Тематический рубрикатор статей

Георесурсы T.24.№4.2022
Стр.
Скачать статью

Локализация и разработка остаточных запасов нефти с использованием геохимических исследований на основе нейросетевых алгоритмов

В.А. Судаков, Р.И. Сафуанов, А.Н. Козлов, Т.М. Порываев, А.А. Заикин, Р.А. Зинюков, А.А. Лутфуллин, И.З. Фархутдинов, И.З. Туляков

Оригинальная статья

DOI https://doi.org/10.18599/grs.2022.4.4

50-64
rus.

open access

Under a Creative Commons license
На поздней стадии разработки месторождений остаточные запасы нефти претерпевают существенное изменение от подвижных до малоподвижных и неподвижных. Эти запасы в основном находятся в техногенно измененных, промытых в процессе эксплуатации, пластах и участках залежей.

Поиск, локализация и разработка таких источников углеводородов является эффективным методом увеличения конечного коэффициента извлечения нефти на зрелых месторождениях, ввиду наличия готовой развитой инфраструктуры добычи, транспортировки и переработки, а также концентрации высококвалифицированных кадров.

В статье рассмотрен подход, позволяющий на основе нейросетевых алгоритмов оценить объемы и локализовать остаточные запасы нефти на многопластовых месторождениях в комплексе с анализом геохимических исследований пластовых флюидов. Использование алгоритмов машинного обучения позволяет адресно подходить к разработке остаточных запасов путем автоматизированного подбора геолого-технических мероприятий. Такой подход значительно сокращает ручной труд специалистов на обработку данных и время принятия решений.
 
программный комплекс, сверточная нейронная сеть, нейросетевые алгоритмы, нефтяное месторождение, локализация запасов нефти, геохимические исследования, подбор геолого-технических мероприятий
 
  • Багманова С.В. и др. (2019). Геология Волго-Уральской нефтегазоносной провинции. Оренбург: ОГУ, 127 с.
  • Гладков Е.А., Гладкова Е.Е. (2008). Неоднозначность геолого-технологической информации в процессе адаптации гидродинамической модели. Бурение и нефть, 10, с. 40–41.
  • Ермолина А.В., Соловьева А.В. (2017). Характеристика факторов, влияющих на нефтеотдачу пласта. Геология, география и глобальная энергия, 4, с. 43–48.
  • Зайцев М.В., Михайлов Н.Н., Туманова Е.С. (2021). Модели нелинейной фильтрации и влияние параметров нелинейности на дебит скважин в низкопроницаемых коллекторах. Георесурсы, 23(4), с. 44–50. https://doi.org/10.18599/grs.2021.4.5
  • Закревский K.E. (2009). Геологическое 3D моделирование. Москва: ООО ИПЦ Маска, 376 с.
  • Зиновьев А.М. и др. (2013). Исследование реологических свойств и особенностей фильтрации высоковязких нефтей месторождений Самарской области. Вестник Самарского государственного технического университета. Серия: Технические науки, 2, с. 197–205.
  • Игнатенко А.М., Макарова И.Л., Копырин А.С. (2019). Методы подготовки данных к анализу слабоструктурированных временных рядов. Программные системы и вычислительные методы, 4, с. 87–94. https://doi.org/10.7256/2454-0714.2019.4.31797
  • Кайгородов С.В. (2022). Типичные ошибки при создании гидродинамических моделей. Часть I. Ремасштабирование геологической модели. PROНЕФТЬ. Профессионально о нефти, 2, с. 52–58.
  • Костиков Д.В., Петров А.Н., Лялин В.Е. (2007). Подготовка исходных данных для задачи интерпретации геофизических исследований скважин с помощью многослойной нейронной сети. Труды Международного симпозиума «Надежность и качество», т. 1, с. 123–128.
  • Муслимов Р.Х. (2012). Нефтеотдача: прошлое, настоящее, будущее. Казань: Фэн, 663 с.
  • Рыжов А.Е. и др. (2013). Физическое и математическое моделирование многофазной фильтрации при проектировании разработки нефтяной оторочки Ен-Яхинского НГКМ. Вести газовой науки, 1(12), с. 126–137.
  • Семячков А.И. (2009). Фильтрационная неоднородность трещиноватых пород. Москва: Горная книга, 151 с.
  • Старовойтов В.В., Голуб Ю.И. (2021). Нормализация данных в машинном обучении. Информатика, 18(3), с. 83–96. https://doi.org/10.37661/1816-0301-2021-18-3-83-96
  • Степанов С.В., Соколов С.В., Ручкин А.А., Степанов А.В., Князев А.В., Корытов А.В. (2018). Проблематика оценки взаимовлияния добывающих и нагнетательных скважин на основе математического моделирования. Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика, 4(3), с. 146-164. https://doi.org/10.21684/2411-7978-2018-4-3-146-164
  • Чарный И.А. (1963). Подземная гидрогазодинамика. Москва: Гостоптехиздат, 397 с.
  • Aanonsen, Sigurd I., Geir Nævdal, Dean S. Oliver, Albert C. Reynolds, and Brice Vallès (2009). The ensemble Kalman filter in reservoir engineering – a review. SPE J, 14(3), pp. 393–412. https://doi.org/10.2118/117274-PA
  • Al-AbdulJabbar A. et al. (2018). Predicting formation tops while drilling using artificial intelligence. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192345-MS
  • Barber D. (2012). Bayesian reasoning and machine learning. Cambridge University Press, p. 610. https://doi.org/10.1017/CBO9780511804779
  • Bebis G., Georgiopoulos M. (1994). Feed-forward neural networks. IEEE Potentials, 13(4), pp. 27–31. https://doi.org/10.1109/45.329294
  • Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of control, signals and systems, 2(4), pp. 303–314. https://doi.org/10.1007/BF02551274
  • Einicke G.A. (2012). Smoothing, Filtering and Prediction: Estimating the Past, Present and Future. Rijeka, Croatia: Intech, 286 p.
  • Evensen G. (1994). Sequential data assimilation with a non-linear quasi-geostrophic model using Monte Carlo methods to forecast error statistics. J Geophys Res, 99(C5), pp. 10143–10162. https://doi.org/10.1029/94JC00572
  • Hamam H., Ertekin T.A. (2018). Generalized varying oil compositions and relative permeability screening tool for continuous carbon dioxide injection in naturally fractured reservoirs. SPE Kingdom of Saudi Arabia Annual Technical Symposium and Exhibition. https://doi.org/10.2118/192194-MS
  • Kidner D.B. (2003). Higher-order interpolation of regular grid digital elevation models. International Journal of Remote Sensing, 24(14), pp. 2981–2987. https://doi.org/10.1080/0143116031000086835
  • Li S., Chen J., Xiang J. (2020). Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data. Neural computing and applications, 32(7), pp. 2037–2053.https://doi.org/10.1007/s00521-019-04341-3
  • Liu B., Li,Y., Li G., & Liu A. (2019). A spectral feature based convolutional neural network for classification of sea surface oil spill. ISPRS International Journal of Geo-Information, 8(4), p. 160. https://doi.org/10.3390/ijgi8040160
  • Lydia A., Francis S. (2019). Adagrad – an optimizer for stochastic gradient descent. Int. J. Inf. Comput. Sci., 6(5), pp. 566–568.
  • Minmin Cai, Núria Jiménez, Martin Krüger, Huan Guo, Yao Jun, Nontje Straaten, Hans H. Richnow (2015). Potential for aerobic and methanogenic oil biodegradation in a water flooded oil field (Dagang oil field), Fuel, 141, pp. 143–153. https://doi.org/10.1016/j.fuel.2014.10.035
  • Novikova S., Rizvanova Z., Ziniukov R., Usmanov S. (2020). Prospects of geochemical monitoring on the basis of borehole oil samples at bypassed oil reserves localization. Int. Multidis. Sci. GeoConf. SGEM, pp. 739–744. https://doi.org/10.5593/sgem2020/1.2/s06.094
  • Nurgaliev D., Ziniukov R., Sudakov V., Fakhriev, N., Averyanov A. (2021). Evaluation of the applicability of biodegradationMarkers for identification of the bypassed oil zones. 21st Int. Multidis. Sci. GeoConf. SGEM, pp. 935–941. https://doi.org/10.5593/sgem2021/1.1/s06.113
  • Nurgaliev et al. (2006). Variation of i-butane/n-butane ratio in oils of the Romashkino oil field for the period of 1982–2000: Probable influence of the global seismicity on the fluid migration. Journal of Geochemical Exploration, 89(1–3), pp. 293–296. https://doi.org/10.1016/j.gexplo.2005.12.022
  • O’Shea K., Nash R. (2015). An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458.
  • Ribeiro M.I. (2004). Kalman and extended kalman filters: Concept, derivation and properties. Institute for Systems and Robotics, 46 p.
  • Rifai A.P., Aoyama H., Tho N.H., Dawal S.Z.M., Masruroh N.A. (2020). Evaluation of turned and milled surfaces roughness using convolutional neural network. Measurement, 161, 107860. https://doi.org/10.1016/j.measurement.2020.107860
  • Rukundo O. (2021). Evaluation of Rounding Functions in Nearest Neighbor Interpolation. International Journal of Computational Methods, 18(08), 2150024. https://doi.org/10.1142/S0219876221500249
  • Ta, J., Li S., Chen J., Liu C., Wang Y. (2021). Mineral prospectivity prediction via convolutional neural networks based on geological big data. Journal of Earth Science, 32(2), pp. 327–347. https://doi.org/10.1007/s12583-020-1365-z
  • Tan J., NourEldeen N., Mao K., Shi J., Li Z., Xu T., Yuan Z. (2019). Deep learning convolutional neural network for the retrieval of land surface temperature from AMSR2 data in China. Sensors, 19(13), 2987. https://doi.org/10.3390/s19132987
  • Toro-Vizcarrondo C., Wallace T.D. (1968). A test of the mean square error criterion for restrictions in linear regression. Journal of the American Statistical Association, 63(322), pp. 558–572. https://doi.org/10.1080/01621459.1968.11009275
  • Wen Xian-Huan, and Wen H. Chen (2006). Real-time reservoir model updating using ensemble Kalman filter with confirming option. SPE J., 11(04), pp. 431–442. https://doi.org/10.2118/92991-PA
  • Zaikin A., Salimov R. (2019). An application of Kalman filter model to reservoir pressure maintenance. Int. Multidis. Sci. GeoConf. SGEM, (1.2), pp. 627–634. https://doi.org/10.5593/sgem2019/1.2/S06.079
  • Zhou, Zhuang, Shengyang Li, and Yuyang Shao (2018). Crops classification from sentinel-2A multi-spectral remote sensing images based on convolutional neural networks. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. https://doi.org/10.1109/IGARSS.2018.8518860
  •  
Владислав Анатольевич Судаков – заместитель директора института по инновационной деятельности, директор НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий, Казанский (Приволжский) федеральный университет
Россия, 420111, Казань, ул. Большая Красная, д. 4
 
Ринат Иолдузович Сафуанов – научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий, Казанский (Приволжский) федеральный университет
Россия, 420111, Казань, ул. Большая Красная, д. 4
 
Алексей Николаевич Козлов – младший научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий, Казанский (Приволжский) федеральный университет
Россия, 420111, Казань, ул. Большая Красная, д. 4
 
Тимур Маратович Порываев – инженер НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий, Казанский (Приволжский) федеральный университет
Россия, 420111, Казань, ул. Большая Красная, д. 4
 
Артем Александрович Заикин – научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий, Казанский (Приволжский) федеральный университет
Россия, 420111, Казань, ул. Большая Красная, д. 4
 
Рустам Анверович Зинюков – младший научный сотрудник НОЦ «Моделирование ТРИЗ», Институт геологии и нефтегазовых технологий, Казанский (Приволжский) федеральный университет
Россия, 420111, Казань, ул. Большая Красная, д. 4
 
Азат Абузарович Лутфуллин – заместитель начальника департамента разработки месторождений СП «Татнефть-Добыча», ПАО «Татнефть»
Россия, 423450, Альметьевск, ул. Ленина, д. 75
 
Ильдар Зуфарович Фархутдинов – начальник отдела разработки нефтяных и газовых месторождений и геологоразведочных работ Центра технологического развития, ПАО «Татнефть»
Россия, 423462, Альметьевск, ул. Тельмана, д. 88
 
Ильгиз Зуфарович Туляков – ведущий эксперт отдела разработки нефтяных и газовых месторождений и геологоразведочных работ Центра технологического развития, ПАО «Татнефть»
Россия, 423462, Альметьевск, ул. Тельмана, д. 88
 

Для цитирования:

Судаков В.А., Сафуанов Р.И., Козлов А.Н., Порываев Т.М., Заикин А.А., Зинюков Р.А., Лутфуллин А.А., Фархутдинов И.З., Туляков И.З. (2022). Локализация и разработка остаточных запасов нефти с использованием геохимических исследований на основе нейросетевых алгоритмов. Георесурсы, 24(4), c. 50–64. https://doi.org/10.18599/grs.2022.4.4

For citation:

Sudakov V.A., Safuanov R.I., Kozlov A.N., Poryvaev T.M., Zaikin A.A., Zinyukov R.A., Lutfullin A.A., Farkhutdinov I.Z., Tylyakov I.Z. (2022). Localization and development of residual oil reserves using geochemical studies based on neural network algorithms. Georesursy = Georesources, 24(4), pp. 50–64. https://doi.org/10.18599/grs.2022.4.4

© 2025 Коллектив авторов