Магистерская диссертация на тему "ТЮМГУ | Оценка прогнозной эффективности перевода скважин в систему поддержания пластового давления с применением прокси-моделирования"

Работа на тему: Оценка прогнозной эффективности перевода скважин в систему поддержания пластового давления с применением прокси-моделирования
Оценка: отлично.
Оригинальность работы на момент публикации 50+% на антиплагиат.ру.
Ниже прилагаю все данные для покупки.
https://studentu24.ru/list/suppliers/Anastasiya1---1326

Описание работы

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
ИНСТИТУТ МАТЕМАТИКИ И КОМПЬЮТЕРНЫХ НАУК
Кафедра фундаментальной математики и механики

РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
магистерская диссертация
ОЦЕНКА ПРОГНОЗНОЙ ЭФФЕКТИВНОСТИ ПЕРЕВОДА СКВАЖИН В СИСТЕМУ ПОДДЕРЖАНИЯ ПЛАСТОВОГО ДАВЛЕНИЯ С ПРИМЕНЕНИЕМ ПРОКСИ-МОДЕЛИРОВАНИЯ

01.04.01 Математика
Магистерская программа «Вычислительная механика»

Тюмень 2022

ОГЛАВЛЕНИЕ
СПИСОК ТЕРМИНОВ 3
ВВЕДЕНИЕ 5
ГЛАВА 1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 7
1.1. СИСТЕМА ПОДДЕРЖАНИЯ ПЛАСТОВОГО ДАВЛЕНИЯ 7
1.2. ПРОКСИ-МОДЕЛИРОВАНИЕ 11
1.3. ПРЕДСТАВЛЕНИЕ О НЕЙРОННЫХ СЕТЯХ 18
1.4. МЕТОДЫ НЕЙРОСЕТЕВОЙ ОПТИМИЗАЦИИ 22
1.4.1. МЕТОД ИМИТАЦИИ ОТЖИГА 24
1.4.2. МЕТОД ГРАДИЕНТНОГО СПУСКА 27
ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА ОЦЕНКИ ПРОГНОЗНОЙ
ЭФФЕКТИВНОСТИ ПЕРЕВОДА СКВАЖИН В СИСТЕМУ ПОДДЕРЖАНИЯ ПЛАСТОВОГО ДАВЛЕНИЯ 29
ЗАКЛЮЧЕНИЕ 33
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 35

СПИСОК ТЕРМИНОВ
Прокси-модель: это математическая модель месторождения, которая позволяет регистрировать отклики показателей работы добывающих скважин на изменения в системе закачки воды и решать оптимизационные задачи разработки.
Адаптация прокси-модели: это процесс автоматической настройки рассчитанных в прокси-модели дебитов жидкости и доли нефти на фактические показатели.
Нейронная сеть: математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма.
Оптимизационная задача: задача, в ходе решения которой определяются приемистости нагнетательных скважин (оптимальные режимы нагнетательных скважин), обеспечивающие достижение потенциала по добыче нефти в принятой модели ограничений.
Обучающая выборка: это набор исходных данных, по которым производится настройка (адаптация) модели. В нашем случае – это совокупность приемистостей нагнетательных скважин в элементе заводнения, соотнесенная по дате с дебитом жидкости и долей нефти реагирующей добывающей скважины.
Влияющая скважина: нагнетательная скважина, входящая в элемент заводнения добывающей скважины, которая оказывает влияние на режим работы последней.
Реагирующая скважина: добывающая скважина, на которой регистрируется изменение показателей эксплуатации, например увеличение обводненности или дебита жидкости, вследствие изменения режима работы нагнетательной скважины.
Пара скважин: это совокупность реагирующей добывающей и влияющей на нее нагнетательной скважины.
Оптимальный режим работы нагнетательной скважины: приемистость, полученная при решении оптимизационной задачи и обеспечивающая потенциал добычи нефти в принятой модели ограничений.

ВВЕДЕНИЕ
Природные резервуары представляют собой сложные единые гидродинамические системы и содержат углеводороды в трещинах и порах. Чтобы повысить эффективность разработки нефтяного месторождения необходимо тщательно отслеживать динамику множества факторов, таких как пористость породы, проницаемость, нефтенасыщенность и другие. Большой интерес представляет собой пластовое давление, обуславливающее приток нефти к скважине и являющееся одним из основополагающих параметров при планировании развития месторождения. Однако в процессе эксплуатации нефтяного месторождения давление в продуктивных пластах может настолько снизиться, что результаты дальнейшей работы добывающих скважин перестанут быть удовлетворительными. В этом случае одним из вариантов решения возникшей проблемы является корректировка действующей системы поддержания пластового давления (ППД), но бурение новых нагнетательных скважин чаще всего является экономически невыгодным решением. Поэтому возникает необходимость в разработке алгоритма, позволяющего обоснованно выбирать такие скважины из добывающего фонда, что их перевод в систему ППД мог бы оказать положительное влияние на добычу нефти окружающих скважин и месторождения в целом.
На сегодняшний день работу по обоснованию перевода скважин добывающего фонда под закачку выполняют с использованием геологогидродинамического моделирования (ГГДМ), однако данный процесс является весьма дорогим относительно времени обработки, так как включает в себя большой объем входных данных и замеров. Поэтому наиболее рациональным подходом к решению вопроса оптимизации добычи в перечисленных условиях является использование упрощенных моделей пластов месторождения. Прокси-моделирование позволяет в кратчайшие сроки выполнять основные расчеты по формированию системы поддержания пластового давления на основе минимально допустимого числа входных данных.
Целью выпускной квалификационный работы является создание экспресс-метода, позволяющего без составления сложных гидродинамических моделей проводить расчеты по формированию системы поддержания пластового давления. Для достижения поставленной цели необходимо выполнить следующие задачи:
• ознакомиться с особенностями системы поддержания пластового давления и алгоритмами нейросетевой оптимизации;
• разработать алгоритм при оценке прогнозной эффективности перевода добывающих скважин в нагнетательный фонд на основе прокси-модели;
• протестировать предлагаемый алгоритм на основе данных реального месторождения;
• сравнить полученные результаты с гидродинамической модел

БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Бриллиант Л.С., Комягин А.И., Блящук М.И., Цинкевич О.В., Журавлева А.А. Способ оперативного управления заводнением пластов, RU2015156293A, 2017 г.
2. Пер. с польского И.Д. Рудинского, Нейронные сети для обработки информации. - М.: Финансы и статистика, 2002, 344 с.
3. Иваненко Б.П. Нейросетевое имитационное моделирование нефтяных месторождений и гидрогеологических объектов. – Томск: Изд-во Дом ТГУ, 2014. – 188 с.
4. Пантелеев А.В., Летова Т.А., Методы оптимизации в примерах и задачах. - М.: Высш. шк., 2005, 544 с.
5. Желтов Ю.П., Разработка нефтяных месторождений: Учеб. для вузов. - 2-е изд., перераб. и доп.- М.: ОАО «Издательство «Недра», 1998, 365 с.
6. Костюченко С.В., Ямпольский В.З. Мониторинг и моделирование нефтяных месторождений. Томск: Изд-во НТЛ, 2000. 246 с.
7. Рейзлин В. И. Численные методы оптимизации: учебное пособие / В.И. Рейзлин; Томский политехнический университет. – Томск: Изд-во Томского политехнического университета, 2011 – 105 с.
8. Попов И.П. Максимов М.Н. Анализ эффективности системы заводнения и причины формирования трудно извлекаемых запасов // Европейские прикладные науки. Штутгарт, 2012. №1. С.13-16.
9. Мину М. Математическое программирование. Теория и алгоритмы. - М.: Наука, 1990. - 486 с.
10. Захарова Е.Ф., Пашанина О.Д., Тронов В.П. Совершенствование системы поддержания пластового давления на Березовском месторождении // Электронный научный журнал «Нефтегазовое хозяйство» 09/2003, с. 68-70
11. Jaber, A.K., Al-Jawad, S.N. & Alhuraishawy, A.K. A review of proxy modeling applications in numerical reservoir simulation. Arab J Geosci 12, 701 (2019).
12. A. Bao, E. Gildin, H. Zalavadia. Development Of Proxy Models For Reservoir Simulation By Sparsity Promoting Methods And Machine Learning Techniques. Conference Proceedings, ECMOR XVI - 16th European Conference on the Mathematics of Oil Recovery, Sep 2018, Volume 2018, p.1 – 14.
13. Ng, C.S.W., Jahanbani Ghahfarokhi, A., Nait Amar, M. et al. Smart Proxy Modeling of a Fractured Reservoir Model for Production Optimization: Implementation of Metaheuristic Algorithm and Probabilistic Application. Nat Resour Res 30, 2431–2462 (2021).
14. Robert E. Uhrig, “Introduction to Artificial Neural Networks”, IEEE Transactions on Industrial Electronics, Control, and Instrumentation, vol. 1, pp. 33-37, 1995.
15. Yoshua Bengio, Patrice Simard, and Paolo Frasconi. Learning long-term dependencies withgradient descent is difficult.IEEE Transactions on Neural Networks, 5(2):157–166, 1994