+7 (495) 506-57-36, +7 968 575-10-99
sovnauka@mail.ru
Опубликовать статью
Контакты
ISSN 2079-4401
Учредители:
ООО «Законные решения», Московский институт экономики, политики и права.
Адрес редакции: Москва, ул. Зорге, 24.
Статей на сайте: 398
О журнале
О нас
Учредители
Редакционная коллегия
Политика журнала
Этика научных публикаций
Порядок рецензирования статей
Авторам
Правила и порядок публикации
Правила оформления статей
Правила оформления аннотаций
Правила оформления библиографического списка
Права на произведениеВопросы и ответыЗадать вопрос авторуАктуальноКонтакты
ЖУРНАЛ
Сентябрь, 2016
2016: 1, 2, 3
2015: 1, 2, 3, 4
2014: 1, 2, 3, 4
2013: 1
2012: 1
2011: 1, 2, 3, 4
2010: 1, 2, 3
ИНДЕКСИРУЕТСЯ
Российский индекс научного цитирования
Google scholar
СОЦИАЛЬНЫЕ СЕТИ
№ 3, 2016
ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ
Автор/авторы:
Подольский Артeм Константинович,
аспирант по кафедре разработки полезных ископаемых
Всероссийский нефтегазовый научно-исследовательский институт имени А.П. Крылова
Контакты: Дмитровский пр-д., д. 10, Москва, Россия, 127422
E-mail: artem.podolskij@mail.ru
УДК: 608
Аннотация: Рассматривается бурно развивающиеся направление прикладной математики — искусственные нейронные сети. Показана заинтересованность мировых и российских нефтяных компаний в развитии в сферах высоких технологий. Обобщен опыт внедрения искусственных нейронных сетей в различных направлениях нефтегазовой промышленности.
Ключевые слова: искусственная нейронная сеть, искусственный интеллект, методы прогнозирования, статистика
Дата публикации: 30.09.2016
Дата публикации на сайте: 27.06.2017
PDF версия статьи: Скачать PDF
РИНЦ: Перейти на страницу статьи в РИНЦ
Библиографическая ссылка на статью: Подольский А.К. Применение методов искусственного интеллекта в нефтегазовой промышленности//Современная наука. № 3. 2016. С. 33-36
Права на произведение:

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная

Искусственный интеллект (ИИ) как научное направление представляет собой наглядный пример интеграции различных научных областей. Специалисты в естественно-научных областях и вычислительных науках изучают свойства и функционирование живых систем, пользуясь сходными методами. В целом, искусственный интеллект — это самостоятельная область научных исследований, которая сформировалась в результате достижений в математике и логике и основана на накопленных человечеством знаниях о живой и неживой природе.

Практически с самого начала ученые, занимавшиеся этим новым направлением научных знаний, предположили, что к конструктивному определению и моделированию мышления полезно идти от специфики задач, вводя искусственный интеллект как механизм, необходимый для их решения. Таким образом, искусственный интеллект в современном понимании — это совокупность методов и инструментов решения различных сложных прикладных задач, использующих принципы и подходы, аналогичные размышляющему над их решением человеку или процессам, протекающим в живой или неживой природе.

Еще одно определение искусственного интеллекта — ряд алгоритмов и программных систем, отличительным свойством которых является то, что они могут решать задачи так, как делал бы размышляющий над их решением человек.

Искусственный интеллект основывается на самообучаемых искусственных нейронных сетях (ИНС) [1]. Что в свою очередь представляет систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов) (рисунок 1).

Рис. 1. Схема многослойной искусственной нейронной сети

 

Возможность обучения — одно из главных преимуществ нейронной сети перед традиционными алгоритмами. Обучить нейронную сеть, то есть дать понять, что от нее требуется на выходе. Процесс обучения сводится к подстройке весов сети с наименьшей ошибкой. Алгоритм обучения представлен на рисунке 2.

Рис. 2. Процесс обучения нейронной сети

 

Во всем мире стало бурно развиваться направление прикладной математики, специализирующееся на искусственных нейронных сетях. В основном, ИНС используют для распознания образов такие гиганты высоких технологий как Google, Yandex и д.р.

С учетом мировых и российских инновационных тенденций в нефтяной отрасли происходит модернизация нефтегазовой промышленности в сферах высоких технологий и интеллектуализации месторождений.

В ведущих нефтяных компаниях инициируются или уже разрабатываются проекты по принципу «интеллектуальное» месторождение. Вектор развития данного направления, безусловно будет иметь восходящую динамику в России и мире (таблица 1).

 

Табл. 1. Опыт нефтегазовых компаний по интеллектуализации месторождений

 

В работе [2] проведен системный анализ основных направлений развития цифровых и интеллектуальных месторождений. По мнению автора, нефтегазовая отрасль имеет все необходимое для цифровых и интеллектуальных преобразований. В целом, инновационные процессы будут осуществлять эффективную модернизацию нефтегазовой промышленности России на новом витке развития, а именно в сферах высоких технологий и интеллектуализации месторождений. В основе цифровых и интеллектуальных технологий нефтегазовой отрасли лежит использование методов искусственного интеллекта (рисунок 4).

Как видно из графика, в настоящий момент один из наиболее применяемых методов — искусственные нейронные сети. В России по состоянию на 1 января 2015 г. количество цифровых месторождений достигло 26, что составляет около 12% от общего их количества в мире: ПАО «Роснефть» — 10; ПАО «Газпром» — 7 (1 морское безлюдное); ОАО «Лукойл» — 4; ОАО «Новатэк» — 2 (1 безлюдное); ПАО «Татнефть» — 1; ОАО «Ритэк» — 1. Инновационные и интеллектуальные технологии, модернизация нефтегазовой отрасли в конечном итоге приведут к системным изменениям и положительным преобразованиям в нашей стране.

Рис. 4. Результаты исследования применения методов интеллекта в нефтегазовой отрасли

 

В настоящий момент можно выделить три потенциальные сферы применения технологий на основе искусственного интеллекта: геологоразведка, добыча и стратегическое планирование. В геологоразведке использование искусственного интеллекта позволит более эффективно интерпретировать данные сейсмических исследований и разведочного бурения. Такой подход позволит сократить количество пробуренных скважин и проводимых тестов для определения характеристик месторождений, что в свою очередь будет способствовать экономии денежных средств и временных ресурсов. В технологиях добычи нефти развивается такое направление, как «умные месторождения» и «умные скважины». Их продвигают такие зарубежные нефтяные компаниями, как Chevron, BP и Shell (использует в России на месторождении Салым Петролеум в Западной Сибири). Такие месторождения предполагают удаленное управление объектами нефтедобычи, что позволит сократить издержки и увеличить КИН. Согласно исследованию, проведенному Cambridge Energy Research Association (CERA), отдача на «умных месторождениях» уже сейчас на 2—10% выше, чем на традиционных. И это только экспериментальная фаза развития подобных технологий.

В Удмуртском институте нефти и газа им. М.С. Гуцериева специалисты сравнили эффективность применения нейронных сетей и метода множественной линейной регресии при прогнозировании эффективности ГТМ [5]. В работе обучение нейронных сетей проводилось при помощи программного продукта STATISTICA Neural Networks. Объектом исследования были поинтервальные солянокислотные обработки, проведенные в 2010—2014 гг. на верейко-башкирском объекте Сосновского месторождения. Всего было исследовано 25 обработок. Для сравнения эффективности нейронных сетей были получены уравнения множественной линейной регрессии. Авторы делают вывод, что нейронная сеть способна более точно предсказывать эффективность ГТМ, основываясь на истории предыдущих обработок, нежели множественная линейная регрессия. Средняя относительная ошибка в двое меньше. Однако, и нейронная сеть не всегда хорошо предсказала эффективность, это возможно исправить путем нормализации обучающих данных.

В Томском государственном университете рассмотрена возможность использования искусственных нейронных сетей для оценки ожидаемой дополнительной добычи нефти в результате выполнения выравнивания профиля приемистости (ВПП) на нагнетательных скважинах [3]. На примере фактически проведенных в 2012 г. операций по ВПП на одном из месторождений была оценена погрешность прогнозирования эффективности данных мероприятий посредством разработанной модели искусственной нейронной сети. В сравнении с гидродинамическим моделированием, разработанная математическая модель позволила получить прогнозные показатели за гораздо меньший срок при сопоставимой точности предсказания.

Для создания модели ИНС были использованы показатели по 106 скважинам, ранее на которых проводились ВПП. Входные данные для обучения нейронной сети были: пористость пласта, проницаемость, дебит жидкости до ВПП, обводненность скважин до ВПП, объем закачки реагента и др. В качестве выходных (предсказываемых) данных использовались две характеристики: ожидаемое изменение обводненности и ожидаемая продолжительность эффекта. Создание модели ИНС осуществлялось в программном обеспечении STATISTICA. Для обучения модели, состоявшей из 4-х нейронов в промежуточном слое с функции сигмода, использовался алгоритм Левенберга — Марквардта. Анализ результатов показал, что построенная ИНС характеризуется высоким качеством обучения.

В работе [4] проводили попытку установить влияние параметров и показателей разработки нефтяного месторождения на конечный КИН. Рассматривали метод линейной регрессии и моделирование нейронной сетью для оценки и прогноза КИН. Было произведено 7000 эпох обучения, в результате которой расчеты показали очень высокую точность предсказания КИН.

Как видно из работ других специалистов, в мире, в последние время бурно стараются развивать новую прикладную область математики, специализирующуюся на искусственных нейронных сетях в нефтяной промышленности. Зачастую, решить однозначно проблему получается не всегда. В большинстве случаев это связано с недостаточной достоверностью входных данных для обучения модели, или же их количества. Необходимые данные для создания ИНС должны быть максимально точными.

Литература
1. Васенков Д.В. Методы обучения искусственных нейронных сетей // Компьютерные инструменты в образовании. 2007. № 1. C. 20—29.
2. Еремин Н.А., Дмитриевский А.Н., Тихомиров Л.И. Настоящее и будущее интеллектуальных месторождений // Нефть. Газ. Новации. 2015. № 12. С. 45—50.
3. Келлер Ю.А. Разработка искусственных нейронных сетей для предсказания технологической эффективности от выравнивания профиля приемистости // Известия Томского политехнического университета. Информационные технологии. 2014. Т. 325. № 5. C. 60—65.
4. Мандрик И.Э., Шахвердиев А.X., Сулейманов И.В. Оценка и прогноз нефтеотдачи на основе моделирования нейронными сетями // Нефтяное хозяйство. 2005. № 10. С. 31—34.
5. URL://http://earthpapers.net/operativnoe-regulirovanie-razrabotki-zalezhey-nefti-metodami-neyrosetevogo-modelirovaniya#ixzz4jDo3f6bm
6. Пчельников И.В., Борхович С.Ю., Натаров А.Л. Перспективы прогнозирования эффективности ГТМ на основе нейросетевого моделирования // Нефть. Газ. Новации. 2016. № 4. С. 37—40.
Просмотров: 120 Комментариев: 0
Похожие статьи
  1. ПОНЯТИЕ И СУЩНОСТЬ ЭКСТРЕМИЗМА В РОССИЙСКОЙ ФЕДЕРАЦИИ
Комментарии
Комментариев пока нет.

Чтобы оставить комментарий, Вам нужно зарегистрироваться или авторизоваться под своими логином и паролем (можно войти, используя Ваш аккаунт в социальной сети, если такая социальная сеть поддерживается нашим сайтом).

Поиск по авторам
Поиск по статьям
ISSN 2079-4401
Учредители: ООО «Законные решения», Московский институт экономики, политики и права.
Адрес редакции: Москва, ул. Зорге, 24.
Если не указано иное, материалы сайта доступны по лицензии: Creative Commons Attribution 4.0 International
© Журнал «Современная наука», 2010-2017