Информационное сопровождение поисково-разведочных работ


Аннотация:

Статья представляет реализацию подхода «обучение с учителем» для выделения сильных нефтяных коллекторов. На первом этапе проведен анализ современного состояния проблемы информационного сопровождения поисково-разведочных работ и оценки дебита скважин с помощью российской системы патентного поиска Exactus System и американской системы Free Patents Online. Установлено, что классический статистический анализ, интегрированный с методами машинного обучения, является мощным инструментом для интерпретации химически переменной структуры породы при использовании достаточно репрезентативной выборки. Исходные данные отражают более 40 физико-химических параметров пород и флюида и собраны с 2012 по 2016 г. Приведен сравнительный анализ значений параметров по основным статистическим характеристикам, выделены категориальные, порядковые, дискретные и непрерывные признаки. Определена необходимость устранения выбросов для шести признаков, масштабирования, выполнена трансформация двух категориальных признаков в дискретные. Устранены шесть признаков с преобладанием отсутствующих значений. Установлена глубина расположения продуктивного пласта, составляющая более 4 тыс. метров. Синтезированы признаки скорости и продолжительности поисково-разведочных работ, годы их начала и окончания. Выявлено, что самым продуктивным по числу обнаружений сильных коллекторов оказался 2015 г. Для повышения эффективности классификации обобщены два из трех классов целевого признака. Оценено априорное распределение целевого признака по классам (попадание в класс «остальные» в 8 раз вероятнее попадания в класс «сильный коллектор»). Размерность задачи понижена методом главных компонент, поскольку процент дисперсии, объясненной первыми двумя главными компонентами, больше 70. Сформулирована задача квадратичной оптимизации с мягким зазором. Классификация выполнена методом опорных векторов с гауссовым ядром с радиальной базовой функцией и параметром регуляризации, равным единице. Точность классификации составила 93 %. Подход может быть рекомендован для повышения точности оценки показателей месторождений на начальной стадии разработки.


Подпишитесь чтобы читать статьи полностью

Год за

16 848 р.

Подписаться
Подписка - это:
  • Возможность читать полные тексты статей за последние 3 года (недоступны без подписки)
  • Свежий номер до его печатного издания
  • Удобное чтение с любого типа устройств (Компьютеры, планшеты, смартфоны)
Список литературы:
  1. Пат. 2496972 Рос. Федерация. Устройство, способ и система стохастического изучения пласта при нефтепромысловых операциях/ Т. Граф, Г. Цангл; заявл. 18.07.2018; опубл. 27.10.2013, Бюл. № 30.
  2. Правила разработки месторождений углеводородного сырья. URL: http://www.garant.ru/products/ipo/prime/doc/71375396/ (дата обращения: 13.05.2019).
  3. Пат. 2480584 Рос. Федерация. Способ оперативного прогнозирования основных показателей разработки нефтяных залежей/ В.В. Поплыгин, С.В. Галкин, С.А. Иванов; заявл. 26.10.2011; опубл. 27.04.2013, Бюл. № 12.
  4. Пат. 2559247 Рос. Федерация. Способ экспресс-определения характеристик призабойной зоны малодебитных скважин, применяемый при освоении скважин, и система его реализующая/ Р.Х. Саетгараев, И.Х. Кашапов, Е.Ю. Звездин, Е.А. Андаева; заявл. 28.07.2014; опубл. 10.08.2015, Бюл. № 22.
  5. US Pat. 802779. Self-improving classification system/ O. Soykan; Published: 27.09.2011.
  6. US Pat. 7257490. Pore-scale geometric models for interpretation of downhole formation evaluation data/ D.T. Georgi, S. Chen, D. Jacobi; Published: 14.08.2007.
  7. US Pat. 9946986. Petroleum reservoir operation using geotechnical analysis/ N.G. Saleri, R.M. Toronyi; Published: 17.04.2018.
  8. Пат. 2575469 Рос. Федерация. Способ определения геодинамической активности недр разрабатываемого месторождения углеводородов/ Ю.Р. Владов, М.Ю. Нестеренко, А.Ю. Владова, Ю.М. Нестеренко; заявл. 12.11.2014; опубл. 20.02.16, Бюл. № 5.
  9. Pat. 2574329 RU. Determination of characteristics of bed components on site of works performance/ B.M. Gzara Kais, V. Dzhain; Published: 10.02.2016, Bull. 4.
  10. Pat. 2474846 RU. Method and apparatus for multidimensional data analysis to identify rock heterogeneity/ R. Suares-Rivera, D.A. Khandverger, T.L. Soudergren; Published: 20.11.2014, Bull. 32.
  11. Pat. 2533321 RU. Method for adaptive forecasting of residual operating life of complex objects, and device for its implementation/ A.A. Bekarevich, O.N. Budadin, T.J. Morozova, V.I. Toporov; Published: 20.11.2014, Bull. 32.
  12. Владова А.Ю. Кластерный анализ изменений пространственного положения трубных секций магистрального нефтепровода по данным внутритрубных обследований// Безопасность труда в промышленности. — 2018. — № 1. — С. 22–25. DOI: 10.24000/0409-2961-2018-1-22-25
  13. Özdemir A., Şahinoпlu A., Turgay O. High Accuracy Estimation with Computer-Aided Hydrochemical Methods of Oil and Gas Deposits in Wildcat Sedimentary Basins// Journal of Applied Geology and Geophysics (IOSR-JAGG). — 2018. — Vol. 6. — Iss. 4. — Ver. II. — P. 62–104.
  14. Development of geospatial database on hydrocarbon extraction methods in the 20th century for large and super large oil and gas deposits in Russia and other countries/ A.I. Rybkina, A.A. Odintsova, A.D. Gvishiani et al. URL: https://cyberleninka.ru/article/v/development-of-g eospatial-database-on-hydrocarbon-extraction-methods-in-the-20th-century-for-large-and-super-large-oil-and-gas-deposits-in (дата обращения: 13.05.2019).
  15. Nusratov O.G., Abdullayeva G.G., Ismayilov I.A. Integrated Expert Analytical System for Assessment of Oil-and-Gas Saturation of Strata. URL: https://www.researchgate.net/publication/276291723_Integrated_Expert_Analytical_System_for_Assessment_of_Oil-and-Gas_Saturation_of_Strata (дата обращения: 13.05.2019).
  16. Анализ данных и процессов/ А.А. Барсегян, М.С. Куприянов, И.И. Холод и др. — 3-e изд. — СПб: БХВ-Петербург, 2009. — 512 с.
  17. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. — М.: ДМК Пресс, 2015. — 400 с.
  18. Plot different SVM classifiers in the iris dataset. URL: https://scikit-learn.org/0.19/auto_examples/svm/plot_iris.html (дата обращения: 13.05.2019).

Журнал входит в Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней кандидата и доктора наук, сформированный ВАК Минобрнауки России. Публикуются статьи по следующим отраслям и группам научных специальностей: 01.04.00 — физика; 05.26.00 — безопасность деятельности человека; 02.00.00 — химические науки.

Журнал включен в Российский индекс научного цитирования (РИНЦ) и в международные базы данных: Scopus, Chemical Abstracts Service (CAS), EBSCO Publishing, Ulrich's Periodicals Directory.

подробнее

DOI: 10.24000/0409-2961-2019-6-14-21
Год: 2019
Номер журнала: Июнь
Ключевые слова : пласт-коллектор бинарный классификатор машинное обучение набор данных
Авторы:
  • Владова А.Ю.
    Владова А.Ю.
    avladova@mail.ru, проф. Финансовый университет при Правительстве Российской Федерации, Москва, Россия д-р техн. наук, вед. науч. сотрудник ИПУ РАН, Москва, Россия
  • Владов Ю.Р.
    Владов Ю.Р.
    д-р техн. наук, зав. лабораторией ОНЦ УрО РАН, Оренбург, Россия вед. науч. сотрудник НОЦ Оренбургского государственного университета, Оренбург, Россия