Preview

Известия высших учебных заведений. Нефть и газ

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Нейросетевая модель прогнозирования скорости и режимов бурения скважин в сложнопостроенных коллекторах

https://doi.org/10.31660/0445-0108-2021-1-55-76

Полный текст:

Аннотация

Рассмотрена проблема, связанная с исследованием скоростей бурения скважин в сложнопостроенных коллекторах, решение которой представлено в виде нейросетевой модели, учитывающей структурные, геомеханические и технологические особенности системы «массив — скважина».

Представлена возможность прогнозирования способа бурения скважин с различными прочностными и структурно-литологическими характеристиками массива на базе нейросетевого моделирования.

Целью данного исследования является получение математических моделей для исследования вероятностно-статистических закономерностей процессов бурения скважин в условиях неопределенности.

Научной новизной выполненной работы является качественная и количественная оценки взаимовлияния геолого-технологических факторов на скорость бурения скважин; поиск оптимальных режимов бурения скважин в условиях сложнопостроенных коллекторов на базе математического моделирования.

Об авторе

Ю. Е. Катанов
Тюменский индустриальный университет
Россия

Катанов Юрий Евгеньевич, к. г.-м. н., доцент кафедры прикладной геофизики, ведущий научный сотрудник лаборатории технологий капитального ремонта скважин и интенсификации притока

г. Тюмень



Список литературы

1. Басарыгин, Ю. М. Технология бурения нефтяных и газовых скважин : учебник для вузов / Ю. М. Басарыгин, А. И. Булатов, Ю. М. Проселков. – Москва : Недра, 2001. – 679 с. – (Высшее образование). – Текст : непосредственный.

2. Булатов, А. И. Техника и технология бурения нефтяных и газовых скважин : учебник для вузов / А. И. Булатов, Ю. М. Проселков, С. А. Шаманов. Москва : Недра, 2003. – 1007 с. – (Высшее образование). – Текст : непосредственный.

3. Балденко, Д. Ф. Винтовые забойные двигатели = Positive Displacement Downhole Motors : справочное пособие / Д. Ф. Балденко, Ф. Д. Балденко, А. Н. Гноевых. – Москва : Недра, 1999. – 375 с. – Текст : непосредственный.

4. Катанов, Ю. Е. Механизмы и принципы моделирования деформационнопространственной неустойчивости горных пород / Ю. Е. Катанов. – Текст : непосредственный // Строительство нефтяных и газовых скважин на суше и на море. – 2014. № 11. – С. 19–23.

5. Катанов, Ю. Е. Обоснование параметров горных пород (неоднородных сред) при моделировании / Ю. Е. Катанов, Н. В. Григорьев. – Текст : непосредственный // Международный научно-исследовательский журнал. – 2014. № 8–1(27). – С. 18–21.

6. Иващенко, В. В. Прогнозирование продуктивных характеристик породколлекторов в условиях неопределенности / В. В. Иващенко, Ю. Е. Катанов. Текст : непосредственный // Новая наука : Проблемы и перспективы. – 2016. № 121–3. – С. 31–33.

7. Катанов, Ю. Е. Создание линейного симулятора для прогнозирования технологического процесса / Ю. Е. Катанов. – Текст : непосредственный // Известия высших учебных заведений. Нефть и газ. – 2012. – № 1. – С. 112–116.

8. Петухов, А. В. Теория и методология изучения структурнопространственной зональности трещинных коллекторов нефти и газа / А. В. Петухов. – Ухта : Ухтинский государственный технический университет, 2002. 276 с. – Текст : непосредственный.

9. Технологии повышения продуктивности скважин и воздействия на залежи углеводородов на месторождениях Западной Сибири : монография / А. К. Ягафаров, И. И. Клещенко, И. П. Попов [и др.] ; Министерство образования и науки Российской Федерации, Тюменский индустриальный университет. – Тюмень : ТИУ, 2017. – 204 с. – Текст : непосредственный.

10. Катанов, Ю. Е. Основы теории управления : учебное пособие / Ю. Е. Катанов ; Министерство науки и высшего образования Российской Федерации, Тюменский индустриальный университет. – Тюмень : ТИУ, 2019. – 170 с. – Текст : непосредственный.

11. Katanov, Yu. E. Geological and mathematical analogy of reservoir and polymer structures / Yu. E. Katanov, V. M. Aleksandrov, A. K. Yagafarov. – Текст : непосредственный // TEST Engineering & Management. – 2020. – P. 6977–6991.

12. Murphy, K. P. Machine Learning : A Probabilistic Perspective / K. P. Murphy. – MIT Press, Cambridge, MA, USA, 2012. – 1070 p. – Текст : непосредственный.

13. Morin, F. Hierarchical Probabilistic Neural Network Language Model / F. Morin, Y. Bengio. – Текст : непосредственный // Proceedings of the Tenth International Workshop on Artificial Intelligence and Statistics. – 2005. – P. 246–252.

14. Nowlan, S. J. Simplifying Neural Networks by Soft Weight-Sharing / S. J. Nowlan, G. E. Hinton. – DOI 10.1162/neco.1992.4.4.473. – Текст : непосредственный // Neural Computation. – 1992. – Vol. 4, Issue 4. – P. 473–493.

15. Learning and Transferring Mid-Level Image Representations using Convolutional Neural Networks / M. Oquab, L. Bottou, I. Laptev, J. Sivic. – Текст : непосредственный // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2014. – P. 1717–1724.

16. Saxe, A. M. Exact solutions to the nonlinear dynamics of learning in deep linear neural networks / A. M. Saxe, J. L. McClelland, S. Ganguli. – Текст : электронный. URL: https://arxiv.org/abs/1312.6120.

17. Катанов, Ю. Е. Компьютерные технологии / Ю. Е. Катанов ; Министерство науки и высшего образования Российской Федерации, Тюменский индустриальный университет. – Тюмень : ТИУ, 2020. – Ч. 1: Геология, геофизика, гидрогеология. – 180 с.

18. Катанов, Ю. Е. Разработка проекта информационного обеспечения «INTELLPRO» / Ю. Е. Катанов. – Текст : непосредственный // Новые информационные технологии в нефтегазовой отрасли и образовании : материалы V Всероссийской научно-технической конференции с международным участием (01–02 ноября 2012 года) / Отв. ред. О. Н. Кузяков – Тюмень : Тюменский индустриальный университет, 2012. – С. 20–25.

19. Меньшиков, А. И. Исследование оптимальных режимов работы шарошечных долот в условиях неопределенности / А. И. Меньшиков. – Текст: непосредственный // Наука в современном обществе : закономерности и тенденции развития : сборник трудов Международной научно-практической конференции, (Стерлитамак, 4 апреля 2019 года). – Уфа : ООО «Омега Сайнс», 2019. – С. 48–54.

20. Меньшиков, А. И. Кластеризации параметров бурения / А. И. Меньшиков. Текст : непосредственный // Технологическое развитие науки : тенденции, проблемы и перспективы : сборник статей по итогам Международной научно-практической конференции (Стерлитамак, 8 июня 2019 года). – Уфа : ООО «Аэтерна», 2019. С. 30–35.

21. Меньшиков, А. И. Исследование режимов работы шарошечных долот на основе деревьев решений / А. И. Меньшиков. – Текст : непосредственный // Информационные технологии как основа прогрессивных научных исследований : сборник трудов Международной научно-практической конференции (Пермь, 25 мая 2020 года). – Уфа : ООО «Аэтерна», 2020. – С. 78–83.

22. Меньшиков, А. И. Прогнозирование механической скорости бурения массива шарошечными долотами на основе нейросетевого моделирования / А. И. Меньшиков. – Текст : непосредственный // Информационные технологии как основа прогрессивных научных исследований : сборник трудов Международной научно-практической конференции (Пермь, 25 мая 2020 года). – Уфа : ООО «Аэтерна», 2020. – С. 83–87.


Для цитирования:


Катанов Ю.Е. Нейросетевая модель прогнозирования скорости и режимов бурения скважин в сложнопостроенных коллекторах. Известия высших учебных заведений. Нефть и газ. 2021;(1):55-76. https://doi.org/10.31660/0445-0108-2021-1-55-76

For citation:


Katanov Yu.E. Neural network model of the wells' drilling speed and modes predicting in complex reservoirs. Oil and Gas Studies. 2021;(1):55-76. (In Russ.) https://doi.org/10.31660/0445-0108-2021-1-55-76

Просмотров: 43


ISSN 0445-0108 (Print)