогнозе добычи и расчете потенциальных извлекаемых запасов нефти с использованием методов машинного обучения тема диссертации и автореферата по ВАК РФ 25.00.17, кандидат наук Назаренко Максим Юрьевич

• Назаренко Максим Юрьевич
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Назаренко Максим Юрьевич

ВЕДЕНИЕ

1 МАШИННОЕ ОБУЧЕНИЕ И ВОЗМОЖНОСТЬ ЕГО ПРИМЕНЕНИЯ В НЕФТЕГАЗОВОЙ ОТРАСЛИ

1.1 Зарождение машинного обучения

1.2 Становление машинного обучения

1.3 Текущее состояние и сферы использования машинного обучения

1.4 Классификация машинного обучения

1.5 Теорема Байеса

1.6 Моделирование Монте-Карло

1.7 Цепи Маркова

1.8 Применение машинного обучения в нефтегазовой отрасли для прогноза добычи и расчета потенциальных извлекаемых запасов нефти и газа

2 НЕДОСТИЖЕНИЕ ПЛАНОВЫХ ЭКОНОМИЧЕСКИХ ПОКАЗАТЕЛЕЙ ПРОЕКТОВ НЕФТЕГАЗОДОБЫВАЮЩЕЙ ОТРАСЛИ ИЗ-ЗА ОТСУТСТВИЯ КОЛИЧЕСТВЕННОЙ ОЦЕНКИ РИСКОВ И НЕОПРЕДЕЛЕННОСТИ

2.1 Анализ проведенных исследований

2.2 Основные факторы отклонения расчетных величин от фактических

2.3 Определение основных понятий для работы с количественной оценкой рисков и неопределенности

2.4 Моделирование примеров недостижения экономической эффективности нефтегазодобывающих проектов без количественной оценки рисков и неопределенности

3 ДЕТЕРМИНИРОВАННЫЙ ПРОГНОЗ ДОБЫЧИ И РАСЧЕТА ПОТЕНЦИАЛЬНЫХ ИЗВЛЕКАЕМЫХ ЗАПАСОВ НЕФТИ С ПОМОЩЬЮ МОДЕЛЕЙ ХАРАКТЕРИСТИК ВЫТЕСНЕНИЯ

3.1 Модели характеристик вытеснения

3.2 Алгоритм прогноза добычи нефти с помощью моделей характеристик вытеснения на примере одной обводненной добывающей скважины

4 РАЗРАБОТАННЫЙ МЕТОД КОЛИЧЕСТВЕННОЙ ОЦЕНКИ РИСКОВ И НЕОПРЕДЕЛЕННОСТИ В ПРОГНОЗЕ ДОБЫЧИ И РАСЧЕТЕ ПОТЕНЦИАЛЬНЫХ ИЗВЛЕКАЕМЫХ ЗАПАСОВ НЕФТИ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ И МОДЕЛЕЙ ХАРАКТЕРИСТИК ВЫТЕСНЕНИЯ

4.1 Применение теоремы Байеса в разработанном методе

4.2 Применение стохастического моделирования Монте-Карло и цепей Маркова в разработанном методе

4.3 Описание и обоснование разработанного метода

5 ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ РАЗРАБОТАННОГО МЕТОДА

5.1 Детерминированный и вероятностный ретроспективные прогнозы добычи нефти на примере одной обводненной добывающей скважины

5.1.1 Детерминированный ретроспективный прогноз добычи нефти с помощью моделей характеристик вытеснения

5.1.2 Вероятностный ретроспективный прогноз добычи с помощью разработанной методологии и моделей характеристик вытеснения

5.1.3 Сравнение результатов

5.2 Результаты ретроспективного прогноза добычи нефти на примере 130 добывающих скважин двух обводненных нефтяных месторождений

5.3 Интеграция разработанного метода в программное обеспечение

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

96

Введение диссертации (часть автореферата) на тему «Разработка метода количественной оценки рисков и неопределенности в прогнозе добычи и расчете потенциальных извлекаемых запасов нефти с использованием методов машинного обучения»

ВЕДЕНИЕ

Актуальность темы исследования

Нефтяная промышленность является весьма прибыльной сферой деятельности, однако различные авторы отмечают, что экономическая эффективность проектов в данной отрасли, как правило, не достигает первоначально запланированных экономических показателей. Основная причина такого явления - полное отсутствие или некачественное проведение количественной оценки рисков и неопределенности.

Важность количественной оценки рисков и неопределенности в нефтегазовой отрасли невозможно переоценить. Неопределенность всегда присутствует в прогнозах добычи, расчетах потенциальных извлекаемых запасов, геологических запасов, планах разработки, капитальных затратах, ценах на нефть и т. д. Она может быть достаточно большой как на ранних, так и на поздних стадиях эксплуатации нефтяных и газовых месторождений, и ее недостоверная оценка приводит к завышению плановой рентабельности проектов, некорректным изменениям в плане разработки, убыточным техническим решениям и, как следствие, недостижению запланированной экономической эффективности.

Одним из процессов, содержащих высокую неопределенность и играющих важную роль на всех этапах разработки нефтяных и газовых месторождений, является прогноз добычи. Модели характеристик вытеснения являются одними из наиболее часто используемых промыслово-статистических методов прогнозирования добычи нефти и расчета потенциальных извлекаемых запасов в России и за рубежом. Однако эти модели являются несовершенными детерминированными инструментами, что обусловливает необходимость их применения вместе с методами машинного обучения для количественной оценки рисков и неопределенности в прогнозе добычи и расчете потенциальных извлекаемых запасов нефти на обводненных нефтегазовых месторождениях.

Цель диссертационной работы

Разработка метода количественной оценки рисков и неопределенности в

прогнозе добычи и расчете потенциальных извлекаемых запасов нефти на обводненных месторождениях с применением машинного обучения и моделей характеристик вытеснения.

Основные задачи исследования

1. Анализ и оценка влияния количественного расчета неопределенности и рисков на эффективность нефтегазодобывающих проектов.

2. Разработка метода количественной оценки рисков и неопределенности в прогнозе добычи и расчете потенциальных извлекаемых запасов нефти на обводненных месторождениях с использованием теоремы Байеса, стохастического моделирования Монте-Карло, цепей Маркова и моделей характеристик вытеснения.

3. Калибровка и оценка надежности разработанного метода на фактических данных эксплуатации 130 добывающих скважин двух обводненных нефтяных месторождений.

4. Создание программного обеспечения для интеграции разработанного алгоритма.

Научная новизна

1. Разработан метод вероятностной интерпретации моделей характеристик вытеснения с использованием методов машинного обучения на основе моделирования Монте-Карло и цепей Маркова в сочетании с байесовским подходом.

2. Обосновано использование разработанного метода для проведения количественной оценки неопределенности и рисков в прогнозе добычи нефти и расчете потенциальных извлекаемых запасов нефти.

3. Показано, что разработанный метод позволяет получить вероятностное распределение и достоверный доверительный интервал P10-P90 прогнозной добычи и потенциальных извлекаемых запасов нефти.

Теоретическая и практическая значимость работы

1. Использование вероятностной интерпретации моделей характеристик вытеснения позволяет повысить качество принимаемых решений по изменению

плана разработки месторождений, оценке рентабельности проектов, инвестиционных решений и подбору геолого-технических мероприятий.

2. Разработанный алгоритм количественной оценки рисков и неопределенности в прогнозе добычи и оценки потенциальных извлекаемых запасов нефти позволяет получить достоверный доверительный интервал профиля добычи и увеличить точность наиболее вероятного сценария расчета.

3. Материалы диссертационной работы могут быть использованы для дальнейших исследований по прикладному применению методов машинного обучения в различных задачах прогнозирования добычи нефти и газа.

Объект и предмет исследования НИЗ

Объектами исследования выступают прогнозирование добычи и расчет потенциальных извлекаемых запасов добывающих скважин обводненных нефтяных месторождений. Предметами исследования являются оценка рисков и неопределенности в прогнозных показателях добычи.

Методология и методы исследований

Решение поставленных задач базируется на основе теоретических, экспериментальных исследований и промысловых данных с применением моделей характеристик вытеснения и методов машинного обучения, таких как теорема Байеса, стохастическое моделирование Монте-Карло и цепи Маркова. Достоверность полученных результатов подтверждена сопоставлением прогнозных данных с фактическими показателями разработки.

Основные защищаемые положения

1. На примере моделирования процесса оценки рентабельности нефтегазодобывающих проектов показано, что отсутствие количественной оценки рисков и неопределенности приводит к недостижению запланированной эффективности и снижению качества принятия решений.

2. Разработан алгоритм количественной оценки рисков и неопределенности в прогнозе добычи и расчете потенциальных извлекаемых запасов нефти на обводненных месторождениях с помощью методов машинного обучения и моделей характеристик вытеснения.

3. При проведении ретроспективного прогноза добычи нефти 130 добывающих скважин показано, что разработанный алгоритм позволяет получить достоверное вероятностное распределение и доверительный интервал P10-P90 прогнозного профиля добычи нефти.

Обоснованность и достоверность научных выводов и заключений

Достоверность и надежность полученных результатов обоснована практическим применением разработанной методологии на примере истории добычи 130 добывающих скважин двух нефтяных месторождений.

Публикации и апробация результатов работы

Основные результаты диссертационной работы были обсуждены на международной научно-практической конференции:

1. VI Молодежный форум Мирового нефтяного совета «6th Youth Forum of the World Petroleum Council - Future Leaders Forum» (г. Санкт-Петербург, Российская Федерация, 23-28 июня 2019 г.).

По теме диссертации автором опубликованы 5 научных работ, в том числе 2 статьи в ведущих научных рецензируемых изданиях, рекомендованных ВАК Минобрнауки РФ, 1 статья в издании, входящем в международную базу Scopus, и 1 монография.

Личный вклад автора

Личный вклад автора состоит в выборе направления исследований, в формулировке целей и задач; в обработке и обобщении литературных данных, получении и формулировке научных выводов и рекомендаций; сборе информации, проведении научных расчетов и аналитических исследований; анализе материалов и результатов расчетов; интеграции результатов исследования в программное обеспечение. Непосредственное участие в подготовке основных публикаций по проведенной работе, обсуждение и интерпретация полученных результатов проводились с научным руководителем.

Структура и объем работы

Диссертационная работа состоит из введения, пяти глав и заключения, изложенных на 103 страницах, включает 36 рисунков, 15 таблиц и список

использованной литературы из 82 наименований.

Благодарности

Автор выражает искреннюю благодарность своему научному руководителю д.т.н., профессору Золотухину А.Б. за неоценимую помощь, ценные советы и наставления, полученные в период подготовки и выполнения диссертационной работы. Автор также благодарен декану факультета РНиГМ Пятибратову П.В., доценту Хабибуллину Р.А., профессорам Назаровой Л.Н, Еремину Н.А., Михайлову Н.Н., работникам кафедры разработки и эксплуатации нефтяных месторождений Клемперт Л.М., Богатыревой Е.В. и всем сотрудникам факультета разработки нефтяных и газовых месторождений РГУ нефти и газа (НИУ) имени И.М. Губкина, а также своим коллегам Никифорову И.С. и Мустафаеву М.И. за советы, поддержку и помощь на всех этапах выполнения работы. Кроме того, автор хотел бы выразить глубокую благодарность своим родителям и близким за их поддержку, оказанную во время написания диссертации.

1 МАШИННОЕ ОБУЧЕНИЕ И ВОЗМОЖНОСТЬ ЕГО ПРИМЕНЕНИЯ В

НЕФТЕГАЗОВОЙ ОТРАСЛИ

В данной главе речь пойдет об определении, зарождении и становлении методов машинного обучения как отдельного направления в области искусственного интеллекта; об ученых, которые внесли наибольший вклад в его развитие; о сферах, где широко применяются методы машинного обучения; также будет представлена их подробная классификация, составленная автором, которая позволит системно посмотреть на широту и разнообразие данного направления и оценить его влияние на сегодняшний мир.

Будут рассмотрены такие методы машинного обучения, как теорема Байеса (байесовские методы), стохастическое моделирование Монте-Карло и цепи Маркова, показана возможность их применения в целях увеличения эффективности проектов нефтегазодобывающей отрасли, а именно для количественной оценки рисков и неопределенности в прогнозах добычи и расчетах потенциальных извлекаемых запасов нефти на обводненных месторождениях.

В завершение будет осуществлен анализ литературы по методам машинного обучения, применявшимся ранее для количественной оценки рисков и неопределенности при решении задачи прогнозирования добычи нефти и газа.

1.1 Зарождение машинного обучения

Машинное обучение - это подраздел искусственного интеллекта, который занимается изучением самообучающихся алгоритмов. Одна из первых работ о машинном обучении принадлежит британскому математику А. Тьюрингу. Работа под названием «Вычислительные машины и интеллект» была написана в 1950 г. и затем опубликована в журнале «Mind» [1, 2]. Метод, который предложил А. Тьюринг, носит название «Имитационная игра». Согласно данному методу общение между двумя пользователями осуществляется посредством текстового терминала. Одному из них необходимо определить, ведется диалог с машиной или

с реальным человеком, только на основе данных в виде вопросов и ответов, получаемых через терминал. Если же пользователь не может установить этого, то признается, что ответы машины неотличимы от ответов реального человека. Таким образом решались главные задачи в понимании работы реального интеллекта:

- оценка реакции заведомо разумного существа и анализ истинности его природы;

- минимизация субъективной оценки пользователя при анализе тестовой и реальной выборки в процессе оценки проведенных экспериментов;

- фокусировка на реальных вопросах, не принимающая во внимание философскую составляющую, присутствие которой заведет рассуждение в тупик;

- возможность адаптации искусственного интеллекта к решению реальных задач и проявление «гибкости» при различных подходах;

- реализация алгоритма на базе цифрового компьютера.

Данная модель хорошо себя показала при развитии теории искусственного интеллекта и машинного обучения, но все же не была лишена недостатков: «аргумент естественности поведения» говорил о том, что невозможно предсказать действия индивида в каждом конкретном случае и все зависит от обстоятельств, присутствия гибкости в ответах и наличия воображения, что требует определенного творческого процесса и формирования интуитивных подходов в анализе вопросов и ответов.

Далее последовал этап многочисленных работ и гипотез по тематике развития искусственного интеллекта и машинного обучения на предмет его правдоподобности и оценки качества получаемых результатов [3]. Ставился вопрос о доведении его до уровня живых организмов в области взаимодействия на социальном уровне. В результате были развиты теории агентских и эмерджентных взглядов, где упоминалось, что агенты (испытуемые системы) должны обладать рядом свойств, присущих живым организмам, и иметь возможность решать определенный ряд задач вместо человека.

1.2 Становление машинного обучения

Назовем наиболее значимых ученых и исследовательские группы, которые внесли заметный вклад в развитие методов машинного обучения, при рассмотрении в исторической перспективе:

1952-1955 гг. - А. Самуэль создал первую шашечную программу для IBM 701 со способностью к самообучению;

1958 г. - Ф. Розенблатт создал первую искусственную нейронную сеть;

1959 г. - М. Минский создал первую обучающуюся машину SNARC со случайно связанной нейросетью;

1963 г. - Л. Робертс сформулировал тезисы компьютерного зрения;

1966 г. - Д. Вейценбаум написал компьютерную программу, которая пародирует диалог с психотерапевтом, реализуя технику активного слушания;

1967 г. - написан метрический алгоритм классификации (метод k-ближайших соседей);

1980 г. - К. Фукусима разработал неогокнитрон (многослойную сверхточную нейронную сеть);

1981 г. - Д. Дежонг представил концепцию, основанную на обучении;

1985 г. - Т. Сейновски создал искусственную нейронную сеть (NetTalk);

1986 г. - Д. Румельхарт и Р. Вильямс сформулировали алгоритм обратного распространения ошибки;

1997 г. - компьютер Deep Blue обыграл чемпиона мира по шахматам Гарри Каспарова;

2006 г. - Дж. Хинтон ввел термин «глубинное обучение» (Deep learning);

2011 г. - Э. Нг и Д. Дин основали Google Brain;

2011 г. - суперкомпьютер IBM Watson, оснащенный системой искусственного интеллекта, одержал победу в телевикторине Jeopardy;

2012 г. - Google разработал алгоритм, позволяющий идентифицировать видеоролики, содержащие котов, которые были выбраны в качестве примера распознавания образов по статическим и/или динамическим изображениям, кроме

того, компания запустила облачный сервис Google Prediction API для машинного обучения, помогающий анализировать неструктурированные данные;

2014 г. - Facebook изобрел программный алгоритм DeepFace для распознавания лиц с точностью 97 %;

2015 г. - Amazon запустил собственную платформу машинного обучения;

2015 г. - Microsoft создает платформу Distributed Learning Machine Toolkit,

которая предназначена для децентрализованного машинного обучения.

1.3 Текущее состояние и сферы использования машинного обучения

Рассматривая различные области активного применения методов машинного обучения, на сегодняшний день можно выделить следующие.

- Медицина и фармакология: в связи с растущим количеством баз данных пациентов выделился целый ряд задач, таких как распознавание рентгеновских и магнитно-резонансных снимков с целью поиска злокачественных и доброкачественных новообразований; автоматическая постановка диагноза заболеваний сердечно-сосудистой и дыхательной систем; автоматическое синтезирование лекарственных и химических средств; анализ электрокардиограмм (ЭКГ) на предмет выявления аритмии и брадикардии желудочковых предсердий; персональная медицина; оценка инфраструктуры лечебных учреждений; прогнозирование претензий по медицинскому страхованию.

- Техническая диагностика: поиск дефектов в подвижных механизмах и машинах, мостостроении при изучении вибрационных и нагрузочных характеристик; анализ прочности сварных швов по данным акустического анализа и других бесконтактных методов исследования; оценка деформации кузова по данным краш-тестов; прогнозирование глубины залегания грунтовых вод в сельскохозяйственных районах; сегментация сельскохозяйственных полей с использованием спутниковых снимков; анализ орошения и прогноз вероятности появления вредителей; автоматическая сортировка мусора.

- Банковское дело, кредитные организации и биржевой анализ: кредитный скоринг; биржевой технический анализ; обнаружение мошенничества и валютных махинаций; анализ инсайдерской информации; предсказание ухода клиентов; анализ эффективности вложений; выявление аномалий в бухгалтерском учете и перед подачей документов в налоговую инспекцию; использование помеченных данных для имени учетной записи каждой транзакции; анализ для выявления должников; обнаружение мошенничества с кредитными картами.

- Охрана правопорядка и безопасность: распознавание лиц в местах общественного скопления; анализ отпечатков пальцев; составление фотороботов по нечетким снимкам и видеозаписям; анализ почерка; противодействие распространению запрещенного контента и информации, направленной на притеснение религиозных, национальных, территориальных и иных социальных групп населения и объединений; оценка риска возникновения пожаров.

- Математические и физические системы моделирования: построение систем автоматического доказательства теорем; аппроксимация математических моделей с потерей точности в заданном диапазоне; теория игр и оценка стратегий принятия решений в условиях четкой и нечеткой логики; моделирование работы человеческого интеллекта; робототехника и оптимизация состава готовой продукции от производства металлургических, химических, горнодобывающих предприятий.

- Масс-медиа: распознавание текста; обнаружение спама; категоризация; каталогизация документов; распознавание речи, жестов и подмены лиц; удаление нежелательных объектов из кадра; сортировка документации; понимание естественных языков и семантическое моделирование; новостная лента; извлечение полезных данных из документов PDF (Portable Document Format).

- Маркетинг: таргетированная реклама; CRM системы (Customer Relationship Management); голосовой поиск; электронная коммерция; личный рекомендательный помощник.

- Повышение эффективности PR (Public Relations): прогнозирование того, какой лид и в какое время наиболее склонен к покупке.

- Недвижимость и ресторанный бизнес: рекомендация новых ресторанов на основе предпочитаемого меню; прогнозирование стоимости продуктов питания; анализ уровня лояльности к ресторану и популярности на основе оценок по Yelp; предсказание того, что ресторану дадут звезду Мишлен; совершенствование рецептов еды на основе отзывов пользователей; прогноз отмены заказов для отелей; предсказание цен на номера в отелях; оценка рынка недвижимости и роста цен.

Данное направление вобрало в себя знания, полученные при изучении как классических дисциплин, таких как теория алгоритмов и дискретная математика [4], теория вероятности [5, 6] и математическая статистика [7-9], теория и реализация языков программирования, математическое моделирование вычислительных сетей, методы оптимизации и вопросы прогнозирования и анализа данных [10-14], так и прикладных - информационный поиск и методы распознавания образов [15-18]. Кроме того, в отдельное узкое направление вышла теория вычислительного обучения и вычислительной эффективности.

Машинное обучение не только сопряжено с модельными и теоретическими исследованиями, но и тесно связано с инженерными науками. Для качественного построения алгоритма нужна высокоточная корреляция теоретических и экспериментальных данных. В определенной степени это достаточно гибкая и творческая среда, требующая применения дополнительных эвристик, которые составляют и нивелируют сведения, полученные из теории и модельного эксперимента применительно к реальным данным [19-23]. Тем не менее основные этапы машинного обучения, представленные на рисунке 1.1, остаются неизменными.

Сбор, анализ,

Постановка обработка Обучение Тестирование Внедрение

задачи исходных алгоритма алгоритма алгоритма

данных

Рисунок 1.1 - Основные этапы решения задач с помощью методов машинного

обучения

1.4 Классификация машинного обучения

Методы машинного обучения можно сгруппировать следующим образом:

1. Обучение с учителем (Supervised Learning - SL) - наиболее распространенный и изученный класс машинного обучения, в котором алгоритм учится на основе исходных данных (на примерах), обычно предоставляемых человеком. В зависимости от того, что требуется предсказать, обучение с учителем может использоваться для решения двух типов задач:

- регрессия - прогноз непрерывных значений, например стоимости недвижимости или погоды;

- классификация - прогноз дискретных значений или категоризация по заданному критерию, например, разделение группы людей по половому признаку, где число допустимых ответов ограничено.

2. Обучение без учителя (Unsupervised Learning - UL) - класс машинного обучения, в котором алгоритм, не имея исходной информации, находит закономерности и проводит группировку имеющихся данных [24-28]. Данный вид обучения решает три типа задач:

- кластеризация - поиск сходств и создание кластеров или групп на их основе. Примером может служить группировка клиентов на основе истории их покупок;

- снижение размерности - уменьшение количества признаков в данных при сохранении максимальной информативности.

- поиск ассоциативных правил - исследование на предмет правил и зависимостей между группами (пример - нахождение взаимосвязи между разными видами товаров, которые покупают клиенты).

3. Обучение с частичным привлечением учителя (Semi-Supervised Learning -SSL) - смежная область между двумя предыдущими классами, например, когда определена только часть исходной информации [29].

4. Обучение с подкреплением (Reinforcement Learning - RL) [30] - данный класс машинного обучения основывается на обратной связи, получаемой от среды обучения. Алгоритм перебирает различные сценарии для нахождения максимально возможного положительного результата. Данный класс решает задачу автономной оптимизации, например самообучение игры в шахматы.

Ниже отражена таксономия классов, задач и алгоритмов машинного обучения в качестве иерархичной структуры:

1. Обучение с учителем.

1.1. Регрессия:

а) случайный лес (Random Forest - RF);

б) дерево решений (Decision Tree - DT);

в) линейная регрессия (Linear Regression - LR);

г) логистическая регрессия (Logistic Regression);

д) авторегрессионное интегрированное скользящее среднее (Auto Regressive Integrated Moving Average - ARIMA);

е) метод регрессии опорных векторов (Support Vector Regression - SVR);

ж) квадратный классификатор (Quadratic Classifier - QC);

з) диагональный дискриминантный линейный анализ (Diagonal Linear Discriminant Analysis - DLDA);

и) нейронные сети (Neural Networks - NN); к) байесовские методы (Bayesian Approaches). 1.2. Классификация:

а) дерево решений (Decision Tree - DT);

б) случайный лес (Random Forest - RF);

в) K-ближайших соседей (K-Nearest-Neighbor - k-NN);

г) нейронные сети (Neural Networks - NN);

д) метод опорных векторов (Support Vector Machine - SVM);

е) байесовские методы (Bayesian Approaches).

2. Обучение без учителя.

2.1. Кластеризация:

а) метод k-средних (K-Means);

б) иерархическая кластеризация (Hierarchical Clustering - HC);

в) нейронные сети (Neural Networks - NN);

г) байесовские методы (Bayesian Approaches).

2.2. Снижение размерности:

а) априори (Apriori);

б) метод роста паттернов (Frequent Pattern Growth - FPG).

2.3. Поиск ассоциативных правил:

а) метод главных компонент (Principal Component Analysis - PCA);

б) метод сингулярной декомпозиции (Singular Value Decomposition - SVD);

в) латентно-семантический анализ (Latent Semantic Analysis - LSA).

3. Обучение с частичным привлечением учителя:

а) методы двух предыдущих групп (обучение с учителем и без него);

б) методы порождающей модели (Generative Model - GM);

в) методы разделения низкой плотности (Low-Density Separation - LDS);

г) методы на основе графов (Graph-Based Methods - GBM);

д) эвристические подходы (Heuristic Approaches - HA).

4. Обучение с подкреплением (Reinforcement Learning - RL):

а) методы моделирования Монте-Карло (Monte-Carlo Methods - MCM);

б) метод временных различий (Temporary Difference Method - TDM);

в) функции ценности (Value Functions - VF);

г) метод критерия оптимальности (Optimality Criteria - OC);

д) методы прямого решения (Brute Force Algorithms - BFA);

е) нейронные сети (Neural Networks - NN);

ж) байесовские методы (Bayesian Approaches).

На рисунке 1.2 изображена таксономия классов, задач и алгоритмов машинного обучения в виде схемы.

Существует очень большое количество методов машинного обучения, и все они связаны между собой, поэтому разделять и классифицировать их можно только условно. Тем не менее представленная иерархия очень удобна для наглядного отражения основных классов и алгоритмов, каждый из которых создает определенное семейство, подстраиваемое под задачи программ, часто разнящихся вычислительной и реализационной сложностью, автоматизацией процесса обучения и т. д.

В качестве отдельного направления в машинном обучении можно выделить байесовские методы, целью которых является определение апостериорных вероятностных распределений искомых параметров на основе теоремы Байеса.

Рисунок 1.2 - Схематическая структура классов, задач и методов машинного обучения

Числовые вычисления вероятности, касающиеся теоремы Байеса, являются трудоемкими, в связи с чем развитие этих исследований было начато не так давно, вместе со стремительным ростом мощности вычислительных машин за последние два десятилетия. В 1763 г. был издан труд «Очерки к решению проблемы доктрины шансов» («An Essay towards solving a Problem in the Doctrine of Chances») английского математика Томаса Байеса, идеи которого позже дополнили многие известные исследователи. Она внесла огромный вклад в больше количество сфер современной науки. Вероятность, по Байесу, является интерпретацией понятия вероятности, которая понимается в качестве уровня уверенности в корректности суждений [31, 32]. Теорема Байеса:

P(B|A) * P(A)

P(A|B)= ( p(B) ( , (U)

где P(A|B) - вероятность событии А при наступлении события B; P (B|A) -вероятность события В при наступлении события А; P(A) - вероятность события А; P(B) - вероятность события В.

Формально можно сделать вывод о том, что теорема Байеса позволяет рассчитать степень уверенности в том, что событие А произойдет при условии В.

Наиболее часто используемыми байесовскими методами являются:

Список литературы диссертационного исследования кандидат наук Назаренко Максим Юрьевич, 2021 год

- 96 с.

32. Гмурман В.Е. Теория вероятностей и математическая статистика. - М.: Высшее образование, 2005. - 400 с.

33. Шведов А.С. Теория вероятностей и математическая статистика - 2 (промежуточный уровень). - М.: Изд. дом Высшей школы экономики, 2016. - 280 с.

34. Athreya K.B., Doss H., Sethuraman J. On the Convergence of the Markov Chain Simulation Method // Annals of Statistics, 1996, no. 24, pp. 69-100.

35. Neal P., Rao T.S. MCMC for Integer-valued ARMA Processes // Journal of Time Series Analysis, 2007, no. 28, pp. 92-110.

36. Jochen, V.A. and Spivey, J.P. Probabilistic Reserves Estimation Using Decline Curve Analysis with the Bootstrap Method. Paper presented at the SPE Annual Technical Conference and Exhibition, Denver, Colorado, 1996. SPE 36633-MS.

37. Cheng Y., Wang Y., McVay D., Lee, W.J. Practical Application of a Probabilistic Approach to Estimate Reserves Using Production Decline Data. SPE Economics and Management 2 (1), 2010, pp. 1047-1057. DOI: 10.2118/95974-pa.

38. Liu C., McVay D.A. Continuous Reservoir Simulation Model Updating and Forecasting Using a Markov Chain Monte Carlo Method. Paper presented at the SPE Reservoir Simulation Symposium, The Woodlands, Texas, 2009. DOI: 119197-MS.

39. Xie J., Efendiev Y., & Datta-Gupta A. Uncertainty Quantification in History Matching of Channelized Reservoirs using Markov Chain Level Set Approaches. Society of Petroleum Engineers, 2011. DOI: 10.2118/141811-MS.3

40. Gong X., Gonzalez R., McVay D. Bayesian Probabilistic Decline Curve

Analysis Quantifies Shale Gas Reserves Uncertainty. Paper presented at the Canadian Unconventional Resources Conference, Alberta, Canada, 2011. SPE 147588. DOI: 10.2118/147588-MS.

41. Бледных Е.Н., Макарик Е.В., Степин Ю.П. Марковская модель метода анализа иерархий в оценке рисков вариантов разработки месторождений углеводородов // Автоматизация, телемеханизация и связь в нефтяной промышленности. - 2021. - № 1. - С. 23-32.

42. Zolotukhin A. B. & Frick, T. P. A Mobility Driven Fingering Approach to the Field-Scale Simulation of Oil Recovery. Society of Petroleum Engineers, 1994. DOI: 10.2118/27017-MS.

43. Золотухин А.Б., Гаюбов А.Т. Использование множественной регрессионной модели для описания течения флюида в пористых средах // Нефть. Газ. Новации. - 2019. - №12. - С. 64-69.

44. РД 39-9-1069-84. Методическое руководство по определению начальных извлекаемых запасов нефти в залежах, находящихся в поздней стадии разработки (при водонапорном режиме). Министерства нефтяной промышленности, газовой промышленности и геологии СССР. - М., 1983. - 58 с.

45. РД 39-0147035-209-87. Методическое руководство по определению технологической эффективности гидродинамических методов повышения нефтеотдачи пластов. Министерство нефтяной промышленности. Министерство нефтяной промышленности СССР. - М., 1987. - 58 с.

46. РД 153-39.1-004-96. Методическое руководство по оценке технологической эффективности и применения методов увеличения нефтеотдачи. Министерство топлива и энергетики Российской Федерации - М., 1993. - 87 с.

47. РД 153-39.0-110-01. Методические указания по геолого-промысловому анализу разработки нефтяных и газонефтяных месторождений. Министерство энергетики Российской Федерации. - М., 2002. - 75 с.

48. ОСТ 153-39.0-050-2003. Методическое руководство «Оценка технологической эффективности геолого-технических мероприятий по

повышению нефтеизвлечения пластов и интенсификации добычи нефти». Министерство энергетики Российской Федерации. - М., 2003. - 89 с.

49. МУ-01-001-01. Методические указания ОАО «ЛУКОЙЛ». Методика оценки технологической эффективности методов повышения нефтеотдачи пластов.

- М.: ОАО «ЛУКОЙЛ», 2001.

50. Казаков А.А., Орлов В.С. Методическое руководство по определению активных извлекаемых запасов нефти месторождений (объектов), находящихся в поздней стадии разработки. - Уфа: БашНИПИнефть, 1987. - 48 с.

51. Казаков А.А. Методы характеристик вытеснений//ИС. Научно-технические достижения и передовой опыт, рекомендуемые для внедрения в нефтяной промышленности. - М.: ВНИИОЭНГ, 1991. - Вып. 1. - С. 4-10.

52. Савельев В.А. Геолого-промысловые методы прогноза нефтеотдачи / В.А. Савельев, М.А. Токарев, А.С. Чинаров. - Ижевск: Изд-во Удмурт. Ун-та, 2008.

- 147 с.

53. Определение технологических показателей разработки нефтяных месторождений по характеристикам вытеснения. / И.Т. Мищенко, Л.Х. Ибрагимов, А.А. Ситников, С.В. Гусев. - М.: ГАНГ им. И.М.Губкина, 1998. - 25 с.

54. Назаренко М.Ю., Золотухин А.Б. Применение промыслово-статистических моделей для прогнозирования добычи нефти, роста обводненности и расчета потенциальных извлекаемых запасов нефти // Нефть. Газ. Новации. -2020. - № 7. - С. 6-11

55. Назаренко М.Ю., Золотухин А.Б. Применение машинного обучения для вероятностного прогнозирования добычи и расчета потенциальных извлекаемых запасов нефти // Нефтяное хозяйство. - 2020. - № 9. - С. 109-113.

56. Ball B.C., Savage S.L. Portfolio Thinking: Beyond Optimization. Petroleum Engineer International, 1999, pp. 54-56.

57. Назаренко М.Ю., Золотухин А.Б. Недостижение плановой экономической эффективности нефтегазодобывающих проектов из-за отсутствия количественной оценки рисков и неопределенности // PROнефть.

Профессионально о нефти. - 2020. - № 3 (17). - С. 75-80.

58. Brashear J.P., Becker A.B., Faulder D.D. Where Have All the Profits Gon. J. Pet Tech 53 (6), 2001, pp. 20-23, 70-73.

59. Rose P.R. Delivering on Our E&P Promises. Leading Edge 23 (2), 2004, p.

165.

60. Merrow E.W. Oil Industry Megaprojects: Our Recent Track Record. Paper presented at the Offshore Technology Conference, Houston, Texas, 2-5 May, 2011. http://dx.doi.org/10.2118/21858-MS.

61. Arps J.J., Roberts, T.G. Economics of Drilling for Crustaceous Oil on East Flauk of Denver-Julesburg Basin. Building of AAPC, 1987, vol. 42, no. ll, november, pp. 2549-2566.

62. Grayson C.J. Decisions Under Uncertainty: Drilling Decisions by Oil and Gas Operators, Harvard Business School, Boston, Massachusetts, 1960.

63. Kaufman G.M. Statistical Decision and Related Techniques in Oil and Gas Exploration, Prentice-Hall, Englewood Cliffs, New Jersey, 1963.

64. Hightower M.L., David A. Portfolio Modeling: A Technique for Sophisticated Oil and Gas Investors. SPE Paper 22016, presented at the 1991 SPE Hydrocarbon Economics and Evaluation Symposium, Dallas, Texas, 11-12 April, 1991.

65. Newendorp P.D. Decision Analysis for Petroleum Exploration, The Petroleum Publishing Co., Tulsa, Oklahoma, 1975.

66. Begg S.H., Bratvold R.B. and Campbell J.M. Shrinks or Quants: Who Will Improve Decision-Making. Paper SPE 84238 presented at the SPE Annual Technical Conference and Exhibition, Denver, Colorado. 5-8 October, 2003. http://dx.doi.org/10.2118/84238-MS.

67. Leach P.E. Why Can't You Just Give Me the Number? Gainesville, Florida: Probabilistic Publishing, 2006.

68. Capen, E.C. The Difficulty of Assessing Uncertainty (Includes Associated Papers 6422 and 6423 and 6424 and 6425). J. Pet Tech 28 (8), 1976, pp. 843-850. http://dx.doi.org/10.2118/5579-PA.

69. Tversky A. and Kahneman D. Judgment Under Uncertainty: Heuristics and Biases. Science 185 (4157), 1974, pp. 1124-1131.

70. Welsh M.B., Bratvold R.B., Begg S.H. Cognitive Biases in the Petroleum Industry: Impact and Remediation. Paper SPE 96423 presented at the SPE Annual Technical Conference and Exhibition, Dallas, Texas, 9-12 October, 2005. http://dx.doi.org/10.2118/96423-MS.

71. Virine L. Judgment Elicitation Process for Multi-Criteria Decision-Making in Oil and Gas Industry. Paper IPTC-12502 presented at the International Petroleum Technology Conference, Kuala Lumpur, Malaysia, 3-5 December, 2008. http://dx.doi.org/10.2523/12502.

72. Bickel J.E. and Bratvold R.B. Decision Making in the Oil and Gas Industry: From Blissful Ignorance to Uncertainty-Induced Confusion. Paper SPE 109610 presented at the SPE Annual Technical Conference and Exhibition, Anaheim, California, 11-14 November, 2007. http://dx.doi.org/10.2118/109610-MS.

73. McVay D.A., Dossary M.N. The Value of Assessing Uncertainty. SPE Journal 6 (2), 2008, pp. 100-110. DOI: 10.2118/160189-pa.

74. Begg, S.H. and Bratvold, R.B. Systematic Prediction Errors in Oil and Gas Project and Portfolio Selection. Paper presented at the SPE Annual Technical Conference and Exhibition, Denver, Colorado, 21-24 September, 2008. http://dx.doi.org/10.2118/116525-MS.

75. Сазонов Б.Ф. Совершенствование технологии разработки нефтяных месторождений при водонапорном режиме. - М.: Недра, 1973 - 238 с.

76. Максимов М.И. Метод подсчета извлекаемых запасов нефти в конечной стадии эксплуатации нефтяных пластов в условиях вытеснения нефти водой // Геология нефти и газа. - 1959. - №3. - С. 42-47.

77. Назаров С.Н., Сипачев Н.В. Методика прогнозирования технологических показателей на поздней стадии разработки нефтяных залежей // Нефть и газ. - 1972. - №10, С. 41-45.

78. К оценке извлекаемых запасов нефти по интегральным кривым отбора

нефти и воды / Н. В. Сипачев, А.Г. Посевич, С. А. Назаров, Б. Ш. Акрамов и др. // Азербайджанское нефтяное хозяйство. - 1972. - № 5. - С. 20-21

79. Гайсин Д.К. Метод прогноза технологических показателей и нефтеотдачи пластов по промысловым данным в поздней стадии разработки // Труды БАШНИПИНЕФТЬ. - 1986. - № 74. - С. 128-137.

80. К вопросу о прогнозе добычи нефти и попутной воды при разработке слоисто-неоднородных коллекторов / А.М. Пирвердян, П.И. Никитин, Л.Б. Листенгартен, М.Г. Данелян // Азербайджанское нефтяное хозяйство. - 1970. -№11. - С. 22-23.

81. Камбаров Г.С., Алмамедов Д.Г., Махмудова Т.Ю. К определению потенциального извлекаемого запаса нефтяного месторождения // Азербайджанское нефтяное хозяйство. - 1974. - № 3. - С. 22-24

82. Абызбаев И.И., Насыров Г.Т. О факторах, влияющих на нефтеотдачу водонефтяных зон // Геология нефти и газа. - 1975. - № 2. - С. 60-63.