Применение алгоритмов машинного обучения для решения задач нефтегазовой сферы

Авторы

  • К. Н. Майоров ИжГТУ имени М. Т. Калашникова; ЗАО «ИННЦ»

DOI:

https://doi.org/10.22213/2410-9304-2021-3-55-64

Ключевые слова:

машинное обучение, нейронные сети, задачи нефтегазовой сферы, прогноз добычи нефти, оптимизация размещения сетки скважин, глубокое обучение с подкреплением, дерево Монте-Карло

Аннотация

В статье рассматривается жизненный цикл разработки месторождения, проводится анализ процессов этапа проектирования разработки месторождений на предмет применения методов машинного обучения. Для каждого процесса выделены актуальные задачи, существующие решения на базе методов машинного обучения, предложены идеи и задачи, которые могли бы быть эффективно решены методами машинного обучения. По основной части процессов кратко описаны примеры решений, определены преимущества и недостатки подходов. Наиболее распространенным методом решения являются нейронные сети прямого распространения. При условии предварительной нормализации входных данных это наиболее универсальный алгоритм для задач регрессии и классификации. Однако в задаче подбора скважин на гидроразрыв пласта использовался целый ансамбль моделей машинного обучения, где помимо нейронной сети были случайный лес, градиентный бустинг и линейная регрессия. Для задачи оптимизации размещения сетки нефтедобывающих скважин определены недостатки существующих решений на базе нейронной сети и простого подхода обучения с подкреплением на основе Марковского процесса принятия решений. Предложен алгоритм глубокого обучения с подкреплением Alpha Zero, который ранее показал значительные результаты в роли искусственного интеллекта для игр. Этот алгоритм представляет собой поиск по дереву решений, который направляет нейронную сеть: более глубоко рассматриваются только те ветви, которые получили наилучшие оценки от нейронной сети. В статье освещены общие черты между задачами, для которых ранее применялась Alpha Zero, и задачей оптимизации размещения сетки нефтедобывающих скважин. Сделаны выводы о возможности использования и модификации алгоритма решаемой задачи оптимизации, предложен подход учета симметричных состояний в дереве Монте-Карло для сокращения числа требуемых симуляций.

Биография автора

К. Н. Майоров, ИжГТУ имени М. Т. Калашникова; ЗАО «ИННЦ»

аспирант, инженер 1-й категории отдела автоматизации процессов проектирования

Библиографические ссылки

Li Z. et al. Fourier neural operator for parametric partial differential equations // arXiv preprint arXiv:2010.08895. - 2020.

Valyuhov S., Kretinin A., Burakov A. Neural network modeling of hydrodynamics processes // Hydrodynamics-Optimizing Methods and Tools. 2011. Р. 201-222.

Нейросетевое имитационное моделирование нефтяных месторождений и гидрогеологических объектов / Б. П. Иваненко и др. Томск : Издательский Дом ТГУ, 2014. 188 с.

Подбор скважин-кандидатов для проведения гидроразрыва пласта на основе математического моделирования с использованием методов машинного обучения / А. Ф. Азбуханов и др. // Нефтяное хозяйство. 2019. № 11. С. 38-42.

Артеева Т. Е., Земенков Ю. Д. Оценка срока полезной эксплуатации трубопроводов с использованием различных моделей искусственных нейронных сетей // Нефть. Газ. Новации. 2020. №. 5. С. 72-74.

Compare M. et al. Reinforcement learning-based flow management of gas turbine parts under stochastic failures // The International Journal of Advanced Manufacturing Technology. 2018. Т. 99, № 9. С. 2981-2992.

Min B. H. et al. Optimal well placement based on artificial neural network incorporating the productivity potential // Energy Sources, Part A: Recovery, Utilization, and Environmental Effects. 2011. Т. 33, №. 18. С. 1726-1738.

Guerra N. Y. et al. Well Location Selection from Multiple Realisations of a Geomodel Using Productivity Potential Maps-A Heuristic Technique // International Oil Conference and Exhibition in Mexico. - Society of Petroleum Engineers, 2006.

Анализ неопределенностей при моделировании водогазового воздействия на нефтяной пласт с применением нейронных сетей / И. Н. Кошовкин и др. // Известия Томского политехнического университета. Инжиниринг георесурсов. 2010. Т. 316, № 1.

Гирич Н. А. Разработка алгоритма оптимизации процесса эксплуатации нефтяного месторождения Каймысовского свода на основе методов машинного обучения : магистерская диссертация. Томск, 2020. URL: http://earchive.tpu.ru/handle/ 11683/62449.

Božek P. et al. Information technology and pragmatic analysis // Computing and informatics. 2018. Т. 37, № 4. С. 1011-1036.

Silver D. et al. A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play // Science. 2018. Т. 362, № 6419. P. 1140-1144.

Pumperla M., Ferguson K. Deep learning and the game of Go // Manning. 2019. Т. 231. С. 279.

Загрузки

Опубликован

12.10.2021

Как цитировать

Майоров, К. Н. (2021). Применение алгоритмов машинного обучения для решения задач нефтегазовой сферы. Интеллектуальные системы в производстве, 19(3), 55–64. https://doi.org/10.22213/2410-9304-2021-3-55-64

Выпуск

Раздел

Статьи