Демо работы
Нет файлов
Описание работы
Описание работы
МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИФедеральное государственное автономное образовательное учреждение высшего образования
«ТЮМЕНСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»
ФИЗИКО-ТЕХНИЧЕСКИЙ ИНСТИТУТ
Кафедра прикладной и технической физики
РЕКОМЕНДОВАНО К ЗАЩИТЕ В ГЭК
ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА
РАЗРАБОТКА АЛГОРИТМА ВЫЧИСЛЕНИЯ ОПТИМАЛЬНОЙ РАССТАНОВКИ ПРОЕКТНЫХ ДОБЫВАЮЩИХ СКВАЖИН
НА ОСНОВЕ ПРИМЕНЕНИЯ ОРИГИНАЛЬНОЙ АРХИТЕКТУРЫ НЕЙРОСЕТЕЙ, УЧИТЫВАЮЩЕЙ СТОХАСТИЧЕСКОЕ РАСПРЕДЕЛЕНИЕ ФИЛЬТРАЦИОННЫХ СВОЙСТВ ПЛАСТА
16.03.О1 Техническая физика
Профиль «Техническая физика в нефтегазовых технологиях»
Тюмень 2023 год
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 3
ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ 4
1.1. МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ ОПТИМАЛЬНОЙ РАССТАНОВКИ ДОБЫВАЮЩИХ СКВАЖИН 4
1.2. ТЕОРИЯ НЕЙРОННЫХ СЕТЕЙ 6
ГЛАВА 2. ЗАДАЧА ОПТИМАЛЬНОЙ РАССТАНОВКИ ДОБЫВАЮЩИХ СКВАЖИН 9
2.1. ПОСТАНОВКА ЗАДАЧИ 9
2.2. МЕТОДИКА РЕШЕНИЯ ЗАДАЧИ 12
ГЛАВА 3. РАЗРАБОТКА НЕЙРОННОЙ СЕТИ 18
3.1. СОСТАВЛЕНИЕ АРХИТЕКТУРЫ НЕЙРОННОЙ СЕТИ 18
3.2. ПРОЦЕСС ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ 22
ГЛАВА 4. ИМПЛЕМЕНТАЦИЯ И АНАЛИЗ РЕЗУЛЬТАТОВ 26
4.1. РЕАЛИЗАЦИЯ 26
4.2. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ 28
ЗАКЛЮЧЕНИЕ 34
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 35
ВВЕДЕНИЕ
За последние десятилетия наблюдается значительный рост интереса и спрос на машинное обучение и нейронные сети. С развитием ЭВМ появилась возможность обрабатывать большие объёмы данных различными алгоритмами, требующими значительной вычислительной мощности, в том числе и нейронными сетями. Нейронные сети позволяют извлекать ценные закономерности из данных и прогнозировать сложные явления. Помимо этого, нейронные сети могут адаптироваться к различным изменяющимся условиям и улучшать свою производительность со временем. Все эти факторы являются преимуществом в различных областях, включая нефтегазовую отрасль. В нефтегазовой сфере это особенно важно, поскольку задачи, связанные с геофизическими процессами, такие как оптимизация бурения, прогнозирование производства и разведка месторождений, имеют очень сложную структуру и требуют понимания различных физических законов.
Цель данного исследования заключается в разработке искусственной нейронной сети для решения задачи оптимизации расстановки добывающих скважин. В рамках работы будет проведен обзор существующих аналитических и численных методов решения данной задачи, а также изучены методы создания нейронных сетей. Далее будет осуществлена проверка эффективности и работоспособности разработанной нейронной сети на искусственно сгенерированных данных, полученных с помощью аналитического решения.
На данный момент решение задачи оптимальной расстановки проектных добывающих скважин напрямую зависит от практического опыта инженеров. В силу сложной структуры пласта и плохой изученности межскважинного пространства, фильтрационно-емкостные коэффициенты имеют вероятно- стохастическое распределение, которое требуется учитывать при решении разного рода практических задач нефтегазовой отрасли. Поэтому использование такого математического инструмента как нейронная сеть позволит не только моделировать процесс нефтедобычи, но и учитывать сложные структуры пласта.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Min B., Park C., Kang J.-M., Park H.J., Jang I.S. Optimal Well Placement Based on Artificial Neural Network Incorporating the Productivity Potential // Energy Sources, Part A: Recovery, Utilization and Environmental Effects. July 2011. Vol. 33, No. 18. P. 1726-1738.
2. Бурков А. Машинное обучение без лишних слов. СПб.: Питер, 2020.
192 с.
3. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / 2-е изд.,
испр. М.: ДМК Пресс, 2018. 652 с.
4. Ермолаев А.И., Абдикадыров Б. А. Оптимизация размещения скважин на нефтяных залежах на основе алгоритмов целочисленного программирования
// Пробл. управл. 2007. № 6. С. 45-49.
5. Заенцев И.В. Нейронные сети: основные модели. Воронеж: Изд-во ВГУ, 1999. 76 с.
6. Косяков В.П., Родионов С.П. Определение наилучшего варианта расстановки галереи скважин в зонально-неоднородном пласте с учетом теплофизических свойств флюидов на основе аналитического решения // Вестник ТюмГУ. Физико-математические науки. Информатика. 2012. № 4. С. 14- 21.
7. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.
Шолле Ф. Глубокое обучение на Python. СПб.: Питер, 2018. 400 с